基于可穿戴惯性传感器与深度学习的血压静水压校正新方法解读

哥伦比亚大学（Columbia University）生物医学工程系的 David A. M. Colburn 等人在npj Biosensing期刊上发表了题为 “A method for blood pressure hydrostatic pressure correction using wearable inertial sensors and deep learning” 的论文。该研究提出了一种利用可穿戴惯性传感器和深度学习校正血压测量中静水压误差的新方法 ——IMU-Track，这对于提升无袖带血压监测设备的准确性具有重要意义，有望推动血压监测技术在临床和日常健康管理中的广泛应用。

一、研究背景

血压是诊断和管理多种疾病的关键生命体征，但传统的诊室间歇性血压测量方式存在局限性，无法准确全面评估患者血压状况，可能导致高血压误诊和疾病管理不当。相比之下，非侵入性、无需用户主动参与的被动式血压测量方法，能在日常环境中多次测量，有助于早期发现异常血压模式和改善心血管疾病风险分层。目前的无创血压测量设备主要基于袖带，长时间使用或睡眠时使用会给患者带来不便，且用户操作不当易导致读数错误。而无袖带血压测量设备的准确性又受传感器与心脏水平位置变化的影响，静水压变化会导致测量误差，现有校正静水压的方法存在各种问题，如基于流体填充管的方法过于繁琐，其他方法或存在误差累积、适用范围窄、无法实时应用等缺陷。

二、研究材料和方法

（一）研究对象

招募了哥伦比亚大学医学中心的 20 名成年学生和工作人员作为参与者。排除标准包括上肢雷诺现象或血管疾病史、心血管疾病史、未控制的高血压以及妊娠。参与者的性别、年龄、BMI 等参数反映了该人群的自然分布。

（二）实验设备

为每位参与者配备多种非侵入性传感器和设备，包括连续无创血压测量装置（BIOPAC NIBP）、ECG 电极（3M Red Dot 2237）、两个 PPG 传感器（BIOPAC TSD200）、两个包含加速度计 / 陀螺仪（STMicroelectronics LSM6DSM）、磁力计（STMicroelectronics LIS2MDL）和运动协处理器（EM Microelectronics EM7180）的 IMU 设备。同时记录每位参与者的手臂长度（从肱骨头到桡骨茎突，手臂外展 90°，肘部伸直，拇指朝上）和手长。

（三）数据收集

实验前，参与者双臂置于心脏水平的扶手休息 5 分钟获取基线读数。之后，按随机分配的两种运动序列之一，移动非优势手臂至指定扶手（心脏水平上方或下方 25cm 处），每次移动后休息 1 分钟，完成 11 次移动。实验过程中，各传感器数据按不同频率采集并同步记录。其中，ECG 电极以 Lead II 配置放置，信号经放大器（BIOPAC ECG100C）放大；PPG 传感器分别贴于双手无名指，信号经放大器（BIOPAC PPG100C）放大后，由数字采集系统（BIOPAC MP160）以 2000Hz 记录；IMU 设备固定在非优势手臂的上臂和手腕，传感器的 x 轴指向手臂下方，数据以 100Hz 采集并记录到 microSD 卡。

（四）技术路线

IMU 数据预处理：对采集的 IMU 数据进行重新定向、滤波和平滑处理，并去除重力影响，将方向表示为单位四元数后输入深度学习模型。
深度学习模型构建与训练：基于修改的 Deep Inertial Poser 架构，使用 PyTorch 库在 Nvidia RTX 2080 Super GPU 上实现深度学习模型。模型经预训练和微调，采用留一法交叉验证评估性能。
数学模型推导：依据 Moens–Korteweg 和 Hughes 方程，推导脉搏波传播的常微分方程，结合手臂姿势和血压得出 PTT 模型，再经变换得到血压预测模型。
数据预处理与模型校准：对原始 PPG、ECG 和 BP 信号进行滤波等预处理，计算 PTT 并匹配相应的手臂姿势和血压数据。分别对 PTT 预测模型和血压预测模型进行校准，获取最佳拟合系数。

三、研究结果

（一）深度学习实现手臂姿势跟踪

将手臂视为两个刚性段，以肩部为零静水压参考点，通过手腕佩戴的单个 IMU 测量前臂方向，利用修改的深度学习模型预测上臂方向。模型经预训练和微调后，平均推理时间为 134.2±3.9ms，量化为 8 位后缩短至 35.5±1.1ms，且平均精度仅损失 0.5°，能实时跟踪手臂姿势。

（二）建模手臂姿势对 PTT 的影响

通过模拟发现，固定手臂姿势时，PTT 随血压升高而单调下降；手臂姿势变化会使给定压力下的预测 PTT 产生显著变化。实验验证中，20 名参与者手臂运动实验结果与模拟相符，姿势校正模型相比未校正模型，显著降低了 PTT 预测的平均绝对误差，提高了相关性和一致性。

（三）血压预测使用姿势校正模型

应用姿势校正的血压模型对舒张压（DBP）和收缩压（SBP）进行预测，与未校正模型相比，校正模型显著降低了 DBP 和 SBP 的平均绝对误差，在不同手臂高度下均有明显改善，且在不同高度下的误差无显著差异。Bland-Altman 图显示校正模型提高了压力估计的偏差和精度，模型预测误差稳定，SBP 预测的 Clarke 误差网格分析表明大部分预测处于低风险或无风险区域。

四、研究结论

IMU-Track 方法通过跟踪传感器运动校正远离心脏水平测量血压时的静水压误差，经 20 名受试者数据验证，在心脏水平上下 25cm 高度范围内校正效果良好。该方法采用参数化手臂姿势坐标系和深度学习模型，利用手腕佩戴的 IMU 测量相关参数，结合解析模型准确估计血压，偏差和精度符合临床标准，且不受手臂位置变化影响。

五、讨论

IMU-Track 方法为血压测量中静水压误差校正提供了创新解决方案，相比以往方法，避免了复杂的硬件设备，具有更好的实用性。该方法不仅适用于基于 PTT 的血压测量，还可能应用于其他无袖带血压测量技术。在医院中，可校正危重症患者常规监测的 ECG 和手指 PPG 信号的血压测量；在家庭和办公环境中，能提高无线生理监测设备和智能手表血压测量的准确性。然而，该研究也存在一定局限性，如校准过程仍较复杂，样本量相对较小。未来研究可探索更简便的校准方法，扩大样本量，评估不同传感器放置和日常活动对测量的影响，进一步提高长期准确性和稳定性，推动无袖带血压监测技术的临床应用和普及。

IMU-Track 方法为准确的无袖带血压监测带来了新的可能，有望在未来医疗保健领域发挥重要作用，改善心血管疾病的早期检测和管理。