《Computers》：PPG-FusionNet: A Dual-Branch Neural Architecture for Cuffless Blood Pressure Estimation from Photoplethysmography
编辑推荐：
高血压是心血管疾病的主要危险因素，然而无袖带血压监测仍然具有挑战性，因为大多数现有方法依赖于间歇性袖带测量或多模态生理信号。本工作提出PPG-FusionNet，一种双分支深度学习架构，仅使用光电容积脉搏波（PPG）信号即可同时估计收缩压和舒张压。该模型结合了
高血压是心血管疾病的主要危险因素，然而无袖带血压监测仍然具有挑战性，因为大多数现有方法依赖于间歇性袖带测量或多模态生理信号。本工作提出PPG-FusionNet，一种双分支深度学习架构，仅使用光电容积脉搏波（PPG）信号即可同时估计收缩压和舒张压。该模型结合了一个局部膨胀卷积编码器和一个全局自相关编码器，二者作用于共享的块嵌入（patch embedding）上，其表示通过交叉注意力融合进行整合，并通过受约束的双头回归目标进行优化。该模型在PulseDB基准上使用贝叶斯超参数优化和系统性消融研究进行训练和评估，以评估每个架构组件。PPG-FusionNet对收缩压的平均绝对误差为7.46 mmHg，对舒张压的平均绝对误差为4.72 mmHg，平均误差接近零，且符合ANSI/AAMI标准，舒张压估计达到BHS B级。消融实验表明，趋势-季节性分解尽管在长时程预测中取得成功，但在短PPG窗口上却降低了性能，而交叉注意力融合和自相关则提高了估计精度。这些结果表明，异构双分支表示学习为基于单一PPG传感器的无袖带血压估计提供了一种有效且可扩展的框架。
论文解读：PPG-FusionNet：基于单通道PPG的无袖带血压估计
**研究背景与问题**
高血压影响全球超过12.8亿成年人，是心血管疾病、卒中和过早死亡的主要可干预风险因素。常规血压测量依赖袖带式血压计，只能间歇性采集，需要临床环境或用户配合，不适合连续动态监测。因此，无法捕捉短暂高血压发作、昼夜血压变异及睡眠期间血流动力学波动，这构成了当前临床实践与现代精准医学要求之间的显著差距。光电容积脉搏波（photoplethysmography, PPG）是一种低成本光学技术，通过检测微血管床血容量变化来反映血流信息，已广泛用于脉搏血氧饱和度监测，并嵌入智能手表、手环等消费级设备。由于PPG波形编码了脉搏波速度、动脉顺应性、外周血管阻力等血流动力学信息，理论上可从其形态特征推断收缩压（systolic blood pressure, SBP）和舒张压（diastolic blood pressure, DBP）。然而，PPG测量的是血容量的光学相关量而非压力本身，其与血压的关系是间接、非线性且受个体动脉僵硬度等因素影响。现有机器学习方法要么依赖手工特征，要么需要结合心电图（electrocardiogram, ECG）等多模态信号，限制了单模态可穿戴设备的应用；且许多研究在仅数十至数百名受试者的小规模队列上验证，泛化性存疑。因此，开发一种仅依赖单通道PPG、可大规模验证的无袖带血压估计架构具有重要意义。
**研究目标与模型设计**
研究人员提出PPG-FusionNet，一种双分支深度神经网络架构，直接从原始单通道PPG波形同时估计SBP和DBP。该模型受Autoformer架构启发，首先将PPG信号标准化并划分为重叠块（patch）进行嵌入，得到共享的块嵌入表示。随后该表示分别输入两个结构异构的编码器：局部膨胀残差卷积编码器，用于捕获多尺度局部时域依赖；全局自相关编码器，在频域中通过自相关注意力机制建模跨时间滞后的周期结构，并辅以频谱特征门控。两个分支的输出经注意力池化后，通过交叉注意力融合机制整合，最终由共享主干和双输出头的回归器预测血压。训练目标采用Huber损失并附加生理约束惩罚（确保SBP>DBP且脉压≥5 mmHg）。数据来自PulseDB基准，该基准包含从MIMIC-III波形数据库和VitalDB数据库中提取的5361名受试者的5,245,454个高质量10秒PPG段。遵循PulseDB预定义协议，使用2506名受试者的训练子集，其中400段/人，按90%训练、10%校准测试划分，最终测试子集包含100,240段。超参数通过基于Tree-structured Parzen Estimator的贝叶斯搜索优化，并进行了系统消融研究。
