BP-DeepONet：一种用于无袖血压估计的物理启发 DeepONet 的新方法
内容提要
该文综述基于PPG信号的无袖带血压监测深度学习研究，涵盖Transformer与频域回归模型合成ABP波形、PPG2ABP连续波形预测、LSTM波形特征估计、DRP-Net与BBP-Net视觉远程测量、BrainZ-BP脑生物阻抗法，以及PPG脉搏波分析可行性评估，并指出多值映射等挑战。
延伸解读
频域回归模型在波形合成中的优势
文章提到，频域线性/非线性回归模型在合成ABP波形时，MAE分别达到11.87和8.01，优于Transformer模型的14。这表明在PPG到ABP的转换任务中，频域方法可能更有效。此外，该模型满足AAMI准则并达到BHS B级，显示了其临床潜力。
PPG多值映射对血压预测的挑战
文章指出，使用PPG脉搏波分析预测血压时，多值映射因子为33.2%，低互信息为9.8%。这揭示了PPG信号与血压之间并非简单的一一对应关系，存在较大的不确定性，是实现可靠可穿戴血压监测需要克服的关键障碍。
视觉远程血压估计的进展
DRP-Net和BBP-Net通过分析不同部位光电信号的相位差来估算收缩压与舒张压，在心率估算上比近期方法减小了34.31%的MAE。这种非接触式方法为远程健康监测提供了新思路，但文章未提及其在血压精度上的具体表现。
Q&A
无袖带血压估计中，有哪些基于PPG信号合成ABP波形的方法？
文章提到了两种方法：一是Transformer模型，包含位置编码、多头注意力、层归一化和dropout，以MAE 14合成ABP波形；二是频域学习方法，先获取PPG和ABP信号对应两个心脏周期的离散余弦变换系数，再学习线性/非线性回归关系，MAE分别达到11.87和8.01。
PPG2ABP方法在连续血压波形预测上表现如何？
PPG2ABP通过无创PPG信号结合深度学习预测连续动脉血压波形，在形态、幅度和相位上都有很好的预测效果，并且在DBP、MAP和SBP等参数的计算上表现出色。
有哪些基于深度学习的视觉远程血压测量方法？
文章提到了DRP-Net和BBP-Net两阶段视觉远程光电测量网络。DRP-Net用于估算心率，BBP-Net通过分析不同部位光电信号的相位差估算收缩压与舒张压。与最近方法相比，心率估算的MAE减小了34.31%。
BrainZ-BP方法如何利用脑生物阻抗估计血压？
BrainZ-BP使用大脑生物阻抗的脉冲传递时间和形态特征，通过四个回归模型估计血压，在收缩压和舒张压估计上表现良好，适用于基于脑生物阻抗的颅内压监测场景，实现同时监测血压。
PPG脉搏波分析预测血压的可行性如何？
文章探讨了使用PPG脉搏波分析技术预测血压的可行性，提出了新的评估工具，发现血压预测使用PPG多值映射因子为33.2%，低互信息为9.8%，这些结果提供了达成通过PPG脉搏波分析实现可穿戴式血压测量目标的更为现实的进展情况。
基于深度度量学习的模型在心脏压力评估中有什么优势？
该模型使用电生理信号等非侵入性方法评估心脏压力，在有限标签数据情况下表现良好，并具有患者亚组之间的高度性能表现。
