克服受试者特异性：基于多阶段无袖带连续血压估计方法与PPG-ECG信号融合研究

本综述提出一种创新的多阶段无袖带连续血压（BP）估计方法，通过构建递归耦合神经网络（RC Net）实现基于光电容积描记（PPG）信号的受试者分类，并设计动态加权多算子网络（MODA Net）融合心电图（ECG）信号，有效克服不同类别间（inter-class）和同类个体（individual）特异性问题。该方法在临床测试中达到AAMI标准与BHS A级认证，为个性化血压管理提供重要技术支撑。

　　

Highlight

本研究通过多阶段框架突破受试者特异性限制：首先利用递归耦合神经网络（RC Net）对PPG信号进行深度语义补偿和坐标注意力机制增强，实现正常（N）、高血压前期（P）、Ⅰ期（S1）和Ⅱ期高血压（S2）的精准分类；继而设计多算子动态调整网络（MODA Net），集成ECG信号与多算子交叉学习机制（MOCLM），动态解析血容量变化、心电活动与血压的非线性映射关系。临床验证显示，平均动脉压（MAP）、收缩压（SBP）和舒张压（DBP）的均方根误差分别低至3.03±2.38 mmHg、2.96±2.45 mmHg和2.74±2.21 mmHg，显著优于现有标准。

Problem definition

核心问题在于克服不同受试者间类别特异性与个体特异性对血压估计的干扰。目标函数定义为：$Objec{t}_{regress}=min?\left[L\left(Y_{pre},Y_{ture}\right)\right]$，其中$L(·)$为平均绝对误差（MAE）与均方根误差（RMSE）之和，$Y_{pre}$为预测值，$Y_{ture}$为真实值。由于真实值可划分为N、P、S1、S2四类，目标函数需同步优化分类与回归性能。

Methods

多阶段无袖带连续血压估计方法如图1所示：首先通过RC Net对PPG信号进行层级特征提取与多尺度聚合，结合坐标注意力机制捕获空间依赖性；随后将分类后的PPG-ECG信号输入特定MODA Net，其动态加权多算子（DWMO）层模仿人脑多视角信息处理机制，通过轻量化注意力与交叉指导策略自适应调整算子响应，精准建模个体特异性。

Materials and pre-treatment

实验数据源自MIMIC数据集同步采集的PPG、ECG及血压信号，采样率125 Hz，经UCI机器学习库标准化处理。最终纳入12,000条完整记录，按7:2:1划分训练集、验证集与测试集，并采用滑动窗口生成10秒片段作为模型输入。

Results of RC Net in the classification phase

RC Net在分类阶段表现卓越（表2）：四类受试者准确率（Acc）达91.88%，灵敏度（Sen）与特异性（Spe）分别高达98.23%和97.73%，精确率（Pre）和F1分数分别为92.64%与92.40%，证明其能有效区分高血压阶段且假阳性/假阴性率极低。

The importance of classification phase in multi-stage methods

消融实验验证分类阶段必要性（表6）：移除分类环节后，MAE显著上升2.32 mmHg，RMSE增加2.88 mmHg，标准差（STD）扩大1.97 mmHg，证实类别特异性分离对提升模型泛化能力与估计精度具有关键作用。

Conclusions

本研究构建的多阶段框架成功克服受试者特异性挑战：RC Net通过深度语义增强实现高血压精准分期，MODA Net依托多算子动态融合机制解析个体生理特征，最终达成临床级无袖带连续血压估计，为个性化健康管理提供创新解决方案。