协作学习增强的轻量模型用于大规模围手术期数据集中的动脉血压波形预测
机器学习
2026-01-27 v2 人工智能
摘要
无创动脉血压（ABP）监测对于重症监护和围手术期环境中的患者管理至关重要，能够以最小风险提供心血管血流动力学的持续评估。许多深度学习模型已开发用于从非侵入性获取的生理信号（如心电图和光电容积描记术）重建ABP波形。然而，很少有研究解决模型性能和计算负载在嵌入式系统上部署的问题。本研究提出了一种轻量级sInvResUNet，以及一种名为KDCL_sInvResUNet的协作学习方案。仅需0.89百万参数和0.02 GFLOPS的计算负载，即可在嵌入式设备上成功实现实时ABP估计，10秒输出的推理时间仅为8.49毫秒。我们在包含2154名患者的1,257,141个数据段的大规模异质围手术期数据集上进行了受试者独立验证，血压范围广泛（SBP为41-257 mmHg，DBP为31-234 mmHg）。提出的KDCL_sInvResUNet取得了略优于大型模型的性能，平均绝对误差为10.06 mmHg，平均Pearson相关系数为0.88。尽管这些结果很有前景，但所有深度学习模型在不同人口统计和心血管条件下的性能差异显著，突显了其在跨越如此广泛和多样化人群时泛化能力的局限性。本研究为真实世界围手术期环境中的实时无创ABP监测奠定了基础工作，为该领域的未来进展提供了基准。
引用
@article{arxiv.2508.11669,
title = {Collaborative Learning-Enhanced Lightweight Models for Predicting Arterial Blood Pressure Waveform in a Large-scale Perioperative Dataset},
author = {Wentao Li and Yonghu He and Zirong Yu and Kun Gao and Qing Liu and Yali Zheng},
journal= {arXiv preprint arXiv:2508.11669},
year = {2026}
}