基于脉搏波动图的血压估计的通用深度学习——基准测试研究
机器学习
2026-03-03 v2 信号处理
摘要
脉搏波动图(PPG)基于血压(BP)的估计代表了一种非常有前景的cuff测量血压的替代方案。最近提出了越来越多的深度学习模型用于从原始PPG波形推断BP。然而，这些模型主要是在分布内测试集上评估的，这立即引出了这些模型对外部数据集的通用性问题。为了调查这一问题，我们在最近发布的PulseDB数据集上训练了五个深度学习模型，提供了该数据集上的分布内基准测试结果，然后在几个外部数据集上评估了分布外性能。最佳模型(XResNet1d101)在PulseDB上（采用受试者特定校准）实现了9.4和6.0 mmHg的分布内MAE（收缩压和舒张压），无校准时分别为14.0和8.5 mmHg。在没有校准的情况下，等效的外部测试数据集MAE分别为15.0至25.1 mmHg（SBP）和7.0至10.4 mmHg（DBP）。我们的结果表明，性能严重受到数据集之间BP分布差异的影响。我们研究了通过基于样本的域适应来提高性能的简单方法，并提出了针对训练具有良好概括性的模型的建议。通过本工作，我们希望教育更多研究人员关于分布外概括的重要性和挑战。
引用
@article{arxiv.2502.19167,
title = {Generalizable deep learning for photoplethysmography-based blood pressure estimation -- A Benchmarking Study},
author = {Mohammad Moulaeifard and Peter H. Charlton and Nils Strodthoff},
journal= {arXiv preprint arXiv:2502.19167},
year = {2026}
}
备注
20 pages, 5 figures, code available at https://github.com/AI4HealthUOL/ppg-ood-generalization