Оценка переноса обучения между наборами данных для оценки артериального давления по фотоплетизмографии

Почему важно измерять давление без манжеты

Высокое артериальное давление — одна из ведущих причин инфарктов и инсультов, однако большинство людей проверяют его лишь время от времени с помощью манжеты у врача. В этом исследовании изучается, как носимые датчики и искусственный интеллект могут непрерывно оценивать давление без сдавливания руки, обучаясь на больших больничных базах данных и затем адаптируясь к новым устройствам, таким как смарт‑часы. Работа направлена на преодоление ключевого препятствия: как сделать так, чтобы алгоритмы, обученные в одном окружении, сохраняли хорошую работу при изменении датчика и условий съёмки.

От манжеты к оптическим методам

Традиционные манжеты для измерения давления надёжны, но неудобны для частого использования. Их нужно надувать до временной остановки кровотока, что может быть неприятно, и они дают лишь несколько измерений в день. Альтернатива — фотоплетизмография (PPG), которая использует небольшой источник света и детектор, как в пульсоксиметрах и носимых устройствах, чтобы фиксировать крошечные изменения объёма крови при каждом ударе сердца. Эти оптические волновые формы несут информацию, связанную с артериальным давлением, что открывает возможность безманжетного мониторинга, работающего в быту, дома или в движении.

Обучение алгоритма «читать» пульсовые волны

Вместо ручного выделения длинного списка математических признаков из сигналов PPG авторы используют модель глубокого обучения, которая извлекает закономерности напрямую из коротких, пятиминутных фрагментов (примечание: в оригинале — пятисекундных) формы сигнала. Они берут существующую архитектуру, сочетающую сверточные слои (хороши в распознавании форм) и рекуррентные слои (хороши в отслеживании временных закономерностей), затем оптимизируют её, уменьшив число обучаемых параметров более чем вдвое. Такое уменьшенное ядро сети проще обучать, когда для каждого человека доступно лишь несколько часов данных, при этом оно всё ещё захватывает сложные связи между формой пульсовой волны и артериальным давлением.

Как заставить модели, обученные в больнице, работать в других условиях

Главная трудность в том, что сигналы PPG меняются при смене оборудования, места регистрации или окружающей среды. Команда проверяет, может ли помочь «перенос обучения». Сначала они обучают нейросеть на данных из одной большой больничной базы, где у пациентов записывают PPG с кончика пальца и инвазивное артериальное давление непрерывно. Затем они докалибровывают (fine‑tune) лишь выбранные более глубокие слои модели для каждого нового человека, используя значительно меньший объём данных из второй, отдельно собранной базы. Такая межбазовая схема имитирует практическую ситуацию, когда компания начинает с общедоступных больничных данных, а затем адаптирует модель к новому устройству или пользователю с ограниченным набором персональных записей.

Насколько точно работают адаптированные модели

Исследователи сравнивают три подхода: обучение с нуля для каждого человека, перенос обучения внутри одной базы данных и перенос между базами. На выборке из 200 пациентов, взятых из двух больших наборов данных, межбазовый перенос обучения снижает среднюю ошибку примерно на 13 процентов по сравнению с обучением с нуля, достигая примерно 3,4 мм рт. ст. для систолического и 1,8 мм рт. ст. для диастолического давления. Эти результаты соответствуют ключевым международным критериям оценки приборов для измерения давления. Важно, что модели, адаптированные между базами данных, работают примерно на 1 процент хуже, чем модели, адаптированные внутри той же базы, и эта разница статистически незначима. Авторы также показывают, что перенос обучения остаётся полезным при очень небольшом объёме данных для докалибровки и что он всё равно повышает точность при применении к меньшему, не‑больничному набору данных, собранному с другими датчиками.

Что это означает для повседневного мониторинга здоровья

Кажущаяся для неспециалиста суть в том, что алгоритм, обученный на больших банках больничных данных, может успешно «перепользоваться» и легко подстраиваться под новых людей, новые устройства и новые условия без необходимости проведения крупных клинических испытаний каждый раз. За счёт аккуратной очистки сигналов, уменьшения размера модели и обновления лишь наиболее информативных слоёв для каждого пользователя исследование показывает, что непрерывная безманжетная оценка артериального давления с помощью оптических датчиков может достигать уровней погрешности, совместимых с существующими стандартами. Хотя требуется дальнейшая работа в реальных условиях повседневной активности и для датчиков на запястье, эта стратегия межбазового переноса обучения приближает практическое носимое отслеживание давления ещё на один шаг.

Цитирование: Kim, Y.C., Baek, H.J. Evaluating cross-dataset transfer learning for photoplethysmography-based blood pressure estimation. Sci Rep 16, 10725 (2026). https://doi.org/10.1038/s41598-026-43409-8

Ключевые слова: безманжетное измерение давления, фотоплетизмография, носимые устройства для контроля здоровья, глубокое обучение, перенос обучения