《Biomedical Signal Processing and Control》：When posture matters: Investigating cuffless BP estimation errors across postural changes
编辑推荐：
本研究探讨了身体姿势如何影响使用消费级可穿戴设备进行无袖带血压（BP）估计，并评估了纳入简单上下文信息是否能减少跨姿势转换时的估计偏差。研究人员在实验室条件下对十五名受试者在六种姿势（坐姿、仰卧、左侧卧、右侧卧、重复仰卧和站立）下进行了对照实验。使用可穿戴设备
本研究探讨了身体姿势如何影响使用消费级可穿戴设备进行无袖带血压（BP）估计，并评估了纳入简单上下文信息是否能减少跨姿势转换时的估计偏差。研究人员在实验室条件下对十五名受试者在六种姿势（坐姿、仰卧、左侧卧、右侧卧、重复仰卧和站立）下进行了对照实验。使用可穿戴设备采集了包括心电图（ECG）、光电容积描记术（PPG）和加速度计信号在内的多传感器数据，将这些数据同步并处理，以提取时序和形态脉搏特征。研究人员将无上下文输入的基线模型与纳入了姿势和人口统计学协变量的上下文感知模型进行了比较，参考BP通过示波法上臂袖带获得。结果显示BP估计存在明显的姿势依赖性偏差，在仰卧位存在系统性低估，在右侧卧和站立位存在高估。将姿势作为上下文特征纳入可减少这些偏差，并提高跨姿势条件的估计一致性，收缩压的平均绝对误差从4.27 mmHg降至4.10 mmHg，舒张压从3.92 mmHg降至3.29 mmHg。虽然误差水平落在常引用的标准精度范围内，但研究结果强调，仅凭这些指标在条件变化时是不够的。结果表明，无袖带BP估计不仅受静态姿势影响，还受过渡性生理效应的影响。总体而言，本研究表明，在受控姿势变化下，简单的上下文感知建模可提高可穿戴设备BP估计的鲁棒性，为姿势上下文在未来无袖带监测系统中的作用提供了见解。
**姿势效应下的无袖带血压估计误差研究解读**
**研究背景与问题**
血压（BP）作为心血管健康的核心指标，传统上通过袖带充气法（听诊法或示波法）获取间歇性读数，无法捕捉日常动态波动。随着消费级可穿戴设备与物联网（IoT）在医疗领域的普及，连续无袖带BP监测成为研究热点，但当前方法多基于实验室级设备或自定义原型，对可穿戴设备在真实生理变异性下的表现认知不足。尤为关键的是，姿势对BP的生理影响在医学文献中已有充分证实（如仰卧、坐位、站立位存在系统性差异，夜间睡眠姿势影响血压，妊娠期子痫前期中姿势可导致10 mmHg的测量偏差），然而无袖带BP估计研究中，姿势诱发的系统性偏差尚未得到系统分析。为此，本研究探索性地评估了姿势变化对消费级可穿戴设备无袖带BP估计误差的影响，并检验纳入简单上下文信息（姿势标签）是否能降低偏差、提升稳定性。该论文发表于《Biomedical Signal Processing and Control》。
**主要关键技术方法**
研究人员从大学和社区招募15名受试者（9男6女，年龄18–69岁，含3名高血压患者），在实验室受控条件下采集六种姿势（坐、仰卧、左侧卧、右侧卧、重复仰卧、站立）的多传感器数据：使用Polar H10胸带记录心电图（ECG），Chileaf CL837臂带（含加速度计）记录光电容积描记术（PPG）和加速度信号，采样率分别为130 Hz和96 Hz；参考BP通过示波法上臂袖带（Omron BP786N）获取。数据处理流程包括：带通滤波（ECG: 0.5–30 Hz，PPG: 0.5–8 Hz）、使用BioSPPy库检测R峰和PPG脉冲峰值、基于时间戳重对齐技术同步多传感器流、逐搏信号质量筛选（排除异常幅度、不规则间隔或形态畸变的搏动）。特征提取包括：脉冲到达时间（PAT，ECG R峰与PPG脉冲峰之间的延迟）、10个时序形态特征（F1–F10，如谷值到峰值时间、收缩期上升时间等）及比值特征（如宽度-周期比、归一化收缩期上升等），结合人口统计学协变量（年龄、BMI、身高、体重、性别）和姿势标签，最终形成28维特征向量。建模采用L1正则化线性回归、支持向量回归（SVR）、随机森林（RF）和AdaBoost，采用留一组交叉验证（每组对应单次实验会话）。
