基于雷达的双任务生理学习连续血压监测：分类正则化回归方法

本文提出了一种集成分类约束回归与多尺度时空特征提取的双任务学习模型，解决了非接触式雷达血压监测在低信噪比(SNR)条件下的特征空间重叠和生理状态转换期间的估计不准确问题。该框架通过混合ResNet-BiGRU主干网络捕获波形形态和血流动力学连续性，结合生理正则化机制（10 mmHg分箱的分类概率约束回归输出），在30名受试者验证中达到临床相关精度（SBP: ?0.21 ± 6.74 mmHg; DBP: 0.25 ± 4.81 mmHg），双任务策略使DBP的RMSE降低达8.4%，为无袖带血压设备的实际部署提供新思路。

　　

Highlight

当前基于雷达的血压估计主要采用回归框架，如表1所示，通过三种方法实现：传统统计回归、特征工程机器学习和深度学习架构。

传统统计回归

统计回归方法利用血流动力学原理（如Moens-Korteweg方程）通过建模脉搏波特征（如PTT/PWV）来估计血压，提供生理可解释模型且计算复杂度低。

数据集

我们使用了汉堡大学高频技术研究所的同步生理数据[33]，该研究已获得弗里德里希-亚历山大大学埃尔兰根-纽伦堡分校伦理批准（编号85_15B）。30名受试者的数据包括雷达信号（2000 Hz采样率，24 GHz连续波）和连续血压测量（200 Hz）。数据采集于静息状态、Valsalva动作、屏气测试和倾斜台测试（直立/仰卧位），使算法能在多样化血压条件下进行评估。

双任务学习架构

本文提出的血压估计双任务学习架构如图2所示。该模型集成ResNet网络、BiGRU层、特征组合和回归器。值得注意的是，ResNet网络具有双重功能：既是回归网络的组成部分，又是获取雷达信号分类分布概率的分类网络。

性能评估

本研究使用一组指标评估模型性能：平均误差(ME)、平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)。这些指标全面评估预测准确性：

ME = (1/n)Σ(y_i - ?_i)

MAE = (1/n)Σ|y_i - ?_i|

RMSE = √[(1/n)Σ(y_i - ?_i)²]

MAPE = (1/n)Σ|(y_i - ?_i)/y_i| × 100%

其中n为样本数，y_i为真实值，?_i为模型预测值。

分类网络性能

分类网络的结果总结如下（生动描述：分类网络像一位精准的血液压力"分类大师"，能有效区分不同血压区间）。

分类标签策略分析

分类标签策略对我们的双任务学习架构性能具有关键影响，因为离散类别定义直接影响分类任务和后续回归优化。为系统评估这种影响，我们比较了四种分箱策略：

• 5 mmHg间隔（24个SBP类别，19个DBP类别）

• 10 mmHg间隔（13个SBP类别，10个DBP类别）

• 20 mmHg间隔（7个SBP类别，5个DBP类别）

• 基于临床指南的分箱

结论

本研究通过集成空间特征提取、时间依赖性建模和生理正则化的双任务学习模型，推进了非接触式连续血压监测技术。该框架结合了多尺度ResNet主干网络与混合卷积核（15/7/3）及三层BiGRU架构，通过序列脉搏相关性捕获心血管连续性模式。这种方法实现了具有临床相关性的2秒间隔监测（生动描述：就像给血压监测装上了"智能稳定器"，让预测结果既精准又符合生理规律）。