《Engineering Applications of Artificial Intelligence》：End-to-end deep learning approach for noninvasive intracranial pressure waveform estimation using fused electrocardiogram and arterial blood pressure signals
编辑推荐：
本研究提出一种基于心电图（ECG）和动脉血压（ABP）信号融合的改进Wave-U-Net模型，用于非侵入性颅内压（ICP）波形重建。实验表明，该模型在分段水平上与参考波形高度相关（Pearson系数0.932），并优于单通道ABP模型，但需注意结果受限于小样本和重叠滑动窗口，暂不具备临床应用价值。
作者：徐曦、张佩绵、孙思
单位：广州大学黄埔研究院，广州大学计算科学技术学院，中国广州
摘要
持续监测颅内压（ICP）是管理神经性疾病（如创伤性脑损伤、蛛网膜下腔出血和硬膜下血肿）的重要目标；然而，可靠地非侵入性地重建详细的ICP波形仍然具有挑战性。在这项研究中，我们提出了一个端到端的深度学习框架，用于ICP波形估计，该框架在受控的离线实验环境中融合了心电图（ECG）和动脉血压（ABP）信号。使用了公开可用的多参数生理记录数据，其中包含同步的ECG、ABP和ICP信号。经过标准化预处理、固定长度滑动窗口分割、归一化以及基于ECG-ABP峰值的相位对齐后，信号片段被输入到改进的Wave-U-Net模型中进行监督ICP波形回归。模型训练采用了动态加权的复合损失函数，旨在稳定波形重建并保持时间和形态的一致性。在针对特定受试者的验证协议下，所提出的框架在保留的受试者数据上实现了高水平的估计与参考ICP波形一致性，皮尔逊相关系数为0.932，并且在离线评估协议下表现出较低的重建误差。比较分析进一步表明，与仅使用ABP的模型相比，结合ECG可以改善相位对齐和细粒度波形重建。鉴于样本量有限以及使用了高度重叠的滑动窗口，报告的结果不应被解释为具有普遍适用性或直接临床应用性的证据。相反，这项工作是一项方法学可行性研究，展示了多模态生理信号融合在ICP波形估计中的潜力，并为使用更大、更多样化的数据集进行未来研究提供了动力。
引言
心血管和脑血管疾病是对人类健康的最大威胁之一（Wang等人，2024年；Bao等人，2020年；Pu等人，2025年）。因此，监测相关的生理指标至关重要。颅内压（ICP）是一个关键的生理参数，反映了颅内环境的稳定性和脑血流状态。现有研究和临床实践都表明，动态监测ICP对于管理神经性疾病（包括创伤性脑损伤、蛛网膜下腔出血和硬膜下血肿）至关重要（Shields等人，1984年；Chesnut等人，2012年）。ICP持续升高会导致脑灌注压降低，可能引发缺血性损伤（Miller等人，1977年；Marmarou，2007年）。此外，代谢或循环功能的异常通常先于ICP的显著升高（Belli等人，2008年）。因此，当前的临床指南广泛建议对严重创伤性脑损伤患者进行持续ICP监测，以指导治疗策略并降低死亡率。
目前，ICP监测的临床金标准仍然是侵入性测量，这需要插入装有压力传感器的导管（Chesnut等人，2012年）。尽管这些方法提供了高精度和连续的ICP波形监测，但它们技术复杂，需要神经外科干预，并可能带来感染（2%–20%）、出血（约0.5%）和探头故障或移位（3%–6%）等重大并发症风险（de Andrade等人，2025年；He等人，2023年）。此外，对于患有严重凝血障碍的患者，侵入性程序存在极端风险，在资源有限的环境或高风险人群中往往不可行（Rajajee，2024年）。这些限制促使人们越来越关注开发安全的非侵入性ICP监测方法（Lei等人，2024年）。
现有的非侵入性ICP估计技术大致可分为两类：
•基于解剖学的方法，通过磁共振成像、计算机断层扫描、眼底检查或视盘水肿观察等间接推断ICP（Rosenberg等人，2011年；Evensen和Eide，2020年；Robba等人，2016年）；
•基于生理学的方法，依赖于可测量的生理信号，如经颅多普勒和鼓膜位移。
然而，基于解剖学的方法需要昂贵的成像设备，因此无法支持连续的床边监测（Evensen和Eide，2020年）。生理学方法虽然更易于获取，但严重依赖于手动操作，并且存在操作者内和操作者间的差异，这限制了其可重复性和准确性（Raboel等人，2012年）。因此，目前无论是解剖学方法还是传统的生理学方法都无法实现长期、连续的ICP监测。
近年来，人工智能技术在医学领域展现出强大的能力，包括医学图像处理（Luan等人，2023年；Yu等人，2023年）、老年医疗保健（Ou等人，2024年；Li等人，2024年）、治疗评估（Ma等人，2024年；Zhang等人，2025a；Li等人，2025年；Chen等人，2025年）、医疗数据安全（Xu等人，2025年）、脑分析（Zhan等人，2025年；Wan等人，2024年；Zhang等人，2025b；Sangeetha等人，2024年；Chen等人，2026年）以及其他波形数据分析（Li和Wang，2025年；Xiong等人，2025年）。
