基于领域自适应神经网络（DANN）的无创血压估计方法

拾荒者237

382人浏览 · 2026-03-30 16:49:16

拾荒者237 · 2026-03-30 16:49:16 发布

0 引言

《中国心血管健康与疾病报告2023概要》显示，我国高血压患病人数已达2.45亿[1]。高血压是指以体循环动脉血压（收缩压/舒张压）增高为主要特征，可伴有心、脑、肾等器官的功能或器质性损害的临床综合征。血压长期持续在较高水平可导致全身性动脉硬化、血管阻力增加，并造成心、脑、肾等重要器官的损害及相关疾病的发生，最常见的如脑卒中、心肌梗死和肾衰竭[2]。然而，高血压可防可控。研究表明，在血压不低于115/75 mmHg（1 mmHg=0.133 kPa）的范围内，收缩压每降低10 mmHg，或舒张压每降低5 mmHg，死亡风险降低10%~15%，脑卒中风险降低35%，冠心病风险降低20%，心力衰竭风险降低40%[3]。因此，早期预防与精准控制血压对于降低心血管疾病负担具有重要意义。

随着智慧健康养老与主动健康管理需求的不断上升，国家政策层面亦持续推动新一代信息技术在健康监测领域的应用。2024年1月，国务院发布《关于发展银发经济增进老年人福祉的意见》，明确提出推进可穿戴设备、智能终端等在健康管理领域的集成应用，发展健康管理类、养老监护类智能产品[4]。这为无创、连续、智能化的血压监测技术提供了重要的发展契机与应用场景。

目前，临床常用的血压测量方法主要包括示波法、听诊法等袖带式测量，但其存在间断测量、佩戴不适、难以实现连续监测等局限。无创连续血压估计技术，尤其是基于光电容积脉搏波（PPG）等生理信号的间接测量方法，为动态血压监测提供了可行途径。然而，该类方法在实际应用中常面临个体差异、设备差异、测量环境变化等因素导致的领域偏移问题，严重影响模型在不同人群或场景下的泛化能力。

为此，本文分享一种基于领域自适应神经网络（Domain-Adversarial Neural Network, DANN）的无创血压估计方法，通过对抗性训练机制提取领域不变特征，缓解跨个体、跨设备或跨场景下的数据分布差异，提升血压估计模型的泛化性能与鲁棒性，为实现准确、便捷、可泛化的无创连续血压监测提供新的解决思路。

1 方法

1.1 DANN 介绍

在实际的机器学习应用中，我们经常面临一个关键问题：训练集和测试集的数据分布不一致。例如，在无创血压估计中，不同个体之间的生理信号存在显著差异（即个体差异），导致在一个群体上训练的模型难以直接应用于另一个群体。域适应（Domain Adaptation） 正是为了解决这一问题而提出的方法，而域对抗神经网络（Domain-Adversarial Neural Network, DANN） 则是域适应领域最具代表性的深度学习方法之一。DANN最早由Ganin等人[5]于2016年提出，其核心思想是通过对抗性训练，提取域不变特征，使得在源域上训练的分类器能够泛化到目标域。源域和目标域解释如下：源域（Source Domain）：包含大量带标签数据，用于训练模型。例如，来自100名受试者的标注血压数据。目标域（Target Domain）：包含少量或无标签数据，是模型实际应用的场景。例如，新用户的少量生理信号数据。DANN的结构如图1所示[6]：

上图可见，DANN由三个核心模块构成：特征提取器（Feature Extractor）为绿色模块 $G_f(\cdot; \theta_f)$ ；标签预测器（Label Predictor） 为蓝色模块 $G_y(\cdot; \theta_y)$ ；域判别器（Domain Classifier）为红色模块 $G_d(\cdot; \theta_d)$ 。这三个模块通过梯度反转层（Gradient Reversal Layer, GRL） 进行连接，形成一种对抗性训练机制。特征提取器位于网络的最前端，用来接收原始输入数据（如生理信号、图像等），将其映射到高维特征空间，提取具有判别能力的特征表示。标签预测器连接在特征提取器之后，作用是基于提取的特征进行任务预测（如血压值、图像类别等）。域判别器通过梯度反转层与特征提取器连接，用来判断输入特征来自源域还是目标域。GRL如图中红色与绿色模块之间的连接所示，梯度反转层位于特征提取器与域判别器之间，其核心作用是实现对抗性训练。GRL在前向传播和反向传播中表现出不同的行为，其中前向传播是恒等变换，即特征提取器的输出直接传递给域判别器，不影响正常的特征传递。公式如下：

