引言
心血管疾病（CVDs）是全球范围内导致死亡的主要原因，凸显了对创新性心脏健康监测方法的需求。血压（BP）作为动脉僵硬度和心血管疾病风险的关键指标，传统上通过袖带进行瞬时测量，但无法捕捉全天因活动、压力和昼夜节律引起的自然波动。现有的无袖带血压监测系统通常结合心电图（ECG）和光电容积脉搏波（PPG）读数来间接估算血压，但这些方法可能需要校准且对运动伪影敏感。本研究提出了一种简化的替代方案：探究单导联ECG是否包含足够的信息以支持24小时连续血压预测，其目标是评估在符合概念验证部署的受控条件下，仅使用ECG进行无袖带血压估算的合理性。
生物传感器系统
本研究构建了一个三设备生物传感器系统。核心设备是用于采集ECG和基于光电容积脉搏波（PPG）的心率（BPM）的苹果手表。第二个设备是拜耳BM55血压袖带，用于提供临床认可的瞬时血压和BPM参考读数。第三个设备是实验室自制的数字听诊器，用于捕获心音以推导机械BPM，提高数据采集过程中对抗环境噪声的鲁棒性。该数字听诊器的设计模仿了医疗专业人员将听诊器垂直于胸部的操作方式，其手持式设计包含一个3D打印的外壳和一个压电“接触”麦克风。信号首先传输到本地网络应用，然后上传至谷歌云平台（GCP）进行自适应去噪和数字放大。
数据管理
从三个设备收集的所有数据首先传输到可在连接互联网的PC上访问的本地网络应用程序，该程序作为临时数据存储的主要枢纽。用户提交其BPM、BP和ECG数据集后，数据被发送到应用程序的后端进行预处理，主要是将数字听诊器文件转换为可计算BPM的格式。预处理完成后，BPM值、ECG数据和血压袖带数据被传输到GCP进行长期存储和分析。
BPM估算与跨设备一致性
信号可信度是任何血压推断的前提，因此本研究强调跨设备BPM一致性作为验证步骤。数字听诊器通过检测30秒窗口内的总心跳数（N）来计算BPM，公式为 BPM = 2N。比较分析显示，苹果手表（平均70.54 BPM）与血压袖带（平均72.82 BPM）之间存在2.28 BPM的平均差异。在包含数字听诊器的50次试验中，苹果手表（参考标准，平均69.56 BPM）、数字听诊器（平均71.04 BPM）和血压袖带（平均72.08 BPM）显示出良好的一致性，数字听诊器与苹果手表的平均差异仅为1.48 BPM。这些结果表明所有设备都能精确测量BPM，数字听诊器的声学心跳检测方法能有效反映苹果手表的PPG计算。
AI模型
AI模型使用公开的重症监护多参数智能监测II（MIMIC-II）临床数据库的子集和自主神经老化动态数据集进行训练。ECG信号在训练前使用离散小波变换（DWT）进行预处理，以去除基线漂移（0–0.25 Hz）和高频噪声（250–500 Hz）。研究评估了三种深度学习架构：U-Net、长短期记忆网络（LSTM）和Transformer。模型性能使用平均绝对误差（MAE）和英国高血压学会（BHS）分级标准进行评估。在MIMIC-II数据集上，LSTM模型对舒张压（DBP）的MAE最低（1.80 mmHg），并获得BHS“A”级；U-Net对收缩压（SBP）的MAE最低（6.13 mmHg），获得“B”级。在自主神经老化数据集上，LSTM模型同样表现出色（SBP MAE 6.85 mmHg，B级；DBP MAE 2.05 mmHg，A级）。Transformer模型在两个数据集上表现均不理想。因此，研究选择了标准的LSTM架构进行ECG数据的推理。训练好的模型可生成24小时连续血压预测波形，该波形被平均为一个瞬时值，并与袖带读数进行比较。
讨论
技术可行性与模型性能：本研究证明了通过基于云的AI模型，仅使用ECG数据连续估算血压的可行性。LSTM模型在所有测试算法中实现了最低的平均绝对误差。在包含运动噪声增加的自主神经老化动态数据集上，LSTM架构保持了稳定的性能，支持了所提出模型在半真实条件下的鲁棒性。跨设备BPM比较显示了苹果手表和实验室听诊器之间的强一致性，证实了不同传感模式间的时间一致性。
与现有研究的比较和新颖性：与以往主要依赖ECG+PPG等多模态传感的无袖带血压监测系统相比，本研究展示了单导联ECG结合独立的机械验证通道和基于云的AI模型，可以在简化硬件架构的同时达到相当的准确性。本工作的新颖性在于其系统级集成，将单传感器简洁性、机械心跳验证和云连接推理管道结合到一个连贯的框架中。
数字听诊器设计与优化：数字听诊器采用压电接触麦克风，优化后能更好地抑制噪声并捕获更清晰的心音波形。最终的预处理，包括在GCP上进行的去噪和放大，显著提高了心音图（PCG）信号的清晰度。
临床意义与局限性：所提出的系统显示出强大的技术可行性，但应被视为概念验证原型而非临床设备。所使用的数据集在人口统计学和病理学多样性方面有限，验证使用的是消费级而非医疗级参考设备，这些因素限制了该系统在医疗环境中的即时适用性。
未来改进与工作：未来的研究将扩展数据集，探索使用心音图（PCG）数据开发预测模型，并计划将PCG、ECG和BPM信号整合到统一的多模态框架中。还将评估混合深度学习架构，以解决Transformer相对较弱的基础性能问题。
结论
本研究提出了一种新颖的、基于AI的生物传感器系统，该系统可从ECG数据产生连续的24小时血压预测波形，并得到所有设备的BPM验证支持。该系统代表了一个原型、非侵入性的框架，展示了连续血压估算的技术可行性。LSTM深度学习架构在测试的架构中表现出最佳性能，数字听诊器的声学数据为未来基于PCG的预测模型奠定了基础。虽然信号噪声和训练数据多样性有限等挑战依然存在，但该系统令人鼓舞的性能表明其有潜力成为一种实用的个性化健康监测工具。
实验部分
生物传感器设置与数据收集：研究中使用的生物传感器包括用于收集BPM和ECG信号的苹果手表、用于测量瞬时BP和BPM的拜耳BM55血压袖带，以及用于测量BPM的定制数字听诊器。
AI模型训练、验证与比较：使用MIMIC-II数据集和自主神经老化动态数据集来训练和验证AI模型。测试了三种深度学习模型：U-Net、LSTM和Transformer。模型性能通过比较预测的收缩压和舒张压值与参考值进行评估，评估指标包括MAE和BHS标准。
GCP基础设施：选择GCP是因其强大且可扩展的基础设施，非常适合处理生物传感器数据的高容量和复杂性。
机构审查委员会批准：本研究经贝勒大学机构审查委员会（IRB）审查，确定不构成人类受试者研究，因此不需要IRB批准和知情同意。
