基于增强图神经网络的多尺度Transformer的连续无创血压预测方法

doi:10.11772/j.issn.1001-9081.2025070894

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (9): 3043-3053.DOI: 10.11772/j.issn.1001-9081.2025070894

• 前沿与综合应用 • 上一篇

基于增强图神经网络的多尺度Transformer的连续无创血压预测方法

季长清¹^,², 张紫滢², 汪祖民²()

^1.大连大学物理科学与技术学院，辽宁大连 116622
^2.大连大学信息工程学院，辽宁大连 116622

收稿日期:2025-08-06 修回日期:2025-09-21 接受日期:2025-09-22 发布日期:2025-11-05 出版日期:2026-09-10
通讯作者: 汪祖民
作者简介:季长清（1980—），男，辽宁丹东人，教授，博士，CCF会员，主要研究方向：智慧医疗、低空经济、数字孪生
张紫滢（2000—），女，安徽合肥人，硕士研究生，主要研究方向：智慧医疗
汪祖民（1975—），男，河南信阳人，教授，博士，CCF会员，主要研究方向：智慧医疗、智慧农业、物联网。
基金资助:
辽宁省科技计划联合计划重点研发项目(2024JH2/102600063)

Continuous non-invasive blood pressure prediction method based on multi-scale Transformer with enhanced graph neural network

Changqing JI¹^,², Ziying ZHANG², Zumin WANG²()

^1.College of Physical Science and Technology，Dalian University，Dalian Liaoning 116622，China
^2.College of Information Engineering，Dalian University，Dalian Liaoning 116622，China

Received:2025-08-06 Revised:2025-09-21 Accepted:2025-09-22 Online:2025-11-05 Published:2026-09-10
Contact: Zumin WANG
About author:JI Changqing， born in 1980， Ph. D.， professor. His research interests include smart healthcare， low-altitude economy， digital twin.
ZHANG Ziying， born in 2000， M. S. candidate. Her research interests include smart healthcare.
WANG Zumin， born in 1975， Ph. D.， professor. His research interests include smart healthcare， smart agriculture， internet of things.
Supported by:
Key Research and Development Program of Joint Plan of Liaoning Provincial Science and Technology Plan(2024JH2/102600063)

摘要/Abstract

摘要：

高血压是心血管疾病（CVD）的重要诱因，持续的血压监测对CVD的预防至关重要。针对现有模型在多尺度特征建模能力、长期依赖的建模能力和任务间的信息交互等方面的问题，提出一种名为增强图神经网络的多尺度Transformer （MTEG）的数据驱动血压预测模型，通过融合多尺度卷积、改进Transformer编码器、通道注意力机制和图注意力多任务学习策略，实现光电容积脉搏波（PPG）信号的局部与全局特征联合建模。具体地，通过多尺度特征提取模块捕获PPG信号中不同时间尺度的局部特征，采用基于旋转位置编码（RoPE）和相对位置偏置的Transformer编码器建模血压变化的长期依赖关系，利用特征感知增强模块强化对血压变化相关通道的响应，并构建多任务特征聚合模块实现收缩压（SBP）、舒张压（DBP）和平均动脉压（MAP）这3个预测任务间的信息协同。实验结果表明，MTEG在SBP、DBP和MAP预测中的平均绝对误差（MAE）分别为4.92、2.68和2.59 mmHg，DBP和MAP预测符合美国医疗器械促进协会（AAMI）标准，并达到英国高血压学会（BHS）标准的A级，SBP预测达到BHS标准的B级，验证了所提模型的可靠性与临床应用潜力。

关键词: 光电容积脉搏波, 多尺度卷积, Transformer, 注意力机制, 血压预测

Abstract:

