企业官网建设流程全解析

0 引言

血压（Blood Pressure，BP）是反映人体心血管系统状态的重要生理参数，也是高血压等心血管疾病诊断、风险评估与健康管理的重要指标[]。传统血压测量主要依赖基于袖带充气的示波法或听诊法，通过周期性压迫动脉血管获得收缩压（Systolic Blood Pressure，SBP）和舒张压（Diastolic Blood Pressure，DBP）。尽管袖带式血压计具有较成熟的测量原理和较高的临床认可度，但其通常只能获得离散时间点的血压值，并不适合长时间、连续性的日常血压监测，因此，无袖带血压（Cuffless Blood Pressure，CBP）技术逐渐成为可穿戴健康监测领域的重要研究方向[2-3]。

CBP估计是通过分析与血管状态和血液循环动力学相关的生理信号，建立信号特征与血压之间的映射关系。目前研究较多的信号包括心电图（ECG）、光电容积脉搏波（PPG）以及生物阻抗（IPG)等[4-5]。其中，PPG具有体积小、采集方便、成本较低且易于集成到可穿戴设备中的特点，已成为无袖带血压估计中应用较为广泛的生理信号之一。已有研究表明，PPG不仅包含心搏周期相关的时间信息，其波形形态、脉搏宽度、波峰与波谷位置以及重搏切迹等特征还能够反映血管顺应性、外周血管阻力以及脉搏波传播等与血压变化相关的生理信息[6]。

早期基于PPG的无袖带血压估计主要依赖脉搏传导时间（Pulse Transit Time，PTT）法，通过研究PTT与血压之间的关系，从而建立新的计算模型[7]；此外，也有研究通过人工构造PPG特征或生理特征并建立血压与特征参数之间的统计模型[6]。然而，上述方法通常需要较强的先验知识，并且PPG波形与血压之间具有明显的非线性关系，使得传统线性模型难以充分描述复杂的生理变化。随着深度学习技术的发展，研究者开始直接利用PPG波形建立端到端的血压估计模型，从而减少对人工特征工程的依赖。卷积神经网络（Convolutional Neural Network，CNN）具有较强的局部特征提取能力，通过卷积核能够自动学习PPG信号中的局部波形形态、周期变化以及不同尺度的特征[8-9]；循环神经网络（Recurrent Neural Network，RNN）通过循环结构对序列数据进行逐步处理，并利用隐藏状态保存历史时刻的信息，则从连续PPG波形中学习不同时间点之间的动态变化特征[10]。尽管CNN和RNN已经广泛应用于PPG信号分析及无袖带血压估计，但二者均存在一定的局限性：CNN和RNN对长距离时序依赖关系的建模能力仍然有限，且通常依赖固定或隐式的特征提取机制，难以直接建立任意时间位置之间的全局关联。

因此，本文围绕PPG无袖带血压估计问题，构建一种基于CNN-Transformer的血压估计框架。首先利用CNN对PPG信号进行多尺度局部特征提取，以学习脉搏波形中的局部形态变化；随后引入Transformer，通过自注意力机制建模不同时间区域之间的长程依赖关系，从全局角度进一步提取与血压变化相关的时序特征；最后通过回归网络分别实现SBP和DBP的估计。该框架旨在充分结合CNN的局部波形表征能力和Transformer的全局时序建模能力，为PPG驱动的无袖带血压估计提供一种端到端的深度学习方法。

