基于光电容积脉搏波(PPG)信号深度学习的连续血压精准预测模型构建与验证

针对传统光电容积脉搏波(PPG)血压监测准确性不足的问题，研究人员创新性融合时序卷积网络(TCN)、长短期记忆网络(LSTM)与自编码器技术，开发出Autoencoder-LSTM模型。该模型实现收缩压(SBP)和舒张压(DBP)预测平均绝对误差(MAE)分别低至1.05和0.92 mmHg，为可穿戴设备提供高精度无创血压监测方案。

　　

血压作为反映心血管健康的核心指标，其快速波动特性使得连续监测成为临床刚需。传统袖带式血压计存在测量间隔长、舒适性差等局限，而基于光电容积脉搏波(Photoplethysmography, PPG)的无创技术虽被广泛应用于智能手环等穿戴设备，却始终面临精度不足的挑战——现有方法对收缩压(SBP)和舒张压(DBP)的预测误差常超过5 mmHg，难以满足临床诊断需求。更棘手的是，PPG信号易受运动伪影、环境光干扰等因素影响，在真实场景中信号质量波动显著。如何从这组"嘈杂的脉搏密码"中精准解码血压信息，成为制约可穿戴医疗设备发展的关键技术瓶颈。

针对这一难题，国内研究团队在《Measurement: Sensors》发表了一项突破性研究。通过深度挖掘PPG波形中隐藏的时空特征，研究人员创新性地构建了融合时序建模与特征压缩的混合深度学习框架。该研究首次系统比较了Temporal Convolutional Network(TCN)、Long-Short Term Memory(LSTM)及其组合模型在血压预测中的性能差异，最终开发的Autoencoder-LSTM架构将血压预测精度提升至临床可用水平。

研究采用PhysioNet公开的PPG数据集，包含跑步、骑行等运动状态下的256 Hz高频信号。关键技术路线包含：1)采用双向LSTM捕捉PPG波形的长程时序依赖；2)利用TCN的因果卷积提取局部形态特征；3)通过自编码器降维消除运动伪影干扰；4)使用SGDM优化器配合0.0001学习率训练网络。特别设计的Autoencoder-LSTM结构将原始PPG序列压缩为低维表征后再经LSTM重建，有效增强了模型对噪声的鲁棒性。

【Results and discussion】部分揭示：在四项运动场景测试中，Autoencoder-LSTM展现出压倒性优势。其SBP预测MAE(1.05 mmHg)较传统ResUNet模型降低83%，DBP预测SD(1.05)达到AAMI标准要求。尤为关键的是，该模型成功捕捉到PPG波形中与血压强相关的四个特征点——收缩峰、重搏切迹(dicrotic notch)、拐点(inflection point)和舒张峰，这些生物标志物的自动识别为算法提供了生理学解释基础。对比实验表明，单纯TCN或LSTM架构的MAE在3.5 mmHg以上，而二者的简单串联(TCN-LSTM)仅将性能提升至2.45 mmHg，证实特征压缩模块对精度提升的关键作用。

【Conclusion】部分强调，这项研究实现了三大突破：首先，首次将PPG信号的连续血压预测误差控制在1 mmHg级，满足临床动态监测需求；其次，通过Autoencoder-LSTM架构证明波形整体形态比局部特征更具预测价值；最后，模型在运动干扰下的稳定性为可穿戴设备落地扫清障碍。作者同时指出，未来需在老年人群、深色皮肤等特殊群体中验证普适性，并探索模型轻量化方案以适应边缘计算场景。这项技术一旦投入应用，将彻底改变现有高血压管理模式——患者通过智能手环即可获得临床级血压趋势报告，医生则能依据连续数据制定个性化治疗方案，这对降低全球13亿高血压患者的卒中风险具有重大意义。