《Integrated Circuits and Systems》：Guest Editorial Special Section on IEEE MeMeA 2024
编辑推荐：
本特辑聚焦医疗测量技术前沿，推荐三篇突破性研究：Laska等通过知识蒸馏将语音大模型轻量化，实现嵌入式设备上的咳嗽监测与分类；Botrugno等结合多波长PPG与CNN-SVR混合模型，开发出误差<2 mmHg的无袖带血压监测系统；Suriani等基于多普勒波形形态学指标与多元回归，提出无需压力测量的颈动脉脉搏波速度评估新方法。这些研究彰显了人工智能与医疗仪器融合在呼吸监护、心血管风险评估等领域的巨大潜力。
随着全球人口老龄化进程加速和慢性疾病负担日益加重，智能医疗监测技术正成为健康管理领域的重要突破口。传统医疗监测设备往往存在操作复杂、成本高昂、依赖专业场所等局限，难以满足人们对长期、连续、无扰动的健康数据采集需求。特别是在家庭护理和社区医疗场景中，如何通过轻量化的可穿戴设备或环境嵌入式计算系统，实现关键生理参数的精准捕捉与智能分析，已成为当前研究的热点与难点。
以呼吸系统监测为例，咳嗽作为呼吸道疾病最常见的症状之一，其频率、强度和性质（如干咳或湿咳）的变化对慢性阻塞性肺疾病、哮喘、肺炎等疾病的诊断与疗效评估具有重要参考价值。然而，现有基于音频的咳嗽监测方案大多依赖云端计算，存在隐私泄露风险且实时性较差。同样，在心血管风险评估领域，动脉僵硬度是预测心脑血管事件的关键指标，通常通过颈动脉脉搏波速度（carotid Pulse Wave Velocity, cPWV）进行量化，但传统cPWV测量需要同步获取压力波形和血管直径变化，操作技术要求高且不适于常规筛查。而无袖带血压监测技术虽然已有多年研究历史，但基于单波长光电容积脉搏波（Photoplethysmography, PPG）或脉冲波传导时间（Pulse Transit Time, PTT）的方法仍受限于个体差异和运动伪影，难以达到临床认可的精度。
为解决上述挑战，研究人员在IEEE医学测量与应用国际研讨会（MeMeA）2024年特辑中报道了多项创新成果。这些工作通过深度融合先进信号处理、机器学习算法与医疗仪器设计，为下一代智能健康监测系统提供了新思路。
关键技术方法方面，研究[1]利用知识蒸馏技术将预训练语音大模型中的咳嗽特征信息迁移至轻量级ResNet架构，在嵌入式设备上实现咳嗽检测、分类与用户识别；研究[2]采集81名受试者的多波长PPG信号，构建卷积神经网络（CNN）与支持向量回归（SVR）的混合模型，结合生理参数进行个性化血压预测校正；研究[3]基于大样本虚拟队列的多普勒速度波形形态学指标，建立多元回归模型估算cPWV，并在心脏手术患者群体中进行临床验证。
咳嗽监测的嵌入式智能实现
Laska等人提出名为“Coughprint”的创新方案，其核心突破在于将通用语音大模型所蕴含的声学特征表示能力，通过知识蒸馏（Knowledge Distillation）技术迁移至计算资源受限的嵌入式设备。该方法首先利用在海量语音数据上预训练的语音基础模型（如Wav2Vec 2.0或HuBERT）提取咳嗽音频的高维嵌入特征，随后通过注意力机制引导的特征对齐，将这些咳嗽特异性信息压缩到一个参数量减少200倍以上的轻量级ResNet网络中。实验结果表明，该模型不仅能以较高准确率区分咳嗽与非咳嗽事件，还能进一步对湿咳与干咳进行自动分类，同时支持多用户场景下的身份识别。尤为重要的是，所有计算过程均在本地设备完成，避免了音频数据上传云端可能带来的隐私泄露问题，为居家养老环境中的实时呼吸监护提供了可行路径。
多波长PPG赋能无袖带血压精准预测
Botrugno团队开发了一套结合多波长光电容积脉搏波（Multi-wavelength PPG）与混合机器学习框架的无袖带血压估计系统。与传统单波长PPG相比，多波长测量能够捕获不同深度血管床的血流动力学信息，提供更丰富的生理特征。技术路线上，作者设计了一个双阶段处理流程：首先采用卷积神经网络（CNN）从多通道PPG信号中自动提取与血压相关的时域、频域非线性特征；随后引入支持向量回归（SVR）模块，结合用户的心率、血管弹性指数等个性化生理参数对CNN输出的初步预测结果进行精细校正。在包含81名志愿者的新数据集上的测试显示，该系统对收缩压和舒张压的预测平均绝对误差均控制在2毫米汞柱（mmHg）以内，不仅显著优于基于脉冲波传导时间（PTT）的传统方法，而且满足美国医疗器械促进协会（AAMI）和英国高血压学会（BHS）的临床标准。这项研究为开发无需定期校准的可穿戴动态血压监测设备奠定了坚实基础。
基于多普勒波形形态学的无创动脉僵硬度评估
Suriani等人致力于简化颈动脉脉搏波速度（cPWV）的测量流程，提出了一种仅需单次多普勒超声扫描即可估算局部cPWV的无压力测量方法。该方法的创新点在于规避了传统方案对同步压力-直径测量的依赖，转而从脉冲波多普勒（Pulsed Wave Doppler）获取的血流速度波形中提取一系列形态学指标（如峰值流速、加速度时间、波形面积比等），并通过在大规模虚拟人群数据上训练的多元线性回归模型建立这些指标与cPWV的映射关系。在心脏手术患者群体的临床验证中，该方法的测量结果与有创参考值相比处于临床可接受误差范围内，且重复性显著优于其他无压力替代方案。这表明利用常规超声设备即可实现动脉僵硬度的快速、稳健评估，有望在基层医疗机构推广用于心血管风险筛查。
综上所述，本特辑收录的三项研究分别从呼吸道音分析、光学容积脉搏波解析和超声多普勒信号处理三个维度，展示了人工智能与医疗测量技术深度融合所带来的范式变革。Laska等人的工作证明了知识蒸馏在资源受限环境下实现复杂音频事件检测的可行性；Botrugno等通过多波长传感与混合建模策略将无袖带血压监测精度提升至临床级水平；Suriani等则巧妙利用信号形态学分析简化了血管功能评估的操作门槛。这些成果不仅解决了特定应用场景下的技术瓶颈，更重要的意义在于它们共同指向一个未来趋势：通过边缘智能、多模态传感融合和轻量化算法设计，医疗测量技术正逐步从专业医疗机构走向家庭和社区，从而实现疾病预防与健康管理的关口前移。随着传感器微型化、算法效率的持续提升以及临床验证的不断深入，这类技术有望在慢性病管理、老年康护、远程医疗等领域发挥更大价值，最终推动个性化、普惠化医疗健康服务模式的实现。
