自适应生理子空间重组与血流动力学特征编码：基于光电容积脉搏图的无袖带血压估测方法

《Digital Signal Processing》：Adaptive Physiological Subspace Reorganization and Hemodynamic Feature Encoding for Cuffless Blood Pressure Estimation from Photoplethysmography

无袖带血压估计需解决生理特征解耦、个体差异和实际条件鲁棒性不足问题。本文提出混合两阶段框架，第一阶段通过自监督对比学习构建紧凑表示，结合核密度自适应分箱和分离超平面专家迁移保留局部边界结构，同时利用耦合通道-空间注意力机制的全状态血流动力学编码提取多尺度特征，与先验生理特征融合；第二阶段采用随机森林回归器映射融合特征到血压值。实验表明，该方法在多个临床数据集上将收缩压和舒张压估计误差分别降低22.7%和19.3%，满足AAMI/ESH标准，并在1071人次社区实地研究中验证稳定性。

　　

赵青心|张泽星|卢慧敏

长春工业大学计算机科学与工程学院，吉林长春，130102，中国

摘要

目前基于光电容积法的无袖带血压估计技术仍面临关键挑战，包括生理特征分离不完全、不同受试者之间的血压分布差异以及在实际采集条件下的鲁棒性有限。为了解决这些问题，我们提出了一个混合两阶段框架，该框架结合了自适应生理子空间重组和血流动力学特征编码。在第一阶段，模型执行特征学习和融合：使用自监督对比学习构建紧凑的表示，基于核密度的自适应分箱和分离超平面引导的专家迁移保留了血压子空间之间的局部边界结构，而全状态空间血流动力学编码与耦合的通道-空间注意力提取的信息嵌入与先前的生理特征融合。在第二阶段，下游随机森林回归器将融合的特征映射到收缩压和舒张压。在广泛的数据集上，所提出的方法将收缩压的估计误差降低了22.7%，舒张压的估计误差降低了19.3%，满足了AAMI/ESH标准。此外，其实用性得到了1,071人次社区实地研究的支持，证明了其在不受控制环境中的稳定性能。

引言

光电容积法（PPG）由于其低成本、易于集成和连续监测的能力，已成为可穿戴系统中无袖带血压（BP）估计的关键传感方式[1]、[2]、[3]、[4]。与传统袖带测量方法相比，PPG通过单个光学通道捕获外周血容量动态，因此适用于长期、非侵入性的血压监测[5]、[6]。随着可穿戴设备的快速发展和大型生理数据库的建立，基于PPG的血压估计在早期高血压筛查和个性化慢性病管理方面显示出巨大潜力[7]、[8]、[9]、[10]、[11]。

仅从PPG进行血压估计的理论基础是血流动力学耦合：血压的变化会改变血管顺应性、脉波传播/反射和外周阻力，从而重塑PPG的形态和时间结构[5]、[12]、[13]、[14]。因此，从波形中得到的属性（如上升时间、脉宽、幅度比和频谱特征）携带了与血压相关的信息，为从单通道PPG推断收缩压（SBP）和舒张压（DBP）提供了可行的途径[6]、[12]、[15]。核心挑战不在于是否存在有用信息，而在于如何在实际采集条件下稳健且一致地提取与血压相关的结构。

尽管在生理上可行，但目前的方法仍面临三个核心瓶颈。首先，特征构建通常是模板驱动的或纯粹基于相关性的。显式方法具有可解释性，但依赖于静态的手工制作的模板，这些模板在姿势、压力和受试者差异下可能会退化[12]、[16]、[17]。隐式深度编码器提高了拟合能力，但可能会将生理因素和干扰因素混在一起，导致学习空间中的生理约束较弱[13]、[18]、[19]、[20]。其次，跨受试者的异质性和跨数据集的分布变化仍未得到充分处理[3]、[21]、[22]。现有的对齐和迁移策略主要优化了全局相似性，很少模拟临床不同血压区域之间的局部边界转换，这可能导致子空间边界附近的语义混淆[23]、[24]、[25]、[26]。第三，尽管注意力机制和基于图的机制提高了性能，但它们大多作为通用的隐式加权，没有明确地将多尺度血流动力学结构（例如形态、导数和相位关系）组织成生理上连贯的表示[14]、[27]、[28]、[29]。

