在ECG与PPG数据上微调并量化基于EEG的生物信号基础模型以用于血压估计
信号处理
2025-10-20 v2 人工智能
机器学习
摘要
血压（BP）是心血管健康的关键指标。由于高血压仍是全球发病率和死亡率的重要原因，因此准确、连续且无创的血压监测至关重要。光电容积脉搏波描记法（PPG）和心电图（ECG）有望实现连续血压监测，然而由于数据质量和患者特异性因素的变异性，训练准确且鲁棒的机器学习（ML）模型仍具挑战。近期，多个研究小组探索了基于脑电图（EEG）的基础模型，并展示了其学习丰富时间分辨率的卓越能力。考虑到不同生物信号间的形态相似性，一个自然的问题是：在一种模态上预训练的模型能否被有效利用以提升另一种信号类型的准确率。在本工作中，我们向通用生物信号基础模型迈出了初步一步，研究对于血压估计任务，从丰富EEG数据中学到的模型表示能否仅通过微调有效迁移至ECG/PPG数据，而无需大规模额外预训练。在MIMIC-III和VitalDB数据集上的评估表明，我们的方法在舒张压上达到了接近最先进水平的准确率（平均绝对误差为1.57 mmHg），并在收缩压上以1.5倍的优势超越了先前工作的准确率（平均绝对误差为2.72 mmHg）。此外，我们执行了动态INT8量化，在保持性能的同时将最小模型尺寸缩减了3.5倍以上（从13.73 MB降至3.83 MB），从而在资源受限的可穿戴设备上实现了不引人注目的实时血压监测。
引用
@article{arxiv.2502.17460,
title = {Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation},
author = {Bálint Tóth and Dominik Senti and Thorir Mar Ingolfsson and Jeffrey Zweidler and Alexandre Elsig and Luca Benini and Yawei Li},
journal= {arXiv preprint arXiv:2502.17460},
year = {2025}
}
备注
7 pages, 1 figure, 5 tables, Camera-ready, EMBC 2025