《Electronics》:A Pulse-Feature LSTM Framework with Temporal Variance-Based Prediction Filtering for rPPG-Based Blood Pressure Estimation
编辑推荐:
摘要翻译:基于远程光电容积描记(rPPG)的无接触血压(BP)估计可能产生不稳定的窗口级预测。本研究将脉冲特征长短期记忆(LSTM)估计器与基于时间方差的预测滤波相结合。研究人员从rPPG波形及其一阶和二阶导数中提取52个特征,并将其排列为滑动窗口序列,用于收
摘要翻译:基于远程光电容积描记(rPPG)的无接触血压(BP)估计可能产生不稳定的窗口级预测。本研究将脉冲特征长短期记忆(LSTM)估计器与基于时间方差的预测滤波相结合。研究人员从rPPG波形及其一阶和二阶导数中提取52个特征,并将其排列为滑动窗口序列,用于收缩压(SBP)和舒张压(DBP)估计。该滤波在不使用地面真值BP值的情况下,从按时间排序的预测序列中选择局部稳定的预测。性能首先在10次重复的受试者依赖随机区组实验中进行评估。滤波将SBP平均绝对误差(MAE)从7.04±1.52 mmHg降至5.34±1.62 mmHg,DBP MAE从4.63±1.32 mmHg降至3.07±0.97 mmHg,同时保留了76.39±7.59%的预测。在受试者依赖设置下,受试者特定均值预测器也具有竞争力,并在完全覆盖下实现了比滤波后LSTM更低的DBP MAE。按时间顺序的滚动原点评估和留一受试者交叉验证(LOSO)进一步表明,对于同一受试者的较晚时间间隔,改进持续存在,但对于未见过的受试者则未持续。由于该滤波仅作用于模型输出,既不需要额外的可训练参数,也不需要模型重训练。这些发现展示了在受试者内rPPG血压估计中低开销的精度-覆盖率权衡,而受试者独立泛化能力仍然有限。
论文解读:基于时间方差预测滤波的脉冲特征LSTM框架用于rPPG血压估计
一、研究背景与问题
血压(BP)是临床诊断和健康监测中的关键生理指标,其连续变化与血管弹性、心输出量、外周阻力和自主神经反应密切相关。传统的袖带式血压测量方法只能提供离散时间点的读数,且重复测量会引起不适,难以实现长期连续监测。光电容积描记(PPG)作为一种光学测量技术,可通过血液容积变化反映心血管状态,已被广泛用于血压估计研究。然而,接触式PPG需要将传感器贴附于手指、手腕或耳垂等部位,长时间使用存在不适感和运动伪迹。远程光电容积描记(rPPG)通过摄像头捕捉面部皮肤颜色的细微变化来恢复脉搏波信号,可实现完全非接触的生理监测。然而,rPPG信号容易受到光照变化、面部运动、感兴趣区域(ROI)选择和视频噪声的影响,导致基于rPPG的血压估计不仅面临输入信号质量下降,还可能产生异常的窗口级预测波动。在连续监测场景中,即使模型整体平均误差较低,特定窗口的预测也可能严重偏离真实值。由于rPPG血压估计通常从多个重叠窗口重复生成预测,最终输出可视为按时间排序的窗口级预测序列。相邻窗口共享大量相同或相似的rPPG片段,在没有剧烈生理变化的情况下,预测值应在短时间内保持较低的时间方差。若相邻预测在短时间窗口内剧烈波动,则表明该段预测可能因信号质量下降或模型不稳定而缺乏时间稳定性。因此,需要一种事后处理策略,基于预测序列的时间变异性来筛选稳定的预测片段,而非简单地对所有预测进行平滑。
二、研究内容与主要技术方法
研究人员提出了一种基于时间方差的预测级滤波方法,用于rPPG脉冲特征长短期记忆(LSTM)模型生成的窗口级收缩压(SBP)和舒张压(DBP)预测序列。该研究使用了莱比锡大学医院公开的rPPG血压数据集,包含17位受试者和7851条七秒rPPG记录,数据已经过0.5–8.0 Hz带通滤波以及信噪比(SNR)筛选。主要技术方法包括:从rPPG波形及其一阶和二阶导数中提取52维脉冲级特征;采用滑动窗口(窗口大小40个脉冲,步长10个脉冲)构建LSTM输入序列;构建双向LSTM、堆叠LSTM层、注意力机制和全连接层组成的网络结构,同时预测SBP和DBP;提出基于重叠块方差分析和逐点移除分析的时间方差滤波算法,对预测序列进行选择。该滤波仅使用模型输出,不需要地面真值,无附加可训练参数,无需模型重训练。研究在受试者依赖随机区组协议下进行了10次重复实验,并采用滚动原点协议和留一受试者交叉验证(LOSO)评估时序泛化能力,还对比了传统平滑方法、覆盖率匹配的随机拒绝控制、输入级信号质量指标(SQI)拒绝以及多种回归模型。
