在医疗领域，血压（Blood Pressure，BP）作为一项关键生命体征，对多种疾病的诊断和管理起着至关重要的作用，像高血压、低血压等疾病的诊疗都离不开准确的血压数据。传统的诊所间歇式血压测量方式存在诸多弊端，它可能无法准确反映患者真实的血压状况，甚至导致高血压误诊，影响疾病的正确管理，进而使患者的临床结局恶化。
为了更精准地监测血压，无袖带无创血压测量技术应运而生。然而，这项技术也面临着一个棘手的问题：当传感器放置在远离心脏水平的位置（如手臂）时，其测量准确性会受到传感器与心脏相对位置变化的影响。手臂的运动和位置改变会使测量产生明显误差，这是因为血液柱产生的重力作用（即静水压，Ph）会改变传感器处的跨壁血压，进而影响脉搏波速度（Pulse Wave Velocity，PWV）和脉搏传输时间（Pulse Transit Time，PTT）等用于计算血压的参数。例如，手臂抬高或降低时，静水压的变化可能导致测量的血压出现数十毫米汞柱的波动。目前，虽然有方法可以补偿静水压，但现有方法存在明显缺陷，如使用的充液管过于笨重，不便于日常使用；其他替代方法也存在误差累积、适用范围有限或无法满足实时应用等问题。
在这样的背景下，哥伦比亚大学（Columbia University）的研究人员决心攻克这一难题，开展了一项旨在利用可穿戴惯性传感器和深度学习校正静水压误差的研究。他们提出了一种名为 IMU - Track 的创新方法，通过分析可穿戴传感器收集的运动信息，并借助深度学习模型计算参数化的手臂姿势坐标，从而校正测量的血压。
研究人员为开展此项研究，运用了多个关键技术方法。首先，他们使用可穿戴惯性测量单元（Inertial Measurement Unit，IMU）传感器收集手臂运动数据，该传感器集成了加速度计、陀螺仪和磁力计。其次，利用深度学习模型对 IMU 数据进行分析，其中采用了改进的 Deep Inertial Poser 架构，通过双向长短期记忆（Long Short - Term Memory，LSTM）模型预测上臂方向。此外，还通过建立数学模型来描述 PTT 与血压、手臂姿势的关系，并基于实验数据进行个性化校准，以提高模型的准确性。
下面来详细看看研究结果：
- 深度学习实现手臂姿势跟踪：研究人员将手臂视为由上臂和前臂组成的两个刚性部分，通过在手腕佩戴单个 IMU 传感器测量前臂方向，利用深度学习模型预测上臂方向，进而确定手臂姿势。经实验验证，模型经微调后，预测的角度误差显著降低，平均推理时间短于心脏周期，能够满足实时血压跟踪应用的需求，即使在计算能力较低的设备上也能高效运行。
- 建模分析手臂姿势对 PTT 的影响：从 Moens - Korteweg 和 Hughes 方程出发，研究人员推导出描述 PTT 与血压、手臂姿势关系的数学模型。模拟结果表明，PTT 随血压升高而单调减少，手臂姿势的变化会导致 PTT 显著变化。实验数据也验证了该模型的准确性，与未校正模型相比，考虑静水压影响的校正模型能更好地拟合测量的 PTT 数据，显著提高了预测的准确性和相关性。
- 基于校正模型的血压预测：研究人员应用校正后的模型进行血压预测，分别对舒张压（Diastolic Blood Pressure，DBP）和收缩压（Systolic Blood Pressure，SBP）建立模型。实验结果显示，与未校正模型相比，校正后的模型显著降低了平均绝对误差（Mean Absolute Error，MAE），在不同手臂高度下都能更准确地预测血压，且预测结果的一致性更好，满足临床准确性标准，模型性能在长时间内也保持稳定。
综合研究结果，IMU - Track 方法成功实现了对静水压误差的有效校正，能够在手臂位置变化的情况下准确预测血压。这一成果具有重要意义，它为未来无袖带血压监测设备的发展提供了新的方向，有望提高医院内外血压测量的准确性，改善心血管疾病的诊断和管理。不过，该研究也存在一定的局限性，如校准程序还可以进一步简化，样本量需要扩大以满足临床和监管标准，还需进一步研究不同传感器放置位置、日常活动中的运动以及长期准确性和稳定性等问题。未来，随着研究的不断深入，这些问题有望得到解决，为人们的健康监测带来更多便利和保障。
生物通微信公众号
