ArterialNet：基于队列感知的穿戴式搏动信号重建动脉血压波形方法及其临床应用

《IEEE Open Journal of Engineering in Medicine and Biology》：ArterialNet: Reconstructing Arterial Blood Pressure Waveform with Wearable Pulsatile Signals, a Cohort-Aware Approach

本刊推荐：为解决有创动脉血压(ABP)监测的临床局限性，研究人员开发了ArterialNet框架，通过穿戴式光电容积脉搏波(PPG)和生物阻抗(Bio-Z)信号重建连续ABP波形。该研究采用混合损失函数和队列感知正则化技术，在MIMIC-III数据集上实现ABP波形重建均方根误差5.41±1.35 mmHg，较现有技术降低58%的个体间变异。这项突破为远程健康监测提供了新的技术路径。

　　

在重症监护室(ICU)和术后监护中，连续动脉血压(Arterial Blood Pressure, ABP)波形监测是评估心脏功能的重要指标，能够提供每搏输出量、心输出量等关键参数，还是心源性休克等重大心血管不良事件的早期预警信号。然而，获取ABP波形需要通过动脉导管进行有创监测，这种方法不仅存在出血和感染风险，其应用场景也主要局限于ICU环境。虽然袖带式血压计可以测量收缩压/舒张压(Systolic/Diastolic Blood Pressure, SBP/DBP)数值，但无法实现连续的心功能全面监测。体积钳技术如Finapres虽能提供无创心脏监测，但在夜间监测、身体活动和长期监测中易受睡眠干扰、运动伪影和舒适度问题的影响。

近年来，基于深度学习(Deep Learning, DL)的序列到序列(Sequence-to-Sequence, seq2seq)技术为无创ABP监测带来了新思路。这些方法通过将外周搏动信号转换为合成的ABP波形，在平均群体水平上验证了ABP波形重建的可行性。然而，现有研究存在明显局限性：它们往往无法有效捕捉个体间变异，而这种个性化差异对于精确建模至关重要。同时，不同个体在无创血压监测中的表现差异显著，某些方法对部分个体有效但泛化能力较差，这给判断协变量是否真实反映心血管动力学特征带来了困难。

针对这些挑战，德克萨斯A&M大学的研究团队在《IEEE Open Journal of Engineering in Medicine and Biology》上发表了ArterialNet框架。该框架采用两阶段训练范式：首先在群体数据上进行预训练以最大化生成能力，然后针对新个体进行微调。如图1所示，ArterialNet包含个性化特征提取器、seq2seq主干网络、混合目标函数和队列感知正则化等核心组件。

关键技术方法包括：采用扩张因果卷积的个性化特征提取器处理多搏动输入序列；支持U-Net和Transformer两种主干网络架构；设计结合波形重建、相关性和对齐的混合损失函数；基于方差风险外推理论(REx)的队列感知正则化技术。研究数据来源于MIMIC-III波形数据集(61例患者)和自主采集的非ICU数据集(20名健康参与者)。

研究结果

ICU环境下的性能评估

在MIMIC-III数据集上的实验表明，ArterialNet在ABP波形重建和SBP/DBP估计方面均优于现有基线方法。如表1所示，使用Transformer主干网络和PPG信号时，ABP波形重建的均方根误差(Root-Mean-Square Error, RMSE)达到5.41±1.35 mmHg，平均绝对误差(Mean Absolute Error, MAE)为4.17±1.29 mmHg，Pearson相关系数(R)为0.91±0.04。特别值得注意的是，该方法在衍生SBP/DBP估计中表现出显著更低的个体间标准差，证明其具有更优的泛化能力。

非ICU环境下的验证

在健康参与者数据集上，ArterialNet首次证明了通过生物阻抗(Bio-Z)搏动信号重建ABP波形的可行性。如表2所示，使用双Bio-Z信号和Transformer架构时，ABP波形重建RMSE为7.79±1.91 mmHg。这一结果验证了该方法在远程健康场景中的应用潜力，为无创连续血压监测开辟了新途径。

稳健性评估

数据可用性分析显示，ArterialNet的性能随训练数据量增加而提升。如图2所示，当校准时间达到12小时时，模型性能进入报告指标的95%置信区间(Confidence Interval, CI)。时间稳定性评估进一步证实，在后续12小时的部署中，模型质量保持稳定，无明显退化。

血压范围掩蔽实验表明，ArterialNet在100-120 mmHg这一常见健康血压范围内保持稳定性能，但在稀疏范围(如90-100 mmHg和130-140 mmHg)表现有所下降。这一发现为模型的实际应用提供了重要边界条件。

波形增强分析通过添加高斯噪声、掩蔽心脏周期内不同区段等方式验证了模型的鲁棒性。结果显示，ArterialNet在轻度噪声(乘数0.1)下保持稳定，但在重度噪声下性能下降，证明其构建的是真实的信号转换映射而非简单的模式记忆。特别值得注意的是，在MIMIC数据上，模型同时利用脉冲波和反射波特征；而在Bio-Z数据上，掩蔽反射波会导致性能崩溃，表明其对反射波特征有较强依赖性。

组件贡献度分析通过消融研究评估了各模块的重要性。如图3和表3、4所示，混合目标函数对SBP/DBP估计提升贡献最大，队列感知正则化在两阶段训练范式中进一步改善性能，而额外特征添加带来的收益有限，这证实了特征提取器的可靠性。

讨论与结论

ArterialNet通过创新的多层级框架，实现了从搏动信号到ABP波形的高精度重建。其核心优势在于：显著降低了个体间变异，提高了模型的泛化能力；支持多模态输入(PPG、ECG、Bio-Z)，增强了应用灵活性；在ICU和非ICU环境下均验证了有效性，拓展了临床应用场景。

该研究的临床意义主要体现在三个方面：首先，为无创连续血压监测提供了新的技术路径，有望降低有创监测的相关风险；其次，通过降低个体间变异，提高了远程健康监测的可靠性；最后，首次验证了生物阻抗信号在ABP重建中的应用价值，为多模态传感融合奠定了基础。

然而，研究也存在一定局限性。尽管使用了ICU和非ICU数据集，但回顾性数据可能无法完全捕捉真实世界的变异性，研究结果在更广泛人群和场景中的泛化能力仍需进一步验证。未来工作可关注前瞻性临床验证、多中心数据整合以及长期穿戴适用性优化等方向。

总体而言，ArterialNet代表了无创血压监测技术的重要进展，其两阶段训练范式、混合损失函数设计和队列感知正则化方法为生物医学信号处理领域提供了有价值的参考框架，有望推动远程健康监测技术的进一步发展。