一种用于连续无袖带血压波形估计的双输出生理学知情神经网络架构：概念验证

《Artery Research》：A Dual-Output Physiology-Informed Neural Network Architecture for Continuous Cuffless Blood Pressure Waveform Estimation: A Proof?of?Concept

　　

本试点研究介绍了首个用于准确估计全血压（BP）波形的特定受试者生理学知情神经网络方法。该方法基于非线性自回归外生输入（NARX）模型，通过在特定受试者的心电图（ECG）和光电容积脉搏波（PPG）信号上训练的人工神经网络实现。评估了三种模型配置：（1）在30分钟数据上训练的参考NARX模型，（2）在15分钟数据上训练的减少数据量NARX模型，以及（3）同样在15分钟数据上训练的生理学知情模型（NARXphysio），该模型通过双输出损失函数将个性化的四参数BP-PPG sigmoid层纳入训练过程，同时估计BP和PPG波形。通过将BP-PPG生理学直接嵌入训练，该架构确保了内部生理一致性——这是现有基于PPG或纯粹数据驱动的机器学习方法未能实现的。所有三个模型在一个小型（n=5）但丰富的数据集上进行了评估，覆盖了超过六小时的日常活动。尽管仅使用基线NARX模型一半的训练时长，生理学知情方法仍保持了准确的BP估计。除了提高准确性外，sigmoid层提供了具有生理可解释性的参数，包括本研究中平均36.5 mmHg的估计动脉顺应性曲线宽度和平均59 mmHg的估计PPG接触压，提供了标准神经网络模型无法获得的见解。总之，这些初步结果表明，NARXphysio模型能够以有限的训练数据有效实现无袖带BP波形估计的个性化，突出了其提高连续无袖带BP监测可靠性和临床相关性的潜力。

本研究发表于《Artery Research》。研究背景方面，高血压是全球死亡的主要原因之一，即使收缩压（SBP）低至130 mmHg，心脏病风险也较100 mmHg时增加81%。然而仅21%的高血压患者得到满意治疗控制，近46%未被诊断。当前参考方法的动态血压监测（ABPM）使用袖带每20至30分钟测量一次，因不适和实用限制难以长期日常使用。无袖带血压监测设备作为替代方案前景广阔，其中脉搏波分析（PWA）结合脉搏到达时间（PAT）最常用，通常依赖光电容积脉搏波（PPG）或张力测定法提取特征估计SBP和舒张压（DBP）。但近期研究对基于人群的PWA模型在校准后追踪BP变化的能力提出质疑，因为PPG受多种特定受试者生理影响。特定受试者模型虽必要，但随着模型复杂度增加，所需训练数据量也显著增加。现有基于非线性自回归外生输入（NARX）的特定受试者全BP波形估计需复杂训练数据（前后各15分钟共30分钟），限制了临床应用。因此，研究人员开展本研究，提出双输出生理学知情神经网络架构，旨在将特定受试者模型训练数据量减少至仅起始15分钟，同时保持或提高精度，并实现生理可解释性。

为开展研究，关键技术方法如下：使用先前发表协议收集的包含五名健康成人（四名男性，年龄28±6.6岁）的数据集，该数据集来自IEEE DataPort，经滑铁卢大学伦理委员会批准，连续监测约6.5小时，包含日常活动，使用Astroskin穿戴式背心采集额头PPG和心电图（ECG），Finapres? BP以64 Hz采集。构建三种模型配置：参考NARX_30min（30分钟训练）、减少数据NARX_15min（15分钟训练）、生理学知情NARX_physio（15分钟训练，嵌入个性化四参数BP-PPG sigmoid层，采用双输出损失函数L_Total=L_BP+L_PPG，其中L_BP=α·MSE_BP+ν·MAE_BP，L_PPG=β·MSE_PPG+γ·MSE_ΔPPG，系数α=ν=0.5，β=0.05，γ=0.005）。此外设均值训练数据（MTD）模型作对照。信号经质量评估同步剔除伪影，性能在六小时未见日常活动数据上评估，计算SBP和DBP的MAE、Pearson相关系数（r）、均值误差（μ_Err）、误差标准差（σ_Err），并按坐、站、行走分割测试集评估不同活动下表现，提取sigmoid层参数b'（动脉顺应性曲线宽度相关）和c'（PPG接触压相关）并计算导数半高全宽（FWHM≈3.53b'）。

