目录
一、引言
二、方法
2.1 数据采集与预处理
2.2 特征提取
2.3 卷积神经网络模型
2.4 训练配置
三、实验结果与分析
3.1 训练过程分析
3.2 定量评估指标
3.3 可视化结果分析
（1）预测曲线对比
（2）误差分布分析
（3）Bland-Altman 分析
四、结论
参考文献
摘要：连续血压监测在心血管疾病诊断与管理中具有重要意义。本研究提出一种基于心电信号（ECG）与光电容积脉搏波（PPG）双模态信号融合的连续血压预测方法。通过对原始信号进行预处理、时频域特征提取，构建卷积神经网络（CNN）模型分别对收缩压（SBP）、舒张压（DBP）和平均动脉压（MAP）进行预测。实验结果表明，ECG与PPG信号融合模型相比单一信号模型具有更优的预测性能，其中SBP预测的MAE为4.70 mmHg，相关系数R达到0.87；DBP预测MAE为6.65 mmHg，R为0.85；MAP预测MAE为5.62 mmHg，R为0.87。本研究为可穿戴设备实现准确、连续的无创血压监测提供了有效的算法支持。
关键词：血压预测；ECG；PPG；信号融合；卷积神经网络；可穿戴设备
一、引言
无创连续血压监测在心血管疾病预防、诊断和治疗中具有重要意义。传统袖带式血压测量方法无法实现连续监测，且舒适性较差。基于生理信号的血压估计方法因其无创、连续的特点成为研究热点。心电图（ECG）和光电容积脉搏波（PPG）作为两种易获取的生理信号，蕴含丰富的心血管系统信息，但单一信号往往存在信息不全、抗干扰能力弱的问题。
近年来，深度学习技术在生理信号处理领域展现出强大潜力。卷积神经网络（CNN）能够自动提取信号中的深层特征，克服了传统手工特征设计的局限性。然而，现有研究多集中于单一信号模态，对多模态信号融合的探索仍不充分。
本研究的主要贡献包括：
构建了包含ECG和PPG双模态信号的数据集（以青年组、老年组为例）
设计了时域与频域相结合的多维度特征提取方法
提出了基于双通道CNN的信号融合架构
实现了SBP、DBP和MAP的同步准确预测
二、方法
2.1 数据采集与预处理
本研究采用某青年组生理信号数据集，包含32名受试者的ECG（采样率500 Hz）和PPG（采样率100 Hz）信号，以及同步采集的SBP和DBP参考值。预处理流程包括：
信号对齐与重采样：将ECG信号降采样至100 Hz以与PPG信号对齐。
信号滤波：ECG：0.5-40 Hz带通滤波，消除基线漂移和高频噪声；PPG：20 Hz低通滤波，保留主要脉搏波成分。
信号分割：采用4秒时间窗（400个采样点）进行信号分段。
数据增强：通过滑动窗口（50%重叠）增加样本量。
2.2 特征提取
从每个信号段中提取11维特征向量，包括：
时域特征（7维）：均值、标准差、方差、峰峰值、均方根值、偏度、峰度
频域特征（4维）：频谱均值、中值频率、最大频谱幅值、谱熵
2.3 卷积神经网络模型
构建统一的CNN网络结构，通过调整输入通道数适应不同输入模式：
网络结构：
图1：CNN网络结构图
构建轻量级 CNN 模型，包含 ** 单模态（ECG/PPG）与融合模态（ECG+PPG 双通道）** 两种输入形式：
- 单模态输入尺寸：
[1, 特征数, 1, 样本数]（如 ECG 输入为[1,11,1,N]）； - 融合模态输入尺寸：
[1, 特征数, 2, 样本数]（拼接 ECG 与 PPG 特征通道）。
2.4 训练配置
- 硬件：单 CPU；
- 优化器：Adam；
- 训练轮数：150 Epochs；
- 批大小：64；
- 学习率：1e-3；
- 数据划分：80% 训练集，20% 验证集。
三、实验结果与分析
3.1 训练过程分析
从训练日志可知：
图2：单ECG训练日志
图3：单PPG训练日志
图4：融合模型ECG&PPG训练日志
- 三个模型的训练损失均随轮数增加持续下降，说明模型收敛稳定；
- 融合模型的 ** 小批量 RMSE 最终值（9.64）** 显著低于 ECG 单模态（13.88）与 PPG 单模态（14.06），表明融合模型的拟合能力更强。
3.2 定量评估指标
对 SBP、DBP、MAP 的预测结果进行定量评估（核心指标：MAE、RMSE、R）：
| 模型 | SBP-MAE | SBP-R | DBP-MAE | DBP-R | MAP-MAE | MAP-R |
|---|---|---|---|---|---|---|
| ECG | 5.67 | 0.74 | 8.29 | 0.77 | 7.21 | 0.77 |