目录

0 引言

1 数据

1.1 数据处理

1.2 数据划分

2 方法

2.1 训练参数

2.2 评价指标

3 结果

4 讨论

参考

1 数据

UCI（Cuff-Less Blood Pressure Estimation）数据库是属于MIMIC-II生理波形数据库的子集，主要用于无袖带血压估计研究。该数据集包含ECG（心电信号）、PPG（光电容积脉搏波）和ABP（动脉血压）三大生理信号。PPG信号通过光电传感器捕捉血管容积的周期性波动，能够直观表征脉搏的上升斜率、峰值形态、舒张期波动等细微特征；而ABP信号为临床标准动脉血压真值序列，可提供逐时刻的收缩压（SBP）与舒张压（DBP）参考标签。如图1所示，本文选取连续10个心动周期的PPG波形与对应ABP波形进行可视化对比，可以发现二者在时序节律、波形周期、峰值位置上具有高度一致性。从数据构成来看，整个UCI血压数据集由Part_1.mat至Part_4.mat四部分文件组成，涵盖多名受试者的连续长时间生理监测数据。

数据链接：Cuff-Less Blood Pressure Estimation - UCI Machine Learning Repository

1.1 数据处理

本文对 PPG 与 ABP 信号进行了预处理与质量筛选的过程。首先采用 4 阶巴特沃斯滤波器对信号分频段滤波降噪，其中 PPG 选用 0.5–8 Hz 带通滤波，ABP 采用 16 Hz 低通滤波；随后基于互相关算法完成 PPG 与 ABP 时序对齐，将信号最大允许时序偏移限制在 1 s 内。对齐后的信号被切分为时长 5 s 的无重叠片段，先依据生理范围剔除异常 ABP 波形，约束条件为 SBP 40–220 mmHg、DBP 20–120 mmHg、脉压≥10 mmHg，静息心率区间为 35–140 BPM。最后，对保留片段去除基线漂移并再次校验心率，提取 PPG 脉搏单周期，仅当片段内所有单周期的 SQI 指标大于 0 时才予以保留，完成最终的数据集清洗。如图2所示。

1.2 数据划分

由于当前数据集并无受试者标识则选择以下划分方式。训练集：整条记录前90%时序数据（前80%作为训练，后10%作为验证）；测试集：紧邻训练集的最后10%时序数据。这样测试集和训练集时序连续、不打乱、贴合连续血压动态监测的真实场景。

2 方法

图3展示了所构建一维混合 CNN-Transformer 血压估计模型的结构图。模型以时长为 5 s的单通道 PPG 时序信号作为输入，共包含 625 个采样点。首先，对输入数据进行维度变换以适配一维卷积操作，并将其输入 CNN 主干网络进行局部时序特征提取。CNN 主干由多层一维卷积、批归一化（BN）、ReLU 激活函数和最大池化层组成，并引入一维残差 BasicBlock，通过逐层卷积与下采样实现 PPG 局部波形特征的层次化提取，从而充分捕获脉搏波形的局部形态变化、上升支及重搏波等短时域特征。经过 CNN 主干网络处理后，得到维度为[B, 256, 78]的高维时序特征，其中 B 表示批次大小，256 表示特征通道数，78 表示经过卷积与池化后的时序长度。 随后，将 CNN 输出的特征张量进行维度置换，使其转换为适用于 Transformer 编码器的序列形式，并输入 Transformer 模块进行全局时序特征建模。Transformer 编码器采用正弦位置编码，为特征序列注入显式的位置信息，并由两层编码器堆叠构成，每层包含多头自注意力机制和前馈神经网络。通过自注意力机制，模型能够建立不同时间片段之间的全局依赖关系，进一步挖掘不同脉搏周期及其局部波形特征之间的长距离关联，从而弥补 CNN 在全局时序依赖建模方面的局限。完成Transformer 全局特征建模后，将输出特征再次进行维度置换，并通过一维自适应全局平均池化沿时序维度进行特征聚合，将变长的时序特征压缩为固定维度的样本级全局表示。随后对池化结果进行展平，并输入由两层全连接层构成的回归预测头，其中结合 ReLU 激活函数和 Dropout 以增强非线性特征表达能力并降低过拟合风险。最终，模型同时输出SBP和DBP的预测结果，实现基于单通道 PPG 信号的双目标血压回归估计。