**主要结果**
*回归性能*：在PulseDB校准测试子集上，PPG-FusionNet获得SBP的平均绝对误差（MAE）为7.46 mmHg，DBP的MAE为4.72 mmHg，平均误差（ME）分别为0.11和0.05 mmHg，接近零，表明无系统性群体偏差。Pearson相关系数对SBP为0.82，对DBP为0.79，决定系数（R2）显示模型解释了约66–70%的方差，剩余方差表明PPG形态未能完全编码血压决定因素。
*临床标准符合性*：DBP估计满足ANSI/AAMI SP10标准（ME≤5 mmHg，SD≤8 mmHg），并达到BHS B级；SBP估计因SD为11.59 mmHg未达到ANSI/AAMI标准（尽管ME为0.11 mmHg在±5 mmHg内），BHS等级为C级。文献中普遍存在DBP表现优于SBP的现象，部分因为相同绝对误差阈值对变异性更大的SBP施加了更严格的相对精度要求。
*年龄分层性能*：将受试者按年龄≤50和>50分组，使用同一模型评估。结果显示老年组SBP MAE从6.77 mmHg升至7.65 mmHg，DBP MAE从4.60 mmHg微升至4.76 mmHg，但临床分级不变，DBP仍符合ANSI/AAMI和BHS B级，SBP仍为C级，说明模型对年龄变化的稳健性。
*消融研究*：A1去除多尺度分解模块后，所有指标均改善，SBP MAE从8.36降至7.46 mmHg（降幅约11%），DBP MAE从5.29降至4.72 mmHg，SBP BHS等级从D提升至C，因此采用无分解配置作为最终架构。A2将交叉注意力融合替换为简单拼接，SBP MAE增加4.9%，DBP MAE增加4.7%，且DBP不再满足ANSI/AAMI标准；A3用标准自注意力替换自相关注意力，SBP MAE增加3.1%，DBP MAE增加2.8%，同样导致DBP不达标。消融结果表明，输入分解在短PPG窗口中有害，而交叉注意力融合和自相关注意力是性能增益的来源。
*误差分布与Bland–Altman分析*：散点图显示显著回归均值效应，SBP和DBP的估计-参考拟合斜率分别为0.71和0.69，表明模型低估高值、高估低值，可能漏检高血压危象。Bland–Altman图显示两种目标的人群平均偏倚接近零，95%一致性界限（LoA）为SBP：?14.92至14.92 mmHg；DBP：?9.23至9.23 mmHg。落在LoA外的点比例分别为5.4%和5.6%，略高于高斯假设下的5%，提示存在轻微重尾。
*与最新方法比较*：与仅使用原始PPG输入且无人工特征提取的方法相比，PPG-FusionNet的DBP MAE最低（4.72 mmHg），SBP MAE为7.46 mmHg且具有竞争力，同时两种目标的ME均接近零，校准性更优。相比最近仅用49名受试者验证的SleepBP-Net，PPG-FusionNet在2506名受试者上验证，稳健性和泛化性更强。
**讨论与结论**
研究证实了交叉注意力融合和频域自相关注意力的有效性，而推翻了趋势-季节分解在短时生理窗口中的适用性。分解被设计用于长时程预测，其硬性固定带宽分割会丢弃跨尺度信息，而联合训练的异构编码器可直接从共享表示中利用这些信息。局限性包括：测试子集与训练子集有受试者重叠，需要独立的受试者间评估；A2和A3消融是在带分解配置上进行的，未直接验证与最终无分解架构的交互；仅使用10秒固定窗口，未探索更长窗口的影响。未来方向包括独立验证、考虑年龄等人口统计学特征、更长的时域窗口，以及部署在腕戴式可穿戴设备、夜间监测和围手术期监护中。论文发表在《Computers》期刊上。总之，PPG-FusionNet仅使用单通道PPG即实现了符合临床标准的舒张压估计，为可穿戴设备和连续血压监测提供了可扩展的解决方案。
