运动伪影是指在信号采集或成像过程中，因被检测对象的自主运动、生理运动或设备与对象相对位移，导致信号失真或图像质量下降的现象。其广泛存在于医学成像、生物信号监测、遥感成像等领域，可能掩盖关键信息，影响诊断或分析结果的准确性。运动伪影检测作为预处理核心环节，在精准识别受污染的信号片段或图像区域，为后续校正、降噪提供依据，是保障数据质量的关键技术。
一、运动伪影的产生机制与表现形式
1.产生原因分类
运动伪影的产生与运动类型、采集设备特性密切相关，主要分为两类：生理性运动，如呼吸、心脏搏动、血液流动、胃肠道蠕动等，具有周期性和规律性；自主性运动，如身体移位、转动、吞咽、咳嗽等，多为随机非周期性运动。在高场强成像系统或高灵敏度信号采集设备中，运动对数据的干扰更显著，伪影严重程度与运动幅度、信号强度及采集参数呈正相关。
2.典型表现形式
不同应用场景下，运动伪影的表现存在差异：在磁共振成像（MRI）中，常呈现为图像模糊、重影、条纹状伪影，其严重程度与K空间采集时机相关，若运动发生在K空间中心数据采集阶段，伪影影响更为剧烈；在近红外脑成像（fNIRS）中，表现为信号基线漂移、高频尖刺噪声，与皮肤-传感器相对位移引发的光路变化相关；在光电容积脉搏波（PPG）信号中，体现为低频基线波动与高频瞬态干扰，频谱易与生理信号重叠，难以通过传统滤波分离。
二、运动伪影检测核心方法
1.传统信号处理方法
此类方法基于信号统计特征或物理模型，适用于伪影特征相对明确的场景，具有计算量小、实时性强的优势。
•阈值法：分为固定阈值与自适应阈值两类。固定阈值法通过设定全信号标准差或幅度阈值，识别超出范围的伪影片段，操作简单但易受伪影污染程度影响，在高污染数据中检测精度较低；自适应阈值法基于无伪影信号片段的统计特征动态调整阈值，如北航汪待发团队提出的方法，通过滑窗计算信号生理震荡标准差，提取前30%低波动区间均值作为阈值，显著提升了fNIRS信号伪影检测的准确性。
•多模态传感融合法：在可穿戴设备PPG检测中应用广泛，通过集成三轴加速度计、陀螺仪、接近传感器等多模态设备，将运动状态信号作为参考，辅助识别PPG信号中的伪影。例如，加速度计数据可作为自适应滤波的参考输入，分离肢体运动引发的干扰，在轻度运动场景下能有效提升信噪比。
•成像序列优化法：针对MRI等成像场景，通过优化扫描序列与参数实现伪影实时监测。如导航回波技术，通过激发特定区域信号追踪膈肌等器官位置，触发成像序列在运动静止窗口采集数据；心电门控技术则基于心脏电信号，同步采集心动周期相对静止期的图像，减少心脏搏动伪影。
2.深度学习驱动方法
随着人工智能技术发展，深度学习凭借强大的特征提取能力，在复杂伪影检测中展现出优势，适用于伪影类型复杂、与生理信号重叠严重的场景。
•端到端检测模型：基于卷积神经网络（CNN）、长短期记忆网络（LSTM）等架构，直接从原始数据中学习伪影特征，实现精准定位与分类。例如，在fNIRS信号处理中，通过CNN提取空间特征与LSTM捕捉时间序列特征，可同时识别尖刺伪影与基线漂移伪影。
•盲源分离辅助检测：结合独立成分分析（ICA）、主成分分析（PCA）等方法，先分离混合信号中的源成分，再通过深度学习模型识别伪影对应的成分。在多通道fNIRS或MRI数据中，该方法可有效分离生理信号与运动伪影，提升检测鲁棒性。
•需注意的是，深度学习方法存在计算量较大、对标注数据依赖度高的问题，在嵌入式设备部署时需通过模型量化、剪枝等优化手段，满足实时性与功耗约束。
三、主要应用领域
1.医学成像领域
在MRI、CT、fNIRS等医学检测中，运动伪影检测是保障诊断准确性的关键。例如，MRI腹部成像中，通过呼吸导航与运动检测结合，可减少呼吸运动导致的脏器模糊；新生儿fNIRS监测中，自适应伪影检测方法能有效处理频繁肢体活动引发的信号污染，为脑部功能诊断提供可靠数据。
2.可穿戴健康监测领域
PPG可穿戴设备用于心率、血氧监测时，运动伪影是影响测量精度的主要瓶颈。通过多模态传感融合与自适应检测算法，可实现运动场景下的精准监测，广泛应用于智能手环、运动手表等设备，满足日常健康管理与运动监测需求。
3.遥感与工业检测领域
在卫星遥感成像中，卫星姿态抖动引发的运动伪影会影响图像分辨率，通过星载姿态传感器与实时检测算法，可动态校正运动干扰；工业视觉检测中，设备振动或工件位移导致的伪影，可通过机器视觉与运动检测结合的方法识别，保障检测精度。
四、性能评价与发展趋势
1.核心评价指标
运动伪影检测性能主要通过量化指标评估：检测准确率（识别伪影与真实伪影的吻合程度）、伪影校正率（校正后残余伪影面积占比）、信噪比提升值，以及算法的实时性、计算复杂度等工程指标。在医学场景中，还需结合临床诊断需求，评估伪影检测对诊断结果的影响。
2.未来发展方向
未来运动伪影检测将向多技术融合、场景自适应、轻量化方向发展：一是深化多模态传感与深度学习的融合，提升复杂运动场景下的检测鲁棒性；二是开发跨场景通用算法，适配不同设备与运动类型，减少对标注数据的依赖；三是优化算法轻量化设计，满足嵌入式设备、可穿戴设备的部署需求，拓展在便携式医疗设备中的应用。
