利用PPG（光电容积脉搏波）和CNN-BiLSTM-Attention深度学习架构进行无创血压估计

《IEEE Access》：Non-Invasive Blood Pressure Estimation Using PPG and a CNN-BiLSTM-Attention Deep Learning Architecture

　　

摘要：

血压（BP）是心血管健康的重要指标，它反映了每次心脏跳动时循环血液对动脉壁施加的压力。然而，传统的血压测量方法在日常生活中进行连续监测时往往不切实际。为了解决这一限制，人们提出了利用光电容积描记法（PPG）信号的非侵入式估计技术。但这些方法仍面临诸多挑战，包括对人工特征工程的依赖、对噪声和运动伪影的高敏感性，以及无法完全再现血压波形的复杂时间动态，从而限制了估计的准确性和可靠性。本研究提出了一种先进的深度学习框架，利用PPG信号实现精确的非侵入式血压估计。该框架将PPG信号输入到一个混合架构中，该架构包含六个卷积层、两个双向长短期记忆（BiLSTM）层和一个注意力机制，以生成相应的血压波形。从预测的血压信号中提取收缩压和舒张压点，并与参考动脉血压（ABP）信号中的对应值进行比较，以评估估计的准确性。该框架在MIMIC-II数据库的2,064名患者组成的综合数据集上进行了验证，在5折交叉验证中，收缩压（SBP）的平均绝对误差（MAE）为2.44毫米汞柱，舒张压（DBP）为1.72毫米汞柱，平均动脉压（MAP）为1.10毫米汞柱。尽管生成完整血压信号的复杂性增加了，但所提出的方法与现有的血压估计方法相比表现出更优越的性能，突显了其在可扩展的非侵入式心血管健康监测方面的稳健性和有效性。