三、研究结果
3.1 整体性能比较:在10次重复受试者依赖实验中,传统平滑方法(移动平均、中值滤波、低通滤波)均较原始预测降低了MAE和误差标准差。时间方差滤波在保留76.39%预测的情况下,将SBP MAE从7.04 mmHg降至5.34 mmHg,DBP MAE从4.63 mmHg降至3.07 mmHg,误差SD也相应降低。散点图显示被保留的预测更紧密地分布在对角线附近,而被丢弃的预测误差较大。
3.2 覆盖率匹配对照与保留/丢弃子集分析:随机拒绝对照的结果接近原始预测,表明单纯减少覆盖率不能解释误差降低。Hampel识别器在相同覆盖率下误差高于所提方法。被丢弃子集的SBP和DBP MAE分别高达12.09和9.49 mmHg,明显高于保留子集,证实被排除的预测平均而言是更困难的样本。
3.3 参数敏感性与参考序列变异性:参考窗口标签序列的时间方差显著低于原始预测序列,因为窗口标签是40个脉冲的平均值且相邻窗口有75%重叠。块大小C和方差阈值τ均影响滤波行为,在评估的块大小中C=4在较宽阈值范围内表现出最低或接近最低的MAE和误差SD。随着τ减小,滤波更严格,MAE和误差SD下降但保留率也下降,显示了误差-覆盖率之间的明确权衡。
3.4 时序与受试者独立评估:滚动原点协议下误差高于随机区组协议,但滤波仍然降低了同一受试者较晚时间间隔的MAE和误差SD。LOSO方案下,原始SBP和DBP MAE分别增至15.96和12.11 mmHg,滤波未能改善MAE,表明该方法对未见过的受试者没有泛化优势。
3.5 朴素预测器、替代回归器与SQI拒绝比较:在共同数据划分下,受试者特定训练块均值预测器在DBP MAE和误差SD上优于原始LSTM,表明受试者特定BP偏移在受试者依赖设置中贡献显著。时间方差滤波可降低Ridge回归、梯度提升树和LSTM输出的误差,但滤波LSTM仍优于其他两个滤波回归器。与输入级SQI(模板相关和偏度)相比,在所提出的时间方差滤波在相似覆盖率下取得了更低的MAE和误差SD。
3.6 残差、偏差与一致性分析:原始和滤波预测的符号平均误差均小而正。滤波后95%一致性界限变窄,与误差SD降低一致。残差图显示一些被丢弃的预测具有较大的正负误差,但保留预测中也存在非零残差,说明时间稳定性不保证每个窗口的准确性。
3.7 受试者个体结果:各受试者的保留率从22.5%到97.5%不等,滤波并非对所有受试者的两个目标都改善,表明总体保留率不代表均匀的个体覆盖。
3.8 计算特性:LSTM含1,669,026个可训练参数,序列化模型大小为20.11 MB,GPU上单窗口推理时间约为1.44 ms;滤波阶段无可训练参数,处理完整测试预测序列约需0.94 ms(每预测约0.026 ms)。首次滤波决策需要4个连续窗口预测,基于平均步长7.56 s,约需额外22.7 s延迟。
四、讨论与结论
讨论部分指出,时间方差滤波选择原始预测的子集而非修正整个序列,保留了76.39%的预测,意味着约四分之三的窗口级预测满足时间稳定性标准。这种精度-覆盖率权衡在实际系统中可用于标记不稳定的输出以触发重新采集或重复测量。滚动原点评估显示滤波对同一受试者的较晚时间间隔有效,但LOSO评估中滤波未改善未见受试者的MAE,说明输出序列的时间稳定性不能解决受试者独立的系统误差。参考标签平滑度高于原始预测,且被丢弃子集误差较大,但真实的快速血压变化也可能产生高时间方差而被丢弃,因此需要具有验证性快速血压转变记录的进一步验证。敏感性分析表明C和工τ控制覆盖率与误差的平衡,不存在单一通用最优设置。输入级SQI与输出级预测稳定性捕捉了估计过程的不同方面,未来可研究联合选择策略。该方法计算开销低,可用于不同估计器,但当前研究受限于受试者数量少、个体覆盖不均和缺乏外部数据集验证。
研究结论为:时间方差滤波基于重叠预测块比较累积的保留候选和移除候选计数,无需地面真值,无需额外参数或重训练。在主要受试者依赖实验中,SBP MAE从7.04降至5.34 mmHg,DBP MAE从4.63降至3.07 mmHg,保留了76.39%的预测。随机拒绝和覆盖率匹配的Hampel识别器未能复现该改进,且被丢弃子集误差显著更大。该方法应被理解为一种低开销的时间稳定性选择程序,用于调整现有预测序列的精度-覆盖率特征,而非校准的置信度估计器或受试者独立血压准确性的证据。未来需要在因果监测条件、验证过的快速血压变化期间以及更大的外部数据集上进行进一步验证。该论文发表在《Electronics》。