基于可穿戴惯性传感器与深度学习的血压静水压校正方法：实现无袖带精准血压监测的新突破

本研究针对无袖带血压(BP)监测中因传感器位置变化导致的静水压(Ph)误差问题，开发了名为IMU-Track的创新方法。研究人员通过可穿戴惯性传感器(IMU)结合深度学习模型，实时追踪手臂姿态参数(θu和θf)，建立脉冲传导时间(PTT)与血压的解析模型，成功将手臂位置变化引起的收缩压/舒张压误差从13.5±1.1/15.0±1.0 mmHg降低至5.9±0.7/6.8±0.5 mmHg。该技术为动态血压监测提供了无需流体导管的高精度解决方案，具有重要临床转化价值。

　　

血压监测是心血管疾病管理的基石，但传统袖带式设备存在干扰性强、无法连续测量等局限。尽管基于脉冲传导时间(PTT)的无袖带技术崭露头角，传感器位置变化导致的静水压(P_h)误差却成为技术瓶颈——手臂每偏离心脏水平25厘米，就会产生高达15 mmHg的测量偏差。现有解决方案依赖连接心脏与传感器的流体导管，严重限制了设备的穿戴舒适性和日常使用。

哥伦比亚大学(Columbia University)的研究团队在《npj Biosensing》发表的研究中，提出了革命性的IMU-Track系统。该系统通过单腕部惯性传感器(IMU)采集加速度和方向数据，利用改进的Deep Inertial Poser深度学习架构（双向LSTM模型）实时推算上臂俯仰角θ_u，结合直接测量的前臂俯仰角θ_f，构建了包含静水压补偿因子的PTT解析模型（公式1a-c）。研究团队通过20名受试者的实验验证，证明该方法可将不同手臂高度下的血压测量误差控制在临床可接受范围内（<7 mmHg），且智能手机端模型推理时间仅134毫秒，满足实时性要求。

关键技术方法包括：1) 基于VT-NMP数据集预训练的双向LSTM姿态预测模型；2) 结合Moens-Korteweg方程推导的PTT-血压解析模型；3) 使用BIOPAC系统同步采集ECG/PPG信号；4) 通过留一法交叉验证评估模型性能。

研究结果

深度学习实现手臂姿态追踪

改进的Deep Inertial Poser模型将上臂俯仰角θ_u预测误差从44.2°降至4.5°，

。模型经8位量化后推理时间缩短至35.5 ms，精度损失仅0.5°，证实其在移动设备的适用性。

静水压对PTT影响的建模验证

建立的解析模型揭示PTT与血压呈负相关，而手臂上抬会显著增加PTT（P<0.0001）。实验数据显示，手臂从心脏水平下移25厘米时PTT缩短12.3 ms，上移25厘米时延长14.7 ms，与理论预测高度一致

。

血压预测性能提升

静水压校正使收缩压/舒张压预测的平均绝对误差(MAE)分别降低54.3%和53.3%，Bland-Altman分析显示95%一致性界限(LOA)从±15.2 mmHg收紧至±5.7 mmHg，达到AAMI/ESH/ISO标准。Clarke误差网格显示94.8%预测值处于无风险区。

这项研究突破了无袖带血压监测的技术瓶颈，其创新性体现在：1) 首次将深度学习姿态估计应用于血压静水压校正；2) 建立首个包含手臂双段姿态参数的PTT解析模型；3) 实现临床级精度的可穿戴解决方案。该技术不仅适用于医院场景（如ICU连续监测），更为智能手表等消费级设备实现精准血压监测铺平道路。研究者指出，未来可通过简化校准流程、扩大人群验证进一步推动临床转化，最终实现"无感化"的血压监测新时代。