| PPG | 6.54 | 0.55 | 9.65 | 0.63 | 8.38 | 0.62 |
| 融合 | 4.70 | 0.87 | 6.65 | 0.85 | 5.62 | 0.87 |
从表中可见，融合模型在所有指标上均优于单一信号模型：
SBP预测：MAE降低17.1%（相较于ECG）和28.1%（相较于PPG）
DBP预测：MAE降低19.8%（相较于ECG）和31.1%（相较于PPG）
相关系数：融合模型的R值达到0.85以上，表明预测值与真实值高度相关
3.3 可视化结果分析
（1）预测曲线对比
从 “SBP/DBP/MAP 预测对比图” 可见：融合模型的预测曲线（红色）与真实值曲线（黑色）的贴合度显著高于 ECG（蓝色）与 PPG（绿色），尤其是在血压波动区间，融合模型的跟踪误差更小。
SBP预测：融合模型曲线与真实值最为接近，能较好地跟踪血压波动趋势
DBP预测：ECG模型在某些区域出现较大偏差，融合模型表现稳定
MAP预测：融合模型的预测曲线平滑性最好，减少了异常波动
图5：预测曲线对比
（2）误差分布分析
从 “误差分布箱线图” 可见：融合模型的误差箱型更窄、中位数更接近 0，且离群点数量更少，说明其预测误差的离散程度更低、稳定性更强。
图6：误差综合分析
“融合模型 SBP 相关性图” 中，预测值与真实值的散点更集中于对角线附近（R=0.87），表明二者线性相关性强，模型的预测趋势与真实血压一致。
“累积误差分布图” 中，融合模型的曲线最靠左，表明小误差样本比例最高。对于SBP，融合模型约80%样本的绝对误差小于8 mmHg。对于DBP，融合模型约75%样本的绝对误差小于10 mmHg。
（3）Bland-Altman 分析
SBP/DBP 的 Bland-Altman 图显示：融合模型的差值均值接近 0，且 多数数据点都在95% 一致性界限（虚线）的范围内，说明融合模型与真实值的系统误差小、一致性好，满足无创血压监测的临床参考要求。
四、结论
本研究成功构建了基于ECG与PPG信号融合的CNN血压预测模型。实验结果表明，融合模型在SBP、DBP和MAP预测上均优于单一信号模型，其中SBP预测的MAE为4.70 mmHg，RMSE为5.73 mmHg， 较单模态模型降低 15%-25%；相关性 R 提升至 0.85 以上，接近强相关水平。本研究为可穿戴设备实现医疗级无创连续血压监测提供了可行的技术方案，具有重要的临床应用价值。
参考文献
[1] Elgendi, Mohamed, et al. "The use of photoplethysmography for assessing hypertension."NPJ digital medicine2.1 (2019): 60.
[2] Charlton, Peter H., et al. "Assessing hemodynamics from the photoplethysmogram to gain insights into vascular age: a review from VascAgeNet."American Journal of Physiology-Heart and Circulatory Physiology322.4 (2022): H493-H522.
[3] Esmaelpoor, Jamal, Mohammad Hassan Moradi, and Abdolrahim Kadkhodamohammadi. "A multistage deep neural network model for blood pressure estimation using photoplethysmogram signals."Computers in Biology and Medicine120 (2020): 103719.
[4] Solà, Josep, and Ricard Delgado-Gonzalo. "The handbook of cuffless blood pressure monitoring."Cham: Springer(2019).
Tips：下一讲，我们将进一步探讨，PPG信号处理与应用的其他部分。
以上就是基于ECG与PPG信号融合的CNN血压预测模型研究的全部内容啦~
我们下期再见，拜拜(⭐v⭐) ~
（Ps：有代码实现需求，请见下列【微信名片】或【主页信息】，谢谢支持！~）
