基于时序-频谱卷积网络的无创血压估计方法VOLEMIA研究

本研究针对传统血压(BP)监测依赖有创/多传感器的问题，提出非侵入性光电容积描记(PPG)信号分析方法VOLEMIA。通过创新性开发脉冲混合解构器(PBD)和脉冲频谱提取器(PSE)，结合时序-频谱卷积网络(TSCN)与复合损失函数，在自建DILPPG和公开MIMIC-II数据集上实现优于现有方法的SBP/DBP估计精度，为可穿戴设备血压监测提供新范式。

　　

心血管疾病是全球首要死因，而血压(BP)作为关键生理参数，其持续监测对高血压等疾病的早期预警至关重要。传统袖带式测量虽准确却存在舒适性差、无法连续监测等局限，基于光电容积描记(Photoplethysmography, PPG)的无创检测技术因其可集成于智能手表等穿戴设备而备受关注。然而现有PPG血压估计方法面临三大挑战：长时程信号易受噪声干扰、依赖人工提取形态学特征而忽略频谱信息、收缩压(SBP)与舒张压(DBP)的关联性未被充分利用。

印度理工学院印多尔分校的研究团队在《Digital Signal Processing》发表的研究中，提出名为VOLEMIA的创新框架。该研究通过脉冲混合解构器(PulseBlend Deconstructor, PBD)将长PPG信号分割为重叠短片段并融合降噪，利用脉冲频谱提取器(Pulse Spectra Extractor, PSE)挖掘PPG频谱特征，结合改进的时序-频谱卷积网络(Temporal-Spectral Convolutional Network, TSCN)和复合损失函数L_c
(·)，在自建DILPPG数据集(含同步PPG-BP测量)和公共MIMIC-II数据集上验证了方法的优越性。

关键技术包括：(1)PBD机制通过分段重构提升信号抗噪性；(2)PSE提取与SBP/DBP相关的频谱特征；(3)TSCN网络联合学习时序-频谱特征；(4)复合损失函数同步优化SBP/DBP估计。研究采用IHEC伦理委员会批准的DILPPG数据集(含详细受试者协议)和MIMIC-II标准数据集进行验证。

主要研究结果

1. 噪声抑制：PBD通过分治策略将1分钟PPG信号分割为15秒重叠片段，经特征对齐和加权融合后，信噪比提升23.6%，为后续分析提供纯净输入。
2. 特征提取：PSE模块采用短时傅里叶变换(STFT)捕获0.5-8Hz频段的谐波成分，实验显示3次谐波与DBP相关性达0.81(p<0.01)。
3. 网络架构：TSCN包含并行时序卷积分支(5层TCN)和频谱卷积分支(3层2D-CNN)，特征融合后接入BiLSTM捕捉长程依赖，参数量仅2.7M。
4. 联合优化：复合损失函数L_c
   (·)=0.6L_ind
   +0.4L_cor
   ，其中L_ind
   为MAE损失，L_cor
   为SBP-DBP相关性约束，使预测值间皮尔逊系数提升至0.89。

性能验证
在DILPPG数据集上，VOLEMIA达到SBP/DBP平均绝对误差(MAE)为5.2/3.8 mmHg，优于U-Net基准模型(7.1/5.3 mmHg)。MIMIC-II测试中，其符合BHS标准A级要求，运动干扰场景下稳定性提升40%。消融实验证实PBD、PSE和L_c
(·)分别贡献21%、18%和15%的性能增益。

结论与展望
该研究首次系统论证了PPG频谱特征对血压估计的补充价值，VOLEMIA框架通过噪声抑制、多模态特征融合和联合优化策略，为可穿戴医疗设备提供了高精度的无创血压监测方案。未来工作将探索跨设备泛化性和动态血压预测能力。研究获得印度总理研究奖学金(PMRF)支持，DILPPG数据集将在论文录用后公开，推动领域研究发展。