基于脉搏血氧饱和度（PPG）的血压预测中的数据-知识特征融合：通过功能数据分析和知识约束实现低维提取

本研究提出一种知识约束特征空间引导的深度融合方法，将光电容积描记（PPG）信号中的知识特征（KF）与数据特征（DF）深度融合，构建低维高区分度特征集，显著提升非侵入式血压预测精度，较传统方法降低收缩压MAE至11.41，舒张压MAE至7.27。

唐青峰|胡慧慧|陶超|丁鹏程|戴国伟|王广军|胡晓娟|苏本月|徐家托|慧安

安徽师范大学数字与智能健康研究中心，中国安庆246133

摘要

尽管将光电容积描记法（PPG）的知识特征（KF）和数据特征（DF）进行连接可以提高血压监测模型的预测性能，但这种方法不可避免地会增加特征空间的维度。为了解决这一限制，我们提出了一种创新的特征提取方法，该方法深入整合了KF和DF，而不仅仅是简单地将它们连接起来。

我们的方法采用功能数据分析，将PPG视为连续的功能曲线来提取DF。随后，详细分析KF的分布模式，构建一个基于KF的受限空间，作为提取DF的指导，从而产生新的数据-知识特征（DKF）。

在血压预测方面的实验结果表明，无需额外的维度，9维DKF的预测性能优于9维DF和8维KF。具体来说，对于收缩压预测，DKF将平均绝对误差（MAE）降低到11.41，优于KF（MAE=12.11）和DF（MAE=13.24）。同样，对于舒张压，DKF的MAE为7.27，低于KF（7.41）和DF（7.84）。

所提出的特征提取方法有效克服了特征连接的缺点，提供了一种新颖且有效的方法，可以从PPG中提取低维、高区分度的特征，以实现准确的血压估计。

引言

心血管疾病仍然是全球死亡的主要原因，约占所有死亡人数的32%。在心血管疾病的主要风险因素中，持续性高血压尤为突出[2]。根据世界卫生组织的统计，全球约有11亿人患有高血压，其中近三分之二的病例集中在低收入和中等收入国家[3]。这种普遍性凸显了它作为一个重大全球公共卫生挑战的严重性。此外，临床研究表明，与高血压相关的血栓栓塞并发症可能导致危及生命的结果，包括心肌梗塞、中风、终末期肾病和血管性痴呆[4]。

目前的临床血压监测主要依赖于袖带式测量和侵入性技术。血压计作为医院中最广泛采用的设备，存在一些临床局限性。首先，袖带的充气和放气过程会给患者带来显著的不适[5]。这在连续监测期间尤其成问题，因为反复的夜间测量会严重影响睡眠质量。其次，这种方法容易受到“白大衣高血压”现象的影响，即患者在临床环境中由于压力而出现短暂的血压升高[6]，这可能会影响诊断的准确性。相比之下，侵入性血压监测虽然可以提供连续和精确的测量，但需要动脉导管插入。这一过程不仅会引起患者不适，还可能带来感染和血肿等并发症的风险[7]。因此，开发新型的无袖带、非侵入性和连续的血压监测系统对于家庭、职业和临床环境中的可靠血压管理至关重要。

数字传感技术的进步促进了可穿戴监测系统的出现，这些系统作为生命体征采集的创新解决方案。这些系统通常整合了信号处理算法、机器学习模型和先进的生理建模[8]、[9]。其中，光电容积描记法（PPG）作为一种非侵入性的血压监测方法显示出巨大的潜力。PPG基于光学原理来检测微循环系统中的周期性血容量变化[10]。由于其成本效益高且易于集成，这项技术已被广泛用于监测各种心血管参数[11]。从技术角度来看，PPG系统主要由一个发光二极管（LED）源和一个光电探测器组成。这种架构的简单性，加上低制造成本，使得高性能的PPG传感器能够无缝集成到各种可穿戴设备中，从而实现方便和连续的血压监测。

本研究的目的是开发高效的低维PPG特征，并通过整合机器学习算法构建一个非侵入性血压监测模型，以提高基于PPG的血压预测的准确性。这项研究有望为可穿戴健康监测设备提供更可靠和用户友好的血压评估解决方案，从而在全球范围内促进心血管疾病的早期筛查和管理。

相关研究

相关工作

目前，脉波分析已成为非侵入性血压评估的关键方法。这项技术的一个主要优势是它能够仅使用单个PPG来评估高血压风险。它通过分析脉波特征与血压值之间的相关性来预测血压[12]。从技术角度来看，脉波分析主要涉及两个核心组成部分：PPG特征提取方法和

数据集

本研究使用的数据来自Liang等人发布的PPG-BP数据库[1]（表1）。数据收集自中国桂林人民医院，包括219名受试者（104名男性，47.5%；115名女性，52.5%），年龄范围为21-86岁（中位年龄：58岁）。每位受试者记录了三次PPG数据，每次持续2.1秒，采样率为1000 Hz，通过红外传输方法在左食指指尖获取。同时记录了生理参数

方法

本研究主要利用PPG结合人工智能算法来构建一个非侵入性血压预测工具，实现了图2中所示的综合性框架。研究包括三个主要模块：数据预处理、特征提取、模型构建和评估。

信号预处理

在原始PPG数据采集过程中，运动伪影、环境噪声和生理波动会显著降低信号质量，主要表现为高频噪声污染和低频基线漂移。为了确保分析的可靠性，我们开发了一个系统的预处理流程（图5）。使用脉波PSQI作为选择标准，我们保留了165个PSQI > 0.6的高质量信号，用于后续分析。

知识约束参数优化

本研究提出了一种特征提取

讨论

本研究提出了一种新颖的特征融合框架，该框架整合了数据驱动和知识引导的PPG特征，用于非侵入性血压监测。实验结果表明，所提出的双模态融合策略（DKF）通过将生理知识约束纳入高斯混合模型，增强了模型的预测能力，同时没有增加维度。此外，与简单的连接方法相比，我们的特征融合方法降低了

CRediT作者贡献声明

唐青峰：撰写 – 审稿与编辑，撰写 – 原始草案，方法论，资金获取。胡慧慧：撰写 – 审稿与编辑，撰写 – 原始草案，数据管理。陶超：撰写 – 审稿与编辑，撰写 – 原始草案。丁鹏程：撰写 – 审稿与编辑。戴国伟：方法论。王广军：方法论。胡晓娟：概念化。苏本月：监督，概念化。徐家托：监督，项目管理，资金获取。慧安：

代码可用性

本研究使用的数据和代码可在https://github.com/dpc168/Data-knowledge-feature-fusion-for-PPG-based-blood-pressure-prediction公开获取。

利益冲突声明

作者声明他们与本文的发表没有利益冲突。

致谢

本工作得到了中国国家重点研发计划（项目编号：2017YFC1703300、2017YFC1703301）、国家自然科学基金（项目编号：81973750、81904094、62502007、62302014）以及安徽省高校优秀青年科研项目（项目编号：2024AH030038）的支持。