$\mathrm{GRL}(x) = x$

反向传播是梯度取反，公式如下：

$\frac{\partial \mathrm{GRL}}{\partial x} = -\lambda \cdot I$

其中， $\lambda$ 为控制对抗强度的超参数。

如图中箭头所示，训练过程包含前向传播与反向传播两条主要路径。在前向传播中，输入数据首先经过特征提取器得到特征表示，随后该特征同时流向两个分支：一方面输入标签预测器生成预测标签，另一方面通过梯度反转层（GRL）输入域判别器 GdGd 生成域标签预测。在反向传播过程中，标签预测损失的梯度分别更新标签预测器参数和特征提取器参数；而域分类损失的梯度则正常传播以更新域判别器参数 θdθd，同时经过GRL取反后用于更新特征提取器参数，从而实现对抗性训练。训练过程中最小化的总目标为：

$E(\theta_f, \theta_y, \theta_d) = \frac{1}{N_s} \sum_{i=1}^{N_s} \mathcal{L}_y \left( G_y(G_f(x_i^s)), y_i^s \right) -$

$\lambda \left[ \frac{1}{N_s} \sum_{i=1}^{N_s} \mathcal{L}_d \left( G_d(G_f(x_i^s)), d_i \right) + \frac{1}{N_s} \sum_{j=1}^{N_t} \mathcal{L}_d \left( G_d(G_f(x_j^t)), d_j \right) \right]$

其中， $N_s$ 源域样本数， $N_t$ 目标域样本数， $L_y$ 标签预测损失（如均方误差MSE）， $L_d$ 域分类损失（二元交叉熵）， $\lambda$ 平衡两类损失的对抗强度系数。

1.2 基于DANN的无创血压估计方法

本文借鉴于一篇20年的文章[7]，该文章针对无袖带动态血压监测中传统模型训练数据量大、跨受试者泛化性差的痛点，提出将领域对抗神经网络与多任务学习结合的个性化血压估计模型，以可穿戴腕部生物阻抗传感器信号为基础，通过对抗训练提取受试者不变特征，实现跨受试者知识迁移。研究表明有效解决了极少量数据下的个性化血压估计问题，为临床无袖带血压设备的快速校准提供了量化参考。该文章提供了代码，链接如下[8]：

https://github.com/stmilab/cufflessbp_dann/blob/master/DANN.py

该文章的估计血压网络结构图如图2所示，整体由三大核心模块构成：底层蓝色虚线框内的特征提取器以多层 LSTM 网络[9]为核心，对可穿戴传感器采集的腕部生物阻抗时序信号进行处理，通过上层特征网络生成共享特征表示，其参数更新由血压估计任务梯度与领域分类任务的梯度反转项共同驱动，以此在保证特征适配血压估计的同时，消除受试者个体差异的干扰；右上方绿色虚线框内的血压估计器基于共享特征，通过 SBP 网络与 DBP 网络两个独立任务头，分别实现逐搏收缩压（SBP）与舒张压（DBP）的多任务预测，以血压估计损失LBP驱动参数更新，目标是最小化预测值与金标准的误差；左上方橙色虚线框内的领域分类器以共享特征为输入，通过领域分类网络输出受试者领域类别，以领域分类损失LD驱动自身参数更新，试图精准区分不同受试者，其梯度经梯度反转层反向传播至特征提取器，与血压估计器形成对抗博弈，最终迫使特征提取器学习到仅与血压相关、与受试者无关的鲁棒不变特征，实现跨受试者知识迁移，从而仅需极少量新受试者数据即可完成个性化血压估计。

2 实验

2.1 数据

本文基于PulseDB数据库[10]中三个受试者，该数据库是基于MIMIC-III和VitalDB的大型清理数据集，用于为无袖血压估计方法制定基准。实验中首先从 MIMIC-III 数据库中选取 3 名受试者的 PPG 信号数据，对应文件为p000001.mat、p000003.mat与p000005.mat，其中将p000001.mat与p000005.mat划分为源域数据集，p000003.mat划分为目标域数据集。其次，对 3 名受试者的 PPG 信号进行单周期提取（提取流程如图 3 所示），最终源域数据集共得到维度为 (1679, 125) 的 PPG 信号样本，以及对应维度为 (1679, 2) 的血压标签；目标域数据集得到维度为 (492, 125) 的 PPG 信号样本，对应标签维度为 (492, 2)。最后，将预处理完成的数据集输入所构建的网络模型，对目标域 PPG 信号对应的血压值进行预测，并计算相关评价指标以评估模型性能。

2.2 评价指标

实验中选用平均绝对误差（MAE）和均方根误差（RMSE）[11-12]进行目标域的评价。

（1）平均绝对误差是预测值与真实值之间绝对误差的平均值，用于衡量模型预测的平均偏差程度。MAE对所有误差赋予相同的权重，反映预测误差的集中趋势，数值越小表示模型预测精度越高。