动脉血压（ABP）信号作为一种常规监测的临床指标，通过与ICP共享的血流动力学机制而紧密相关。其收缩压和舒张压的变化可以间接反映颅内顺应性和脑血管阻力的变化（Lei等人，2024年）。随着AI技术在生物医学信号处理方面的快速发展，基于AI的模型对患者特定ABP信号进行ICP估计已成为一种有前景且可行的方法。先前的研究表明，通过从ABP信号中提取时域、频域和形态特征，并将其与传统的回归模型或深度神经网络结合，可以估计平均ICP（MICP），甚至重建连续的ICP波形。例如，Lei等人（2024年）基于ABP信号设计了一个Wave-U-Net模型，并在ICP波形重建准确性方面取得了显著改进。然而，仅依赖ABP的模型在心脏功能障碍、外周血管阻力变化或呼吸干扰等条件下表现有限，其预测性能往往会显著下降（Nair等人，2024年；Jaishankar等人，2020年）。
为了提高模型的稳定性和泛化能力，研究人员引入了多变量模型。例如，Shieh等人（2004年）将脑血流速度（CBFV）、呼气末CO2和区域脑氧合作为输入特征。Chacon等人（Chacón等人，2010年）开发了一个基于支持向量机的模型，利用ABP和CBFV信号，在5秒和10秒窗口长度上实现了标准化的平均绝对误差。尽管这些方法在预测准确性方面取得了显著改进，但它们对专门生理参数的依赖通常需要复杂或昂贵的采集设备，这限制了它们在临床环境中的适用性。因此，一个能够提供互补信息同时保持临床可访问性的多模态ICP估计框架是迫切需要的。
心电图（ECG）作为一种常规监测的临床信号，直接反映了心脏的电生理节律和电活动。R-R间期、心率变异性（HRV）和P-QRS-T复合波形的形态与血压波动和脑血流调节机制密切相关。特别是HRV已被广泛用于评估血压变异性的自主调节（心率变异性，1996年）。
然而，据我们所知，到目前为止，还没有研究专门评估结合ECG和ABP双通道输入对ICP波形预测的价值。与单独使用ABP不同，ECG提供了关于心脏周期节律和电活动的详细信息，这可以增强ICP波形估计中的相位同步和时间对齐。这种互补信息对于识别颅内代偿过程中的短期节律性干扰或病理波动特别有价值——这些现象仅使用血流动力学信号难以捕捉。因此，ECG-ABP融合为构建能够进行相位同步的连续波形重建的ICP预测模型提供了有前景的新视角。
基于这一背景，本研究提出了一个端到端的深度学习框架，该框架在改进的Wave-U-Net架构中整合了ECG和ABP双通道输入，以非侵入性地估计连续ICP波形。该方法在公开可用的Cerebral Hemodynamic Autoregulatory Information System（CHARIS）数据库上进行了验证，该数据库包括同步记录的侵入性ICP、ABP和ECG信号。数据集经过了质量过滤、低通过滤、分割和基于ECG-ABP峰值的相位对齐，以确保信号的一致性和可靠性。
与仅使用ABP信号的先前方法相比，我们的方法在多个评估指标（包括皮尔逊相关系数（PCC）和平均绝对误差（MAE）上表现更优，并在估计收缩压、舒张压和MICP方面显示出明显优势。这项研究系统地验证了ECG-ABP融合在ICP波形预测中的有效性，并为开发低风险、高精度和长期非侵入性ICP监测系统建立了一条新的技术路径。
方法
本节详细描述了数据集、预处理流程、模型架构、训练程序和评估协议，以便于复制。
结果
本研究采用了改进的Wave-U-Net模型，该模型具有双通道ECG和ABP输入，用于预测连续ICP波形。为了全面评估模型性能，我们从三个角度分析了结果：总体预测准确性、波形重建能力和临床相关特征的估计准确性（收缩压ICP、舒张压ICP和平均ICP）。
讨论
本研究提出了一个基于ECG和ABP双通道融合的一维Wave-U-Net模型，用于预测和重建连续ICP波形。通过跨受试者验证和全面的可视化分析，系统地评估了模型的性能，包括总体准确性、波形重建能力和临床特征估计，并与单通道基线进行了比较，以评估ECG整合的贡献。
结论
总结来说，本研究提出了一个基于改进的Wave-U-Net的深度学习框架，该框架在受控的离线条件下将ECG和ABP作为双通道输入进行非侵入性ICP波形重建。实验结果表明，所提出的方法能够在研究的数据集中实现准确的ICP波形重建，捕捉到收缩压、舒张压和平均ICP等关键波形特征。
比较分析表明，结合
CRediT作者贡献声明
徐曦：撰写——原始草稿、方法学、研究。张佩绵：数据整理。孙思：撰写——审稿与编辑、监督、概念化。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能会影响本文报告的工作。
致谢
本工作得到了国家自然科学基金的支持，授予编号为62202112的资助。