**研究结果**
**5.1. 模型比较（Model comparison）**
通过Bland–Altman分析评估所有姿势下的整体一致性，发现基线模型与上下文感知模型在全局偏差（接近零）和一致性界限上表现相近。但研究人员指出，跨姿势的聚合可能使正负偏差相互抵消，掩盖系统性误差。
**5.2. 姿势对无袖带BP估计的影响（Effect of posture on cuffless BP estimation）**
箱线图分析显示，无上下文模型中不同姿势的误差分布存在明显差异：仰卧位收缩压低估-3.1 mmHg，右侧卧位高估＋4.8 mmHg。纳入上下文后，姿势偏差显著减小：仰卧位低估改善至-2.2 mmHg，右侧卧位高估降至＋2.8 mmHg；舒张压在站立位从-2.7 mmHg改善至-2.0mmHg，右侧卧位从＋4.9 mmHg降至＋2.7 mmHg。此外，序列姿势相位（如第一次与第二次仰卧位）之间误差差异表明，姿势转换后存在短暂的生理适应效应。特征重要性分析显示PAT为最重要预测因子，姿势为第二重要变量，其次为体重、身高、BMI等人口统计学因素；大多数形态学特征重要性较低。
**总结讨论**
讨论部分强调，姿势引入系统性偏差，上下文感知建模可有效降低该偏差，但仅依赖Bland–Altman图不足以反映上下文特异性误差。有限校准模拟表明，受试者特异性校准能降低整体误差方差，但无法消除姿势依赖性偏差，说明校准与上下文建模具有互补作用。研究发现，姿势转换后的短暂血流动力学适应（由压力反射介导的调节和血容量再分布）以及流体静力学效应（手臂与心脏的垂直高度差）共同影响BP估计，而当前模型将姿势视为静态分类变量，未显式建模这些时间动态。信号质量分析显示，稳定姿势期内约96%的搏动为高质量，但转换期间运动伪迹降低信号质量。在临床意义上，本文结果验证了姿势对齐临床常规（如子痫前期筛查、体位性低血压诊断）的重要性，表明简单加速度计导出的姿势标签可减少估计偏差，但需在自由生活条件下进一步验证。
**研究结论（翻译自原文第7节）**
本研究调查了身体姿势对使用消费级可穿戴设备进行无袖带BP估计的影响，并证明纳入简单上下文信息可提高估计稳定性。将姿势作为显式模型输入，在不增加模型复杂度或额外传感模态的情况下，降低了六个受控身体姿势下的系统性偏差，并产生了更一致的BP预测。结果揭示了无袖带BP估计中存在明显的姿势依赖性偏差，在仰卧、侧卧和站立姿势下观察到不同的误差模式。这些发现强调了姿势是一个重要但常被忽视的混杂因素，以及上下文在提高可穿戴BP模型鲁棒性和可解释性中的重要性。虽然观察到的误差水平在受控条件下落在常引用的精度范围内，但本研究不构成正式的临床验证。相反，它提供了证据表明上下文感知建模可减轻姿势诱发的变异性，并提供了使用现有可穿戴传感器增强无袖带BP估计的实用低成本的途径。尽管如此，这项工作仍是探索性的。受控方案和有限的队列规模限制了向真实世界场景的直接推广，其中运动、长时间的姿势误分类和环境变异性可能带来额外挑战。未来的工作将把评估扩展到更大、更多样化的人群，纳入连续的真实世界监测，并进一步研究受试者特异性变异性，以支持鲁棒的上下文感知无袖带BP系统的开发。