$\text{MAE} = \frac{1}{N} \sum_{i=1}^{N} |y_i - \hat{y}_i|$

其中， $N$ 是样本总数， $y_i$ 是第 i 个样本的真实血压值， $\hat{y}_i$ 是第 i 个样本的模型预测血压值。

（2）均方根误差是预测值与真实值之间误差平方均值的平方根，用于衡量模型预测的离散程度。RMSE对较大误差赋予更高的权重（平方运算），因此对异常值更为敏感，能够反映预测误差的波动性。数值越小表示模型预测精度越高。

$\text{RMSE} = \sqrt{\frac{1}{N} \sum_{i=1}^{N} (y_i - \hat{y}_i)^2}$

其中， $N$ 是样本总数， $y_i$ 是第 i 个样本的真实血压值， $\hat{y}_i$ 是第 i 个样本的模型预测血压值。

3 结果与讨论

基于DANN的无创血压估计方法在目标域3上取得了较好的预测效果。如图3所示，收缩压的平均绝对误差为7.97 mmHg，均方根误差为10.95 mmHg；舒张压的MAE为5.09 mmHg，RMSE为6.30 mmHg。舒张压的MAE接近美国医疗器械促进协会（AAMI）标准所要求的5 mmHg以内，RMSE也显示出较好的预测稳定性。这表明模型对舒张压的估计较为准确，能够有效捕捉舒张压的变化规律。但收缩压的MAE高于AAMI标准，RMSE也相对较高。可能是本实验的单周期选择问题。在数据预处理阶段仅选取了每个心动周期作为特征输入，这一策略虽然简化了模型的计算复杂度，，而单周期采样方式难以充分表征这些复杂的生理影响因素。此外，目标域 3 样本量相对有限且个体差异较大，在一定程度上限制了模型对收缩压波动范围的泛化能力，导致其误差指标未能完全达标。得注意的是，本方法在舒张压估计上的优异表现，验证了 DANN 模型在消除域间分布差异方面的有效性。通过域自适应学习，模型能够更好地捕捉舒张压与生理信号之间的内在关联，这为后续开发临床可用的无创血压监测设备提供了技术支撑。然而，结合当前结果仍存在以下亟待改进的方向：需优化数据采集方案，增加多周期波形的融合，以提升收缩压估计的精度；可尝试结合注意力机制对关键生理特征进行强化提取，进一步增强模型对复杂信号的识别能力。

参考

[1] 国家心血管病中心, 中国心血管健康与疾病报告编写组. 中国心血管健康与疾病报告2023概要[J]. 中国循环杂志, 2024, 39(7): 625-660.

[2] 姚育东，主编. 心脑血管疾病智能诊断研究新进展[M]. 北京: 科学出版社, 2022.

[3] 国家基层高血压防治管理指南2025版[J].中国循环杂志,2025,40(09):836-850.

[4] 2024年中国及31省市可穿戴设备行业政策汇总及解读

[5] Ganin Y, Ustinova E, Ajakan H, et al. Domain-adversarial training of neural networks[J]. Journal of Machine Learning Research, 2016, 17(1): 2096-2030.

[6] 【深度域自适应】DANN与梯度反转层（GRL）详解 - 知乎

[7] Zhang L, Hurley N C, Ibrahim B, et al. Developing personalized models of blood pressure estimation from wearable sensors data using minimally-trained domain adversarial neural networks[C]//Machine Learning for Healthcare Conference. PMLR, 2020: 97-120.

[8] https://github.com/stmilab/cufflessbp_dann/blob/master/DANN.py

[9] LSTM（长短期记忆网络） - 知乎

[10] https://github.com/pulselabteam/PulseDB

[11] 评价指标 - MAE、MSE、RMSE、MRE - 知乎

[12]基于贝叶斯函数型线性模型的PPG信号对心血管动力学参数预测研究_-CSDN博客

注：若有侵权部分，请留言将会删除。

个人观点，仅供参考

AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

线程安全：从问题到解决方案全解析

摘要：本文探讨了线程安全问题的概念、产生原因及解决方法。线程安全问题指多线程环境下代码运行结果与单线程预期不符的情况，主要由操作系统随机调度、多线程修改同一变量、非原子操作、内存可见性和指令重排序等因素导致。解决方法包括：1）使用join()串行执行线程；2）通过synchronized加锁保证原子性；3）使用volatile解决内存可见性问题；4）利用wait/notify协调线程执行顺序。此外

AtomGit开源社区

一周12个模型发布，我花了3天，才搞清楚该选哪个

2026年AI模型混战：12款新模型横向测评与选型指南 2026年3月，AI行业迎来爆发式更新，OpenAI、Google等巨头一周内密集发布12款大模型。测评显示：Claude Opus 4.6在编程和写作领域表现突出，GPT-5.4在多模态和响应速度领先，Gemini 3.1 Pro适合企业场景，Llama 4和DeepSeek V3则凭借开源和性价比优势占据细分市场。选型关键应聚焦核心需求：