运动伪影因身体部位而异
光电容积脉搏波（PPG）通过光学方式估计心率：光源和光电二极管测量血容量脉搏，收缩峰之间的间隔给出逐搏时间，再据此计算心率。论文的前提是，运动对这些读数的影响取决于设备在身体上的位置。走路时摆动的手腕传感器和经历同样走动的额头传感器，不会在同一时刻看到相同的伪影。
这一前提使融合变得可行。如果所有传感器同时失效，把它们组合起来帮助不大；如果它们的失效部分相互独立，那么一种优先采用当前较干净传感器的方法，就能产生比任何单个设备更好的信号。作者的方法建立在这种“运动伪影因部位而异”的观点上，而不是在单个设备内增加加速度计或额外光源。
质量评分决定哪个传感器占主导
方法先对每路 PPG 信号做 0.6–3.3 Hz 带通滤波，再检测收缩峰，并剔除那些会使心率超过 185 bpm 的峰间隔。它用一个刻意宽松的滤波器保留心搏间期（至少连续五个间期满足 minIBI/maxIBI > 0.51），让不太准确的片段留到后续加权，而不是直接删除。随后在 30 秒滑动窗口上估计心率。
信号质量按每个心搏评分：把每个片段与模板做相关，模板按传感器位置分别构建，因为不同部位的波形形态不同。片段先降采样到 40 个样本并做 z 标准化，模板由与倾斜三角波相关性高于 r > .8 的片段平均得到，并保留相关性最高的 500 个片段。一个片段的质量就是它与该模板的相关性。
融合时，先在 ±150 ms 窗口内对齐各传感器的峰，以补偿脉搏沿动脉树传播的延迟；再对 30 秒质量估计做插值，避免质量值突变在融合信号中引入伪影；最后以六次方加权组合各信号。这个指数放大了相关性上的细微差异，使明显更好的传感器主导输出；归一化则保证输出幅度与参与融合的传感器数量无关。
头部是最强的单一部位
在融合之前，作者把每个部位单独与胸骨处记录的 Lead I 心电做对比。平均误差为头部 4.38 bpm、胸骨 5.57 bpm、脚踝 7.63 bpm、手腕 8.22 bpm。这个排序大致对应各部位在户外活动中承受的运动量，不过论文把这作为解释提出，而不是实测的运动量比较。
这个基线对理解核心数字很重要。46% 的降幅是相对头部——最佳单设备——而不是相对手腕。与手腕相比，论文报告平均误差低 71%、中位误差低 91%。只引用与手腕的对比，会夸大融合相对于最强单一部位带来的增益。
各配置下融合的平均误差都优于 ICA
对比基线是独立成分分析（ICA），一种把混合信号分离成若干成分并取最佳输出的常用方法。作者用两个、三个和四个设备分别测试了两种方法。ICA 的平均误差从未低于单独使用头部传感器：两个设备为 5.04 bpm，三个为 5.72，四个为 5.01，而头部为 4.38。它的中位误差低于任何单个 PPG 传感器，作者据此认为 ICA 在多数情况下有帮助，但在某些情况下会严重失效。
所提出的融合方法在两个设备时平均误差为 3.52 bpm，三个为 3.01，四个为 2.37；中位误差分别为 1.47、0.99 和 0.53 bpm。每种配置在平均值和中位数上都优于每个单一传感器。对消费级硬件而言，两个设备的结果最具实际意义：手腕加头部的组合——作者描述为智能手表加智能眼镜的场景——平均误差仍比单独头部低 20%，中位误差低 26%。
低误差分位段也有改善
把 30 秒片段按误差排序，可以看出改善来自哪里。误差下降不仅出现在单个传感器吃力的高误差分位段，也出现在参与融合的 PPG 信号本已准确的低误差分位段。作者据此认为，该方法在整个信号质量范围内都有帮助，而不只是挽救糟糕时刻。
论文还给出了定性示例：单个传感器心率误差很高时，融合输出恢复了合理的 PPG 形态。这些示例说明机制，但不是独立的定量结果；统计结论由误差表与分位图承载。
一天、十四人、真实活动
评估数据集来自 14 名参与者，每人佩戴四个独立 PPG 设备，分别位于额头、胸骨、脚踝和手腕，持续约 13 小时，另在胸骨处记录心电作为真值。实验流程包括乘小巴、坐缆车和火车到达 3460 米、参观博物馆和户外步行、爬楼梯、午餐和休息，共约 182 小时、128 Hz 的同步信号。设备通过离线对齐同步，精度为 33 ms。
这一设计是论文相对实验室 PPG 测试的主要优势：信号包含真实的日常活动以及变化的海拔与环境。它同时也是边界。14 名参与者是小样本，所有数据来自同一天的长途出行，四个固定部位使用的是研究设备而非消费产品。报告误差描述的是这一人群和流程；论文没有确立在更广泛人群、肤色、临床状况或更长佩戴时间下的表现。
某一部位较弱时融合收益最大
论文的实际重点是一个比较，而不是笼统建议。随着传感器组合变好，融合相对最佳单传感器的优势缩小：四个部位时平均误差降低 46%，三个部位时 31%，手腕加头部时 20%。只有一个部位可用时，单独头部仍是强选项；在本数据集中，单独手腕是最弱的选择。
证据支持的决策是组合哪些部位，而不是传感器越多越好。在测试的每种配置中，增加部位都降低了误差，方法也被描述为不依赖信号源数量和身体部位；但第二个、第三个传感器带来的实测增益，小于从单个弱部位迈出的第一步融合。对考虑多部位设计的读者，手腕加头部的结果是最相关的门槛：它最接近现有消费产品形态，且平均误差和中位误差仍低于单独头部传感器。
本文引用的文献
Robust Heart Rate Detection via Multi-Site Photoplethysmography
对头部、胸骨、手腕和脚踝的 PPG 做质量加权融合，以心电为真值时平均心率误差为 2.4 bpm，比最佳单设备（头部，4.4 bpm）低 46%；数据来自 14 名参与者约 13 小时的真实活动。