TransfoRhythm: A Transformer Architecture Conductive to Blood Pressure Estimation via Solo PPG Signal Capturing

最近的统计数据显示，全球约有13亿人患有高血压，这是导致全球早逝的主要原因之一。血压（BP）是一个关键的健康指标，用于准确和及时地诊断和/或治疗高血压。受人工智能（AI）和深度神经网络（DNN）的最新进展的推动，开发数据驱动和无袖带血压估计解决方案的兴趣激增。在这种情况下，目前的文献主要关注耦合心电图（ECG）和光电容积脉搏图（PPG）传感器，尽管这种方法受到多种传感器类型的依赖的限制。另一种方案是利用独立的PPG信号，但由于缺乏辅助传感器（ECG），需要使用形态特征来解决运动伪影和高频噪声等问题。为了解决这些问题，本文介绍了TransfoRhythm框架，这是一个基于Transformer的DNN架构，建立在最近发布的生理数据库MIMIC-IV之上。利用多头注意力（MHA）机制，TransfoRhythm识别数据段之间的依赖关系和相似性，形成一个仅使用PPG信号的坚固框架，用于无袖带血压估计。据我们所知，本文是第一篇将MIMIC IV数据集应用于无袖带血压估计的研究，TransfoRhythm是第一个通过MIMIC IV训练的基于MHA的模型，用于血压预测。通过全面的实验性能评估，证明了TransfoRhythm相对于其最先进的对手的优越性。具体而言，TransfoRhythm的收缩压和舒张压的均方根误差（RMSE）分别为[1.84, 1.42]和平均绝对误差（MAE）为[1.50, 1.17]，结果非常准确。

解决问题：论文旨在开发一种仅使用PPG信号进行无袖血压估计的新方法，以解决全球高血压患病率高的问题。

关键思路：论文提出了一种基于Transformer的DNN体系结构——TransfoRhythm。该模型利用MIMIC-IV数据库进行训练，采用多头注意机制，能够识别数据段之间的依赖关系和相似性，从而提高了无袖血压估计的准确性。

其他亮点：论文使用MIMIC-IV数据库进行了全面的实验评估，证明了TransfoRhythm模型的优越性。该模型在仅使用PPG信号的情况下，对收缩压和舒张压的预测分别达到了RMSE [1.84, 1.42]和MAE [1.50, 1.17]的高精度结果。此外，该论文还探讨了无袖血压估计中的挑战和限制，并提出了一些未来研究方向。

相关研究：当前，大多数无袖血压估计的研究都是基于ECG和PPG传感器的耦合。而本文则提出了一种仅使用PPG信号的新方法。其他相关研究包括："Cuff-Less Blood Pressure Estimation Using Pulse Transit Time and Photoplethysmogram Intensity Ratio"、"A Review on Cuff-Less Methods for Blood Pressure Monitoring"等。