2.1 训练参数

模型采用Adam 优化器进行端到端训练，初始学习率设置为；损失函数采用收缩压（SBP）与舒张压（DBP）预测值的均方误差之和，即

训练批次大小为 32，最大训练轮数设置为 200 轮，并引入早停策略，当验证集损失连续 10 轮不再下降时终止训练，保存验证集损失最低的模型权重作为最优模型。数据集划分为训练集、验证集与测试集，输入样本为经过预处理的 5 s（625 采样点）归一化 PPG 波形；训练阶段数据加载器开启样本打乱，验证与测试阶段关闭打乱，全程在 GPU 设备上完成模型训练与评估。

2.2 评价指标

实验中选用平均绝对误差（MAE）、平均误差（ME）和均方根误差（RMSE）[11-12]进行测试集的评价。

（1）平均绝对误差是预测值与真实值之间绝对误差的平均值，用于衡量模型预测的平均偏差程度。MAE对所有误差赋予相同的权重，反映预测误差的集中趋势，数值越小表示模型预测精度越高。

其中，是样本总数，是第 i 个样本的真实血压值，是第 i 个样本的模型预测血压值。

（2）均方根误差是预测值与真实值之间误差平方均值的平方根，用于衡量模型预测的离散程度。RMSE对较大误差赋予更高的权重（平方运算），因此对异常值更为敏感，能够反映预测误差的波动性。数值越小表示模型预测精度越高。

其中，是样本总数，是第 i 个样本的真实血压值，是第 i 个样本的模型预测血压值。

（3）平均误差用于衡量模型预测结果的整体偏差，反映预测值相对于真值的系统性偏移。ME 为正值代表模型整体高估血压，ME 为负值代表模型整体低估血压；ME 越接近 0，说明模型不存在显著的系统性预测偏差。

其中，是样本总数，是第 i 个样本的真实血压值，是第 i 个样本的模型预测血压值。

3 结果

如图4所示，所提模型SBP预测的 MAE、ME 和 RMSE 分别为 9.62 mmHg、0.57 mmHg 与 13.62 mmHg；DBP预测的 MAE、ME 和 RMSE 分别为 5.47 mmHg、0.83 mmHg 与 7.77 mmHg。SBP 绝对误差≤5 mmHg、≤10 mmHg、≤15 mmHg 的样本占比依次为 39.85%、65.93%、79.80%，AAMI 等级为 D 级；DBP 绝对误差≤5 mmHg、≤10 mmHg、≤15 mmHg 的样本占比依次为 59.35%、86.19%、94.52%，AAMI 等级为 B 级。图5为测试集血压预测值与真实值的相关性散点图，红色虚线为理想 1:1 预测参考线，黑色实线为线性拟合曲线。SBP 预测的决定系数，拟合方程为；DBP 预测的决定系数，拟合方程为。SBP 和 DBP 的样本点整体沿 1:1 参考线分布，SBP 样本聚集程度更高，说明 SBP 预测值与真值的线性相关性更强。

4 讨论

基于 PPG 信号的无袖带血压估计一直是生物医学信号处理领域的难点，核心挑战在于PPG 波形本身仅间接反映血管容积变化，血压与脉搏波形之间不存在严格的线性映射关系。本文所构建的混合CNN-Transformer架构，结合一维卷积提取脉搏局部形态特征，并利用Transformer自注意力机制挖掘长周期脉搏时序关联，从特征建模层面同时兼顾局部波形细节与全局时序依赖，为 PPG血压回归任务提供了一种可行的融合建模思路。从模型预测特性来看，线性相关性与绝对误差指标呈现出不一致的现象。收缩压拥有更高的决定系数，说明模型预测值与真实收缩压之间整体线性趋势较好；但收缩压的绝对误差指标与AAMI等级表现较差。舒张压线性相关系数偏低，但其绝对误差控制能力更优，达到AAMI B 级标准，说明模型对舒张压的幅值预测能力更强。这种性能差异与两种血压指标对应的生理机制密切相关：舒张压主要由血管基础张力决定，在单个脉搏周期内相对稳定，在 PPG 波形中对应的血管容积变化特征更为稳定；而收缩压由每搏输出量、动脉瞬时弹性、外周阻力等多个动态生理参数共同决定，受单次心跳波动影响显著，PPG 波形中可用于表征收缩压的有效特征更加微弱，极易受到个体差异、运动伪影、血管硬化程度等混杂因素干扰，仅依靠单通道 PPG 信号很难充分捕获收缩压的动态变化规律。

