基于课程对抗学习的多波长PPG可泛化血压估计
信号处理
2026-01-12 v1 机器学习
摘要
准确且可泛化的血压（BP）估计对于心血管疾病的早期检测与管理至关重要。本研究在一个公开的多波长光电容积描记（PPG）数据集上强制执行受试者级别的数据划分，并提出了一种基于课程对抗学习的可泛化血压估计框架。我们的方法将课程学习（从高血压分类过渡到血压回归）与域对抗训练相结合，后者通过混淆受试者身份来鼓励学习受试者不变的特征。实验表明，多通道融合始终优于单通道模型。在四波长 PPG 数据集上，我们的方法在严格的受试者级别划分下取得了强劲性能，收缩压（SBP）的平均绝对误差（MAE）为 14.2mmHg，舒张压（DBP）为 6.4mmHg。此外，消融研究验证了课程和对抗组件的有效性。这些结果凸显了利用多波长 PPG 中的互补信息以及课程对抗策略实现准确且鲁棒的血压估计的潜力。
引用
@article{arxiv.2509.12518,
title = {Generalizable Blood Pressure Estimation from Multi-Wavelength PPG Using Curriculum-Adversarial Learning},
author = {Zequan Liang and Ruoyu Zhang and Wei Shao and Mahdi Pirayesh Shirazi Nejad and Ehsan Kourkchi and Setareh Rafatirad and Houman Homayoun},
journal= {arXiv preprint arXiv:2509.12518},
year = {2026}
}
备注
In the proceedings of IEEE-EMBS International Conference on Body Sensor Networks 2025