Hypertension is a major risk factor for CardioVascular Disease （CVD）， and continuous blood pressure monitoring is crucial for CVD prevention. To address the limitations of the existing models in multi-scale feature representation， long-term dependency modeling， and inter-task information interaction， a data-driven blood pressure prediction model named Multi-scale Transformer with Enhanced Graph neural network （MTEG） was proposed to integrate a multi-scale convolution， an enhanced Transformer encoder， a channel attention mechanism， and a graph attention-based multi-task learning strategy to model local and global features of PhotoPlethysmoGraphy （PPG） signals jointly. Specifically， a multi-scale feature extraction module was designed to capture local patterns across different temporal scales in PPG signals， while a Transformer encoder with Rotary Position Embedding （RoPE） and relative position bias was employed to model long-term dependencies in blood pressure variations， a feature-aware enhancement module was introduced to strengthen the response of channels related to blood pressure changes， and a multi-task feature aggregation module was constructed to achieve information collaboration among the prediction tasks of Systolic Blood Pressure （SBP）， Diastolic Blood Pressure （DBP）， and Mean Arterial Pressure （MAP）. Experimental results show that MTEG achieves the Mean Absolute Error （MAE） of 4.92， 2.68， and 2.59 mmHg in SBP， DBP， and MAP predictions， respectively. Predictions for DBP and MAP comply with the standards of the Association for the Advancement of Medical Instrumentation （AAMI） and achieve grade A of the British Hypertension Society （BHS） standard， while SBP prediction achieves grade B of the BHS standard， verifying the reliability and clinical application potential of the proposed model.

Key words: PhotoPlethysmoGraphy (PPG), multi-scale convolution, Transformer, attention mechanism, blood pressure prediction

中图分类号:

TP181

季长清, 张紫滢, 汪祖民. 基于增强图神经网络的多尺度Transformer的连续无创血压预测方法[J]. 计算机应用, 2026, 46(9): 3043-3053.

Changqing JI, Ziying ZHANG, Zumin WANG. Continuous non-invasive blood pressure prediction method based on multi-scale Transformer with enhanced graph neural network[J]. Journal of Computer Applications, 2026, 46(9): 3043-3053.

图/表 12

图1 MTEG的网络结构

Fig. 1 Network structure of MTEG

图2 多尺度特征提取模块

Fig. 2 Multi-scale feature extraction module

图3 动态特征编码模块

Fig. 3 Dynamic feature encoding module

图4 改进的SE-Block结构

Fig. 4 Improved SE-Block structure

表1 BHS标准

Tab. 1 BHS standard

阈值范围/ mmHg	SBP和DBP的预测误差在不同阈值范围内的累计比例/%
阈值范围/ mmHg	A级	B级	C级
［0，5］	60	50	40
［0，10］	85	75	65
［0，15］	95	90	85

表2 基于BHS标准的评估

Tab. 2 Evaluation based on BHS standard

阈值范围/mmHg	不同血压参数在不同阈值范围内的累计误差比例/%
阈值范围/mmHg	SBP	DBP	MAP
等级	B	A	A
［0，5］	70.96	85.67	85.92
［0，10］	86.94	95.59	95.01
［0，15］	92.86	98.38	98.11

表3 基于AAMI标准的评估

Tab. 3 Evaluation based on AAMI standard

血压参数	ME/mmHg	SD/mmHg	受试者数
SBP	-1.19	8.42	278
DBP	0.54	4.53	278
MAP	-0.23	4.77	278

图5 MTEG模型血压预测结果的Bland-Altman一致性分析

Fig. 5 Bland-Altman consistency analysis of blood pressure prediction results by MTEG model

图6 MTEG模型血压预测值与真实值的Pearson相关性分析

Fig. 6 Pearson correlation analysis between predicted and actual blood pressure values of MTEG model

表4 MIMIC数据集上的实验结果

Tab. 4 Experimental results on MIMIC dataset

模型	MAE/mmHg			SD/mmHg
模型	SBP	DBP	MAP	SBP	DBP	MAP
RDAE^［30］	7.95	4.11	3.83	10.37	5.50	5.13
RSABPM^［31］	14.39	6.57	—	17.87	8.43	—
GA-BP^［32］	5.16	2.89	3.47	8.50	4.77	4.78
PPG2ABP^［27］	5.73	3.45	2.31	10.69	6.86	4.96
MSA-ResNet^［33］	5.98	3.24	—	9.79	4.94	—
MTEG	4.92	2.68	2.59	8.42	4.53	4.77