模型仍存在若干局限性。首先，模型仅以单路 PPG 时序波形作为输入，未融合心电信号、受试者人口学特征等辅助信息，而上述因素会显著影响血管特性与脉搏波形态，缺少这类协变量会限制模型对不同人群的泛化能力。其次，当前网络对脉搏波形采用全局时序建模，没有专门针对脉搏上升支、重搏波等和血压强相关的关键子段进行特征强化，模型容易受到基线漂移、运动噪声等无效信息干扰。后续研究可以从多个方向进一步优化模型性能。一方面，可以引入脉搏波分段策略，采用多实例学习聚焦于脉搏上升支等关键片段，增强有效生理特征的提取；另一方面，可以将年龄、性别等元特征嵌入网络，降低个体血管差异带来的预测误差；同时，针对收缩压预测低估的问题，可在损失函数中引入误差加权策略，提升高低血压极端样本在训练过程中的权重，缓解模型在极端血压区间的预测偏移，进一步推动基于 PPG 的无袖带血压监测技术走向实际应用。

参考

[1] Brzezinski W A. Blood pressure[J]. Clinical Methods: The History, Physical, and Laboratory Examinations. 3rd edition, 1990.

[2] Henry B, Merz M, Hoang H, et al. Cuffless Blood Pressure in clinical practice: challenges, opportunities and current limits[J]. Blood Pressure, 2024, 33(1): 2304190.

[3] Mukkamala R, Stergiou G S, Avolio A P. Cuffless blood pressure measurement[J]. Annual Review of Biomedical Engineering, 2022, 24(1): 203-230.

[4] Ibrahim B, Jafari R. Cuffless blood pressure monitoring from an array of wrist bio-impedance sensors using subject-specific regression models: Proof of concept[J]. IEEE transactions on biomedical circuits and systems, 2019, 13(6): 1723-1735.

[5] Zhang Q, Zhou D, Zeng X. Highly wearable cuff-less blood pressure and heart rate monitoring with single-arm electrocardiogram and photoplethysmogram signals[J]. Biomedical engineering online, 2017, 16(1): 23.

[6] Nishan A, Raju S M T U, Hossain M I, et al. A continuous cuffless blood pressure measurement from optimal PPG characteristic features using machine learning algorithms[J]. Heliyon, 2024, 10(6).

[7] Shriram R, Wakankar A, Daimiwal N, et al. Continuous cuffless blood pressure monitoring based on PTT[C]//2010 International Conference on Bioinformatics and Biomedical Technology. IEEE, 2010: 51-55.

[8] Shimazaki S, Kawanaka H, Ishikawa H, et al. Cuffless blood pressure estimation from only the waveform of photoplethysmography using CNN[C]//2019 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). IEEE, 2019: 5042-5045.

[9] MATLAB+Python:基于小样本卷积神经网络的 PPG 血压预测-CSDN博客

[10] Guo P, Lu Y, Li J, et al. Cuffless blood pressure estimation model based on prior information of physiological data and LSTM[J]. IEEE Sensors Journal, 2024, 24(21): 34843-34850.

[11] 基于领域自适应神经网络（DANN）的无创血压估计方法_pulsedb-CSDN博客

[12] Mohammadi H, Tarvirdizadeh B, Alipour K, et al. Cuff-less blood pressure monitoring via PPG signals using a hybrid CNN-BiLSTM deep learning model with attention mechanism[J]. Scientific Reports, 2025, 15(1): 22229.

注：若有侵权部分，请留言将会删除。

个人观点，仅供参考