基于六种可穿戴传感器模态的无袖血压估计：多动作状态场景
信号处理
2025-12-02 v1 机器学习
摘要
心血管疾病（CVD）是全球死亡和患病率的主要原因之一，持续性高血压往往是潜在风险因素，使得利用可穿戴设备进行无袖连续血压（BP）监测对于早期筛查和长期管理至关重要。目前大多数无袖血压估计方法仅使用光电血压计（PPG）和心电图（ECG）信号，或二者组合。这些模型通常在静息或准静态条件下开发，在多动作状态场景中难以维持稳健的准确性。本研究提出一种六模态血压估计框架，联合利用ECG、多通道PPG、贴合压力、传感器温度以及三轴加速度和角速度。每个模态由轻量级分支编码器处理，对比学习强制跨模态语义对齐，混合专家（MoE）回归头自适应地将融合特征映射到血压上，涵盖各种动作状态。在公开的脉冲传递时间PPG数据集上进行的全面实验表明，所提方法在收缩压（SBP）和舒张压（DBP）上分别达到3.60 mmHg和3.01 mmHg的平均绝对误差。从临床角度看，其在英国高血压学会（BHS）方案下，SBP、DBP和平均动脉压（MAP）均达到A级，并满足美国医学仪器协会（AAMI）标准中关于平均误差（ME）和误差标准差（SDE）的数值准则。
引用
@article{arxiv.2512.01653,
title = {Cuffless Blood Pressure Estimation from Six Wearable Sensor Modalities in Multi-Motion-State Scenarios},
author = {Yiqiao Chen and Fazheng Xu and Zijian Huang and Juchi He and Zhenghui Feng},
journal= {arXiv preprint arXiv:2512.01653},
year = {2025}
}
备注
13 pages, 7 figures