评估基于光电容积描记法的无袖带血压估计的跨数据集迁移学习

为什么无袖带血压很重要

高血压是心脏病发作和中风的主要原因之一，但大多数人通常只在诊所用臂带偶尔测量一次。本研究探讨可穿戴传感器和人工智能如何在不挤压手臂的情况下持续估计血压——通过在大型医院数据库上学习，然后适配到智能手表等新设备。该工作解决了一个关键障碍：如何使在一种环境下训练的算法在传感器或环境变化时仍然表现良好。

从臂带到基于光的传感

传统血压袖带可靠但不便于频繁使用。它们需要充气直到短暂阻断血流，可能令人不适，且一天只能采集少量读数。另一种替代是光电容积描记法（PPG），它使用小型光源和探测器（类似脉搏血氧仪和可穿戴设备中的元件）来检测每次心跳时血容量的微小变化。这些基于光的波形携带与血压相关的信息，从而有可能实现无袖带监测，可在日常生活、居家或移动中工作。

教算法识别脉搏波

作者没有从PPG信号中手工提取大量数学特征，而是使用一种深度学习模型，从短时的五秒片段中直接学习模式。他们基于一种现有架构，该架构结合了擅长识别形状的卷积层与擅长捕捉时间模式的循环层，然后对其进行精简，使可训练参数少于原始模型的一半。这个缩小后的网络在每人只有几小时数据可用时更易训练，但仍能捕捉脉搏波形与血压之间的复杂关系。

让在医院训练的模型在其他场景中也能工作

一个主要难点是当硬件、记录部位或环境改变时，PPG信号会发生变化。研究团队检验了“迁移学习”是否能有所帮助。他们先用一个大型医院数据库的数据训练神经网络，该数据库包含指尖PPG和连续入侵性血压记录。随后他们仅对模型中选定的更深层进行微调，用来自第二个独立采集数据库的少量个人数据进行适配。这种跨数据集的设置模拟了实际情况：公司可能先从公开医院数据起步，然后用有限的个人记录将模型调整到新设备或新用户。

适配后模型的表现如何

研究者比较了三种方法：对每人从头训练、在单一数据库内迁移学习，以及跨数据库迁移学习。在来自两个大型数据集的200名患者上，跨数据集迁移学习相比从头训练将平均误差约降低了13%，收缩压约达3.4 mmHg、舒张压约达1.8 mmHg。这些结果符合用来评估血压设备的关键国际性能基准。重要的是，跨数据库适配的模型与在同一数据库内适配的模型的表现相差约1%，且该差异在统计上并不显著。作者还显示，当用于微调的数据非常少时，迁移学习仍然有用，并且当将方法应用于用不同传感器采集的较小非医院数据集时，也能提升准确性。

这对日常健康监测意味着什么

对非专业人士而言，结论是：在大型医院数据上训练的算法可以被成功“重用”并对新的人、设备和环境进行轻度调整，而无需每次都进行大规模新的临床试验。通过仔细清洗信号、缩减模型规模并仅更新对每位用户最有信息量的层，研究表明基于光学传感器的连续无袖带血压估计可以达到与现有标准相兼容的误差水平。尽管在真实日常生活条件和基于手腕的传感器上仍需更多工作，但这种跨数据集迁移学习策略使可穿戴血压跟踪更接近可行的应用场景。

引用: 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

关键词: 无袖带血压, 光电容积描记法, 可穿戴健康监测, 深度学习, 迁移学习