图7 MTEG预测的动脉血压波形

Fig. 7 Arterial blood pressure waveform predicted by MTEG

表5 MIMIC数据集上的消融实验结果

Tab. 5 Ablation experimental results on MIMIC dataset

模型	MAE/mmHg			SD/mmHg
模型	SBP	DBP	MAP	SBP	DBP	MAP
TEG	5.11	2.85	3.00	9.15	4.75	5.16
MEG	5.00	3.02	2.91	8.50	4.63	4.80
MTE	4.98	2.77	2.72	8.46	4.60	4.52
MTEG	4.92	2.68	2.59	8.42	4.53	4.77

参考文献 33

[1]	杨诗韵，牛静菘，车欣然，等.心血管疾病的液体活检研究进展［J］.自然杂志， 2025， 47（3）： 196-206.
	Yang Shiyun， Niu Jingsong， Che Xinran， et al. Research advances in liquid biopsy for cardiovascular diseases ［J］. Chinese Journal of Nature， 2025， 47（3）： 196-206.
[2]	吴燕，吴庞，何攀，等.一款无创连续血压测量设备研制及其准确性验证［J］.中国医学装备， 2024， 21（3）： 1-7.
	Wu Yan， Wu Pang， He Pan， et al. Development and accuracy verification of a continuous non-invasive blood pressure measurement device ［J］. China Medical Equipment， 2024， 21（3）： 1-7.
[3]	El-Hajj C， Kyriacou P A. A review of machine learning techniques in photoplethysmography for the non-invasive cuff-less measurement of blood pressure ［J］. Biomedical Signal Processing and Control， 2020， 58： No.101870.
[4]	叶青，章祎枫，沙金亮，等.基于光电容积脉搏波的无创血压连续测量研究进展［J］.科学技术与工程， 2024， 24（5）： 1756-1774.
	Ye Qing， Zhang Yifeng， Sha Jinliang， et al. Research progress of non-invasive blood pressure continuous measurement based on photo plethysmo graphy ［J］. Science Technology and Engineering， 2024， 24（5）： 1756-1774.
[5]	王梦婷.基于光电容积脉搏波的多参数连续无创血压算法研究［D］.杭州：浙江大学， 2017： 26-28.
	Wang Mengting. Multi-parameter non-invasive continuous blood pressure algorithm research based on photoplethysmography ［D］. Hangzhou： Zhejiang University， 2017： 26-28.
[6]	Mahmud S， Ibtehaz N， Khandakar A， et al. A shallow U-Net architecture for reliably predicting Blood Pressure （BP） from PhotoPlethysmoGram （PPG） and ElectroCardioGram （ECG） signals ［J］. Sensors， 2022， 22（3）： No.919.
[7]	Goldberger A L， Amaral L A N， Glass L， et al. PhysioBank， PhysioToolkit， and PhysioNet： components of a new research resource for complex physiologic signals ［J］. Circulation， 2000， 101（23）： e215-e220.
[8]	O'Brien E， Petrie J， Littler W， et al. The British Hypertension Society protocol for the evaluation of blood pressure measuring devices ［J］. Journal of Hypertension， 1993， 11（S2）： S43-S62.
[9]	Thambiraj G， Gandhi U， Mangalanathan U， et al. Investigation on the effect of Womersley number， ECG and PPG features for cuff less blood pressure estimation using machine learning ［J］. Biomedical Signal Processing and Control， 2020， 60： No.101942.
[10]	黄晓祥.血压与多生理参数的关联性及无创连续血压测量模型的研究［D］.济南：山东大学， 2021： 37-45.
	Huang Xiaoxiang. The research of the correlation between BP and multiple physiological parameters and non-invasive continuous BP measurement models ［D］. Jinan： Shandong University， 2021： 37-45.
[11]	Alpert B S. Validation of the Welch Allyn Spot Vital Signs blood pressure device according to the ANSI/AAMI SP10： 2002. accuracy and cost-efficiency successfully combined ［J］. Blood Pressure Monitoring， 2007， 12（5）： 345-347.
[12]	Zhang Y， Zhou C， Huang Z， et al. Development of a continuous blood pressure monitoring system based on pulse transit time and hemodynamic covariates ［C］// BIODEVICES 2020. Setúbal： SciTePress， 2020： 33-39.
[13]	Miao F， Fu N， Zhang Y T， et al. A novel continuous blood pressure estimation approach based on data mining techniques ［J］. IEEE Journal of Biomedical and Health Informatics， 2017， 21（6）： 1730-1740.
