领域偏移下的不确定性可靠性：光电容积脉搏波描记法中数据驱动血压估计的研究
机器学习
2026-05-19 v1 机器学习
摘要
不确定性量化（UQ）对于医疗保健等安全关键领域至关重要，但很少在现实的分布外（OOD）条件下进行评估。在此，我们在分布内（ID）和 OOD 设置下，评估了基于深度学习的光电容积脉搏波描记法（PPG）信号血压（BP）估计的预测性能和不确定性可靠性。使用在 PulseDB 上训练并在四个外部数据集上测试的 XResNet1D-50，我们比较了深度集成（DE）和 Monte Carlo dropout（MCD）与高斯负对数似然（GNLL）和均方误差（MSE）损失，随后可选择通过共形预测（CP）、温度缩放（TS）和等渗回归（IR）进行事后重校准。我们研究的主要发现如下：(1) DE 在领域偏移下比 MCD 提供更强的预测鲁棒性，这一优势主要在外部偏移下变得明显。(2) 重校准的基于 GNLL 的方法产生最佳的不确定性校准（例如，收缩压（SBP）使用 GNLL+DE+CP，舒张压（DBP）使用 GNLL+DE+TS），而基于 MSE 的不确定性需要重校准才能具有实用性。(3) 在各种设置下，CP 和 TS 提供了最一致的提升，IR 在多种情况下仍具竞争力。总体而言，我们的结果表明基于 DE 的方法在领域偏移下的预测性能最鲁棒，GNLL 在原生 UQ 方面最强，而重校准对于使基于 MSE 的不确定性实用化至关重要。这些发现强调了在可信赖的无袖带血压估计中，需要联合评估外部数据上的预测准确性和校准。
引用
@article{arxiv.2605.18008,
title = {Uncertainty Reliability Under Domain Shift: An Investigation for Data-Driven Blood Pressure Estimation in Photoplethysmography},
author = {Mohammad Moulaeifard and Ciaran Bench and Philip J. Aston and Nils Strodthoff},
journal= {arXiv preprint arXiv:2605.18008},
year = {2026}
}
备注
23 pages, 2 figures