知识卡片：物理约束深度学习模型用于三轴体震图无接触血压监测

英文关键词

Keywords: physics-constrained deep learning; contactless blood pressure monitoring; triaxial bodyseismography; ballistocardiography; adaptive quality control; physical model; small-sample learning.

一句话结论

本文提出一种名为 Phy-BP 的非侵入性血压估计框架，以三轴体震图（BSG）为切入点，将描述身体-床系统三维波传播的物理模型嵌入深度学习，并在 21 名受试者、162 小时医院数据集上表明：该方法能动态滤除低质量测量，并通过不同轴间的物理一致性约束提供更可靠的血压监测，尤其在训练样本有限时。

事件概述或研究问题

传统 BCG（Ballistocardiography）在实验室场景中可用于无打扰的长期血压监测，但其信号易受身体-床相互作用变化的影响，导致时间轴或幅度轴上的基准点漂移；同时血压随个体血流动力学变化而改变，这些因素会造成表征不对齐，影响模型的泛化性和稳健性。针对该问题，作者提出 Phy-BP，基于三轴 BSG（作为 BCG 的扩展）进行血压估计，并引入质量控制和物理约束来缓解上述不匹配。

方法/产品要点

数据：162 小时医院数据集，收集自 21 名受试者（具体采集设备和床型待核实）。
自适应质量控制：设计算法，结合邻近心搏模式和通用心源性模板，选择富含心源性成分的 BSG 片段，过滤低质量测量。
物理模型：建立描述身体-床系统中三维波传播的物理模型，并嵌入深度学习模型，用于刻画由单一心脏源性激励驱动的三轴 BSG 信号之间的内在耦合。
训练约束：在模型训练中对多轴特征进行对齐，利用不同轴间的物理一致性提高对真实场景畸变的稳健性。
目标场景：无接触/非侵入性血压监测，尤其针对训练样本有限的情况。

主要结果或产业意义

主要结果：在 21 名受试者、162 小时医院数据集上，Phy-BP 能够动态滤除低质量测量；物理一致性约束使深度学习模型在不同轴之间保持一致，提供可靠的血压监测，尤其在训练样本有限时。
产业/应用意义：为无接触、可长期进行的血压监测提供了新思路：通过身体振动信号（BSG）和物理约束深度学习，支持在实验室或床旁场景中减少对传统袖带血压测量的依赖。具体临床验证和商业化成熟度待核实。

为什么重要

传统 BCG 的基准点漂移和个体血流动力学差异会影响模型泛化；本文不是单纯增加数据或调整模型，而是用物理模型显式约束三轴信号的内在耦合，从机制上缓解表征不对齐。
该框架强调“物理一致性”而非纯数据驱动，尤其在小样本条件下更容易获得稳定结果。
增量信息/与既有脉络的关系：已有“物理约束深度学习”相关卡片分别涉及四旋翼控制、3D 晶粒生长和时域巡天分类；本条将同一思路延续到生理信号与健康监测领域，具体增量是面向三轴 BSG 血压估计的物理约束和轴间特征对齐。

局限与不确定性

摘要未给出具体血压估计误差（如 MAE、RMSE）或一致性分析等量化结果，待核实。
数据仅 21 名受试者，样本量较小；是否覆盖不同年龄、疾病状态、床型和使用环境，待核实。
未在摘要中说明与袖带血压计、动脉血压或传统 BCG 方法的系统对比，待核实。
物理模型的数学形式、如何嵌入深度学习网络、训练细节与计算开销，待核实。
该条目为 arXiv 预印本（v1），是否已经同行评审，待核实。

可用于图书/PPT/简报的角度

无接触血压监测：以床体振动/体震图为信号源，实现长期连续血压估计的潜在路径。
物理约束深度学习：用物理规则约束深度网络，缓解医学小样本问题。
质量控制与信号选择：在真实场景中自动剔除低质量片段，提升模型可靠性的数据处理思路。
多轴信息融合：利用单一心脏源性激励在三维方向上产生的耦合，实现跨轴特征对齐。

原始材料

English Title: Physics-Constrained Deep Learning Model for Contactless Blood Pressure Monitoring from Triaxial Bodyseismography
arXiv ID: 2608.23562v1
Authors: Yuanyuan Zhang, Yida Zhang, Jiahui Li, Yuyan Wu, Fei Dou, Xiao Yin, Zhenlin An, Hae Young Noh, Wenzhan Song
Published: 2026-08-24
Primary category: eess.SP
Categories: eess.SP, cs.AI, physics.bio-ph
URL: https://arxiv.org/abs/2608.23562v1
PDF URL: https://arxiv.org/pdf/2608.23562v1
原文摘要（英文）:

Ballistocardiography (BCG) is promising for unobtrusive long-term blood pressure (BP) monitoring in laboratory settings, but traditional BCG signals are vulnerable to the variations in body-bed interaction with shifted fiducial points in temporal or amplitude axis, and BP varies with personal hemodynamic changes, causing misaligned representations that affect model generalizability and robustness. In this work, we propose a non-invasive BP estimation framework, Phy-BP, based on triaxial bodyseismography (BSG) as an extension of BCG. Firstly, an adaptive quality-control algorithm is designed to select BSG segments enriched with cardiogenic components by jointly considering neighboring beat patterns and universal cardiogenic templates. Furthermore, a physical model is established to describe 3D wave propagation in the body-bed system and is subsequently embedded into the deep learning model to characterize the intrinsic coupling among triaxial BSG signals driven by a single cardiogenic excitation. Thus, multi-axis features are aligned during model training, improving robustness against distortions in real scenarios. Experiments on a 162-hour hospital dataset collected from 21 subjects reveal that the proposed Phy-BP can dynamically filter out low-quality measurements, and the deep learning model training is constrained by physical consistency across different axes to provide faithful BP monitoring, especially when training samples are limited.