这些差距直接激发了我们的设计灵感。我们的目标是构建一个基于生理学的、具有边界意识的、可泛化的框架：血流动力学特征编码以保持机制相关性，自适应子空间重组以模拟异质血压状态及其边界，以及鲁棒的下游回归以提高跨数据集的稳定性。基于这一动机，我们构建了一个基于自适应生理子空间重组和血流动力学特征编码的混合两阶段血压预测框架。具体贡献包括：

•

我们提出了一种新的自适应空间重组方法，首次实现了跨异质生理子空间的统一层次建模。我们的方法结合了分离超平面和基于核密度的自适应分箱算法，有效划分了特征空间并稳健地处理了多样化的患者数据。

•

我们开发了一个状态空间血流动力学特征编码框架，自动化了层次化特征选择和压缩，同时强调了多尺度生理结构和区域交互。这种结构化的表示提高了可解释性，并支持了稳健的血压建模。

•

我们通过有效的预训练和对比学习策略证明了其实用性和高泛化能力。该模型不仅在广泛的临床数据集上取得了优越的性能（符合AAMI和ESH标准¹），而且通过涉及1,071人次的大规模实际研究验证了其在不受控制社区环境中的稳定性。

小节片段

用于无袖带血压的PPG监测

在无袖带血压监测研究中，研究人员已将基于光电容积法（PPG）的血压估计确定为实现连续、便携和非侵入性测量的关键方向[16]、[30]。PPG信号反映了血流动力学特征，如血管顺应性、每搏输出量和外周阻力，从而为个体化和连续的血压估计提供了可行的途径。然而，由于PPG记录受到多种因素的影响

概述

所提出的血压估计框架如图1所示，以一批预处理过的PPG信号序列作为输入，$X\to {\stackrel{?}{Z}}_c$，状态空间血流动力学特征编码（SHFE）X?→?Z_s，先验特征选择X?→?Z_p，以及最终回归$[{\stackrel{?}{Z}}_c\parallel Z_s\parallel Z_p]\to \hat{y}$

数据集和预处理

我们采用跨数据集验证策略来评估模型的泛化能力，使用大规模的ICU数据库MIMIC-III [69]作为唯一的训练来源。测试分别在四个独立的公共数据集上进行：PTT、BCG、UCI和BioMTL。其中，来自PhysioNet的PTT数据集包含22名健康受试者的PPG和连续血压信号。UCI数据集是MIMIC-II数据库的子集，提供了高质量且信号对齐的数据

紧凑编码空间

在模型框架中，SSCE模块的核心任务是学习和转换预处理后的（N, 600）维PPG输入信号，将其转换为紧凑且信息丰富的（N, 32）维特征。实验数据（如表4中的SSCE行所示）表明，引入SSCE模块为下游任务提供了更高质量的特征基础，从而提高了血压预测的准确性和稳定性。具体来说，在BCG数据集上，仅添加

结论

我们提出了一个基于PPG的血压估计新框架，旨在解决生理特征分离和自适应动态建模的关键挑战。该框架的创新主要体现在两个方面。首先，它采用全状态空间血流动力学编码来发现和压缩预测生物标志物，超越了传统的手工制作描述符。其次，它引入了一种自适应空间重组方法，有效地构建了一个统一的

CRediT作者贡献声明

赵青心：概念化、方法论、软件、写作——原始草稿。张泽星：写作——审阅与编辑。卢慧敏：监督、资金获取、写作——审阅与编辑。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。