研究结果部分：

Results

图2显示NARX_physio在不同场景下复现BP波形形态的能力，能准确估计收缩期峰值和舒张期谷值，其MAE（如2.2、2.3、1.4、3.04 mmHg）低于NARX_15min（6.2、5.1、4.2、5.66 mmHg）。图3显示NARX_physio生成的估计PPG与测量信号形态一致（归一化MAE=0.4，全体参与者平均0.79±0.20）。图4的20分钟移动平均误差显示所有模型误差有界无发散，NARX_15min随时间呈负偏倚，NARX_physio更集中于零附近，稳定性改善。图5显示仅15分钟训练的NARX_physio精度高于30分钟训练的NARX_30min，SBP MAE为4.92±5.7 mmHg（NARX_30min为5.77±6.59 mmHg），DBP为4.4±4.96 mmHg（NARX_30min为4.58±5.54 mmHg）；消融研究移除MSE_ΔPPG或MSE_PPG导致MAE升高（SBP分别为6.51±8.05和6.68±8.23 mmHg，DBP相应升高），证明两部分均贡献性能；NARX_physio的MAE与MTD相比有近乎显著差异（p=0.009）。Pearson相关系数（r）显示NARX_physio相较NARX_15min时间对齐更好，但DBP的r较NARX_30min略降。MTD因模拟单次袖带测量无法捕捉日常BP大变异，σ_Err大。表1显示各受试者NARX_physio的σ_Err始终低于测试期BP标准差。图6显示活动条件下（坐、站、走）MAE和误差变异性从坐到活动增加，坐时NARX_physio变异性降低更稳健，SBP改善更一致，DBP相当。图7显示去标准化参数c'（平均99 mmHg，考虑 hydrostatic pressure差异推算平均PPG接触压59 mmHg）、b'及FWHM（平均36.5 mmHg）个体间变异性大。

讨论部分总结：研究人员讨论提出生理学知情NARX_physio利用已知BP-PPG sigmoid关系增强估计，与通过损失函数正则化嵌入生理约束的物理知情神经网络不同，本法通过显式BP-PPG关系直接嵌入模型架构，首次展示双输出神经网络整合生理原理与全BP波形提高精度。其sigmoid函数参数具特定受试者性，c'平均99 mmHg反映接触压约59 mmHg（额头较心位低约40 mmHg hydrostatic pressure），FWHM平均36.5 mmHg与既往手指动脉研究33.4 mmHg可比，支持生理相关性。NARX_physio通过双输出损失链接生理模型与NARX，将数据需求减半且优于30分钟NARX_30min，SBP改善更显著，DBP相当；站立因坐站转换快速BP变化变异性大，坐姿稳定故NARX_physio变异性低。相关系数看似中等（SBP 0.43–0.72）因日常BP自然变异小（SD 6.86–9.83 mmHg）相对测量噪声受限，但优于既往PAT模型（≈0.2–0.4），图2显示能追踪全波形包括重搏切迹，但Valsalva动作时因外周血管收缩低估切迹，未来需改进粘弹性表示。NARX_15min负偏倚，NARX_physio更稳，但6小时无法评估24小时漂移。PPG估计误差可作不确定指标触发再校准，未来测接触压改经膜压模型。超参数探索选跨受试者稳定配置，纯MSE或MAE不及混合，PPG生理惩罚稳训练，消融证其互补；L2与dropout易欠拟合。局限为n=5小样本，数据集虽独特（6小时日常连续波形，Portapres?已停产难复制）但缺剧烈运动、低血压、夜间BP，既往NARX验中高强度运动但未用此处；15分钟下限受协议BP变异限，需专设协议探最小校准时。特定受试者模型虽限泛化，但可能是连续BP监测唯一可行法，本研究奠基减少其数据需求，使临床24小时监测前短时校准可行。

结论部分翻译：本试点研究表明，双输出生理学知情NARX模型在以其非生理学知情对应模型一半的数据训练时，能在六小时日常生活期内保持准确的BP估计。这是通过双输出损失函数将固有的个性化四参数BP-PPG sigmoid层纳入神经网络训练过程，同时估计BP和PPG波形来实现的。未来工作将侧重于实施更先进的BP-PPG关系粘弹性模型，利用估计的PPG信号进行模型重新校准，并在更大更多样人群中验证模型以确保个体间的可靠性。

需要我帮你把这篇论文解读里的关键专业术语（如NARX_physio、FWHM等）整理成一份带简要解释的术语表吗？