《Biomedical Signal Processing and Control》：Novel approach to blood pressure estimation using graph-based signal relationships
编辑推荐：
血压（BP）估计对于BP的准确测量和监测至关重要。本研究通过提出一种使用基于图的网络模型来估计和预测BP的新方法，推进了传统方法。该模型利用连接信息来描绘信号之间关系的强弱，从而提高了BP估计的准确性。研究人员采用欧氏距离（EDC）来表示信号之间的关系，而部分
血压（BP）估计对于BP的准确测量和监测至关重要。本研究通过提出一种使用基于图的网络模型来估计和预测BP的新方法，推进了传统方法。该模型利用连接信息来描绘信号之间关系的强弱，从而提高了BP估计的准确性。研究人员采用欧氏距离（EDC）来表示信号之间的关系，而部分直接相干性（PDC）则用作统计方法。此外，研究人员的基于图的模型使用基于峰值间隔的邻接矩阵来表示这些关系。本研究旨在利用多通道生理信号创建一个准确可靠的模型。模型性能评估采用受试者内模型进行个体评估，以及受试者间模型在所有受试者中进行。基于峰值间隔邻接矩阵的受试者内评估显示，收缩压（SBP）的平均绝对误差（MAE）为1.933，均方根误差（RMSE）为1.805，相关系数r为0.515；舒张压（DBP）的MAE为2.674，RMSE为1.802，r为0.534。受试者间评估显示，SBP的MAE为5.579，RMSE为2.413，r为0.460；DBP的MAE为9.599，RMSE为2.602，r为0.470。
高血压是多种心血管疾病的主要风险因素，准确估计和监测血压（BP）对健康管理至关重要。传统BP测量方法包括有创动脉血压（ABP）和无创袖带法，但前者可能引起出血和感染等副作用，后者也会给用户带来不适。因此，无袖带、无创的连续BP监测方法成为研究热点，例如基于脉搏波速度（PWV）或脉搏传输时间（PTT）的方法，利用心电图（ECG）、光电容积描记图（PPG）和心冲击图（BCG）等信号。然而，现有方法多依赖单一时间度量或深度学习（DL）模型，难以有效建模多通道信号间的时空关系，且DL模型需大量数据训练，泛化能力受限。近期图神经网络（GNN）在生物信号分析中展现出优势，但多数研究仅使用ECG和PPG，忽略了BCG的机械特性，且邻接矩阵常基于简单相关系数，未能准确反映生理时间依赖关系。因此，研究人员提出一种基于图的网络模型，整合ECG、PPG和双通道BCG信号，利用信号间关系提高BP估计精度。
研究人员采用了图卷积网络（GCN）作为核心模型。主要技术方法包括：
1. **数据采集与预处理**：从20名受试者（坐于安装有聚偏氟乙烯（PVDF）膜传感器的椅子上）记录ECG（Lead-II）、PPG（手指）和BCG（背部和臀部）信号，采样率1000 Hz，并使用Finometer（指套）和上臂袖带校准连续BP波形。信号经二阶无限冲激响应（IIR）巴特沃斯带通滤波（ECG: 0.5–35 Hz; PPG: 0.5–8 Hz; BCG: 4–15 Hz），归一化后降采样至250 Hz，再分割为6秒窗口（重叠250样本）。
2. **图卷积网络（GCN）构建**：每个节点对应一个生理信号段，节点特征包含ECG、PPG和双通道BCG数据。模型包含3个图卷积模块和密集层结构，学习率0.001，批大小32。
3. **邻接矩阵生成**：基于三种方法构建边关系：（a）欧氏距离（EDC）表示信号间的瞬时空间相似性；（b）部分直接相干性（PDC）基于多变量自回归（MVAR）模型捕获频域因果方向；（c）基于峰值间隔的邻接矩阵利用ECG R峰、PPG P峰和BCG J峰之间的时间间隔（反映脉搏传输时间PTT关系）定量评估信号间方向性和强度。
4. **模型评估**：采用受试者内（7:3划分训练/测试）和受试者间（留一法LOSO交叉验证）实验，评估指标包括平均绝对误差（MAE）、均方根误差（RMSE）和皮尔逊相关系数r。基准模型为双向门控循环单元（Bi-GRU）和基于PTT的传统模型，并开展消融实验（通过置零输入信号）评估各信号贡献。
研究结果分为以下小节：
### 4.1 GNN-based BP estimation
- **受试者内实验**：采用基于峰值间隔邻接的GCN模型在收缩压（SBP）上获得MAE 1.933 mmHg、RMSE 1.805 mmHg、r 0.515；在舒张压（DBP）上MAE 2.674 mmHg、RMSE 1.802 mmHg、r 0.534（表2）。与EDC和PDC邻接相比，峰值间隔方法展现最低误差和较高相关性。消融实验（表4）显示，去除ECG或PPG显著增大SBP预测误差，去除BCG（臀部或背部）也影响性能，多信号联合去除导致更大性能下降，表明各通道贡献互补。
- **受试者间实验**：峰值间隔邻接模型在SBP上MAE 5.579 mmHg、RMSE 2.413 mmHg、r 0.460；在DBP上MAE 9.599 mmHg、RMSE 2.602 mmHg、r 0.470（表3）。消融实验（表5）进一步证实多信号集成的重要性，三信号同时去除导致预测误差显著上升。
### 4.2 Benchmark models for BP estimation
- 与基准模型对比（表6、表7）：在受试者内设置中，Bi-GRU模型的SBP MAE为8.894 mmHg、RMSE 11.574 mmHg，PTT模型误差极大（SBP MAE 41.496 mmHg）。受试者间设置中，Bi-GRU的SBP MAE为7.661 mmHg、RMSE 10.790 mmHg，而提出的峰值间隔GCN模型始终优于两者，且误差更低、相关性更高，证明图基框架的优越性。
### 4.3 Validation of results
- 散点图（图7）显示，基于图模型的预测值与真实值呈较好线性聚集，而PTT模型呈分散分布。Bland-Altman图（图8）表明，大多数数据点落在95%置信区间内，证明图基模型可靠性高，且峰值间隔方法表现最佳。
在讨论部分，研究人员指出：该研究通过图网络建模多通道生理信号间的关系，显著提升了BP估计性能。受试者内结果中，基于峰值间隔邻接的GCN模型较Bi-GRU和PTT模型大幅降低了MAE和RMSE（如SBP MAE从8.894 mmHg降至1.933 mmHg），归因于其能有效捕捉ECG、PPG和BCG信号间的时域依赖和生理传播顺序。受试者间结果同样表明，图基模型因考虑跨信号因果和同步性，泛化能力优于依赖单一时间度量的PTT方法。消融实验验证了各信号对整体性能的互补贡献，特别是ECG/PPG提供心血管时序信息，BCG提供机械脉动信息。结论部分总结如下：**本研究证明了使用图网络模型能够通过将多通道生理信号间的关系表示为图的邻接矩阵，提高BP估计精度；基于峰值间隔的方法在受试者内模型中表现最佳，并通过与Bi-GRU和PTT模型的基准测试验证了图基方法的优势；该研究展示了图基方法在BP估计中的潜力，为未来生物信号健康监测研究奠定基础。**
