Single-Beat Cuffless Blood Pressure Estimation Using Ear-PPG and ECG with a Lightweight Hybrid Learning Framework

📄 arXiv: 2607.27076v1 📥 PDF

作者: Kindeep K. Dhatt, Tengyue Wu, Hanbang Hua, Yayun Du

分类: cs.LG, eess.SP, eess.SY

发布日期: 2026-07-29

备注: 7 pages, 5 figures

🔗 代码/项目: GITHUB

💡 一句话要点

提出轻量级混合学习框架以实现无袖带血压监测

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)

关键词: 无袖带血压监测 多模态融合 心电图 光电容积描记法 混合学习框架 运动伪影 实时健康监测

📋 核心要点

  1. 现有的无袖带血压监测方法在动态条件下容易受到运动伪影和生理变异性的影响，导致估计不准确。
  2. 本文提出了一种轻量级的多模态可穿戴框架，通过整合ECG和耳夹PPG信号，实现单次心跳级别的血压估计。
  3. 在多阶段压力协议和PulseDB数据集上，模型的收缩压和舒张压平均绝对误差分别为4.02 mmHg和1.79 mmHg，显著优于基线模型。

📝 摘要（中文）

持续的无袖带血压监测面临运动伪影、生理变异性以及传统脉搏传播时间模型在动态条件下的鲁棒性不足等挑战。许多现有方法依赖于多秒窗口来稳定估计，但这一假设在实际监测中常常被打破。本文展示了单次心跳级别的血压相关信息的保留，并提出了一种轻量级的多模态可穿戴框架用于连续血压估计。该系统整合了同步的胸部心电图（ECG）和耳夹反射光电容积描记法（PPG），并与六轴惯性测量单元共同定位以提供运动上下文。我们引入了一种混合学习架构，通过一维卷积神经网络从单个PPG心跳中提取64维嵌入，并与包括脉搏传播时间统计和心率变异性在内的30个生理特征融合，随后进行LightGBM回归。该方法在多阶段压力协议和PulseDB公共数据集上进行了评估，模型在30次独立运行中，收缩压和舒张压的平均绝对误差分别为4.02±0.21 mmHg和1.79±0.05 mmHg，相较于基线模型减少了28.2%的综合MAE。

🔬 方法详解

问题定义：本文旨在解决无袖带血压监测中由于运动伪影和生理变异性导致的估计不准确问题。现有方法通常依赖于多秒窗口来稳定估计，但在实际应用中这一假设常常被打破，影响了监测的准确性。

核心思路：论文的核心思路是利用单次心跳级别的血压相关信息，提出一种轻量级的多模态框架，结合ECG和PPG信号进行血压估计，从而避免长时间的信号依赖。

技术框架：整体架构包括同步的胸部ECG和耳夹PPG信号采集，配合六轴惯性测量单元提供运动上下文。通过一维卷积神经网络提取PPG信号的特征，并与生理特征融合，最后使用LightGBM进行回归。

关键创新：最重要的技术创新在于实现了单次心跳级别的血压估计，突破了传统方法对长时间窗口的依赖，显著提高了在动态环境下的鲁棒性。

关键设计：在模型设计中，使用了一维卷积神经网络提取64维嵌入，并融合了30个生理特征，包括脉搏传播时间统计和心率变异性，采用LightGBM回归以提高预测精度。实验中通过多阶段压力协议进行验证，确保了模型的有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，模型在30次独立运行中，收缩压的平均绝对误差为4.02±0.21 mmHg，舒张压为1.79±0.05 mmHg，相较于基线模型，综合MAE减少了28.2%。这一结果表明，所提出的方法在动态环境下具有显著的性能提升。

🎯 应用场景

该研究的潜在应用领域包括可穿戴健康监测设备、远程医疗和运动健康管理等。通过实现高效的无袖带血压监测，能够为用户提供实时的健康数据，帮助医生进行更准确的诊断和治疗。未来，该技术有望在家庭医疗和个人健康管理中发挥重要作用。

📄 摘要（原文）

Continuous cuffless blood pressure (BP) monitoring remains challenging due to motion artifacts, physiological variability, and the limited robustness of conventional pulse transit time (PTT) models under dynamic conditions. Many prior approaches rely on multi-second windows to stabilize estimation, an assumption that is frequently violated during real-world monitoring with intermittent signal corruption. Here, we show that discriminative BP-related information is preserved at the single-beat level and present a lightweight multi-modal wearable framework for continuous BP estimation. The system integrates synchronized chest electrocardiography (ECG) and ear-clip reflectance photoplethysmography, each co-located with a 6-axis inertial measurement unit to provide motion context. We introduce a hybrid learning architecture in which a one-dimensional convolutional neural network extracts a 64-dimensional embedding from individual PPG beats and fuses it with 30 physiology-grounded features, including PTT statistics and heart rate variability, followed by LightGBM regression. The method was evaluated using a multi-phase stress protocol ($n=10$) and the PulseDB public dataset with subject-disjoint validation. Across 30 independent runs, the model achieved mean absolute errors of $4.02 \pm 0.21$~mmHg for systolic BP and $1.79 \pm 0.05$~mmHg for diastolic BP, corresponding to a 28.2\% reduction in combined MAE relative to baseline models. By enabling beat-wise estimation without long temporal context, this framework supports computationally efficient cuffless BP monitoring suitable for wearable deployment under practical resource constraints. The source code for this work is available at https://github.com/SYMBIOX-Lab/BP-wireless.