基于多模态可穿戴设备与机器学习算法的无袖带血压预测技术研究

本研究针对传统袖带式血压监测不便捷、无法连续测量等问题，开发了集成双光电容积描记(PPG)和双生物阻抗(BioZ)传感器的腕戴设备，结合随机森林回归(RFR)算法，实现无袖带血压预测。结果显示，模型对收缩压(SBP)和舒张压(DBP)的平均绝对误差(MAE)分别低于3.3 mmHg，为心血管疾病(CVDs)的长期管理提供了创新解决方案。

　　

心血管疾病(CVDs)是全球死亡的首要原因，而高血压作为其关键风险因素，却因传统袖带式血压监测的不便性导致筛查不足。现有无袖带技术依赖单一参数（如脉搏传导时间PTT或脉搏波分析PWA），存在肤色差异干扰、个体变异性大等问题。针对这一临床痛点，美国德州农工大学的研究团队开发了一种创新型多模态可穿戴设备，结合机器学习算法，实现了高精度、连续无创血压监测，成果发表于《Computers in Biology and Medicine》。

研究团队采用双PPG和双BioZ传感器的冗余设计，通过测量桡动脉脉搏波传播，克服单一传感器的局限性。关键技术包括：1）定制化三模块PCB系统实现1000Hz同步采样；2）创新性腿部加压实验协议，安全诱导40 mmHg血压波动；3）10级数据预处理流程消除心率/振幅干扰；4）随机森林回归(RFR)算法分析多传感器波形特征。实验纳入8名健康受试者（FP肤色I-V型），以Finapres? NOVA为金标准验证性能。

3.1 多模态传感器的优势验证
BioZ传感器在深肤色(FP V型)受试者中表现稳定（相关系数r≥0.98），显著优于PPG(r=0.54)，证实多模态设计可解决肤色依赖性问题。

3.2 传感器组合的协同效应
四传感器联合输入时模型性能最优（训练MAE=1.67 mmHg，R²=0.95），较单一传感器误差降低42%，验证冗余设计提升鲁棒性。

3.3 模型精度验证
训练集与验证集的SBP/DBP预测MAE分别达2.0±2.4/1.4±1.6 mmHg和1.7±2.2/1.2±1.5 mmHg。留一法测试中，血压分布匹配训练集的受试者（如Subject 8）MAE保持<5 mmHg，而分布差异大者（如Subject 4）误差升至15 mmHg，提示数据多样性对泛化能力的关键影响。

该研究通过多模态传感融合与创新算法，首次实现<3.3 mmHg误差的无袖带血压监测，突破现有技术对肤色和个体差异的限制。特别值得注意的是，波形分析发现血压升高时二次切迹(γ)现象（图5M），为血流动力学研究提供新线索。尽管当前样本量有限，但设备已展示出从健康人群向高血压患者推广的潜力。未来工作需扩大人群验证（包括药理学干预），并优化穿戴舒适性——现有80×51×42 mm尺寸可通过柔性电子技术进一步缩小。这项技术有望重塑心血管健康管理范式，为全球10亿高血压患者提供动态监测新工具。