[14]	赵彦峰，于双，王慧泉，等.基于脉搏波传导时间和脉搏波特征参数的连续血压无创检测［J］.生物医学工程研究， 2018， 37（1）： 42-45.
	Zhao Yanfeng， Yu Shuang， Wang Huiquan， et al. Non-invasive measurement of continuous blood pressure based on pulse transit time and pulse wave characteristic parameters ［J］. Journal of Biomedical Engineering Research， 2018， 37（1）： 42-45.
[15]	Khalid S G， Zhang J， Chen F， et al. Blood pressure estimation using photoplethysmography only： comparison between different machine learning approaches ［J］. Journal of Healthcare Engineering， 2018， 2018： No.1548647.
[16]	Su P， Ding X R， Zhang Y T， et al. Long-term blood pressure prediction with deep recurrent neural networks ［C］// EMBS-BHI 2018. Piscataway： IEEE， 2018： 323-328.
[17]	Lee D， Kwon H， Son D， et al. Beat-to-beat continuous blood pressure estimation using bidirectional long short-term memory network ［J］. Sensors， 2020， 21（1）： No.96.
[18]	Tazarv A， Levorato M. A deep learning approach to predict blood pressure from PPG signals ［C］// EMBC 2021. Piscataway： IEEE， 2021： 5658-5662.
[19]	Esmaelpoor J， Moradi M H， Kadkhodamohammadi A. A multistage deep neural network model for blood pressure estimation using photoplethysmogram signals ［J］. Computers in Biology and Medicine， 2020， 120： No.103719.
[20]	Tanveer M S， Hasan M K. Cuffless blood pressure estimation from electrocardiogram and photoplethysmogram using waveform based ANN-LSTM network ［J］. Biomedical Signal Processing and Control， 2019， 51： 382-392.
[21]	熊嘉豪，姜晨希，陈永毅，等.基于TCN-SE神经网络模型的智能连续血压估计方法［J］.传感技术学报， 2022， 35（11）： 1499-1505.
	Xiong Jiahao， Jiang Chenxi， Chen Yongyi， et al. Intelligent and continuous estimation of blood pressure method based on TCN-SE neural network model ［J］. Chinese Journal of Sensors and Actuators， 2022， 35（11）： 1499-1505.
[22]	Liu Z， Zhang Y， Zhou C. BiGRU-attention for continuous blood pressure trends estimation through single channel PPG ［J］. Computers in Biology and Medicine， 2024， 168： No.107795.
[23]	Hu J， Shen L， Sun G. Squeeze-and-excitation networks ［C］// CVPR 2018. Piscataway： IEEE， 2018： 7132-7141.
[24]	Vardhan K R， Vedanth S， Poojah G， et al. BP-Net： efficient deep learning for continuous arterial blood pressure estimation using photoplethysmogram ［C］// ICMLA 2021. Piscataway： IEEE， 2021： 1495-1500.
[25]	Kachuee M， Kiani M M， Mohammadzade H， et al. Cuffless blood pressure estimation algorithms for continuous health-care monitoring ［J］. IEEE Transactions on Biomedical Engineering， 2017， 64（4）： 859-869.
[26]	Altman D G， Bland J M. Measurement in medicine： the analysis of method comparison studies ［J］. Journal of the Royal Statistical Society Series D： The Statistician， 1983， 32（3）： 307-317.
[27]	Ibtehaz N， Mahmud S， Chowdhury M E H， et al. PPG2ABP： translating PhotoPlethysmoGram （PPG） signals to Arterial Blood Pressure （ABP） waveforms ［J］. Bioengineering， 2022， 9（11）： 692.
[28]	Slapničar G， Mlakar N， Luštrek M. Blood pressure estimation from photoplethysmogram using a spectro-temporal deep neural network ［J］. Sensors， 2019， 19（15）： No.3420.
[29]	Mousavi S S， Firouzmand M， Charmi M， et al. Blood pressure estimation from appropriate and inappropriate PPG signals using a whole-based method ［J］. Biomedical Signal Processing and Control， 2019， 47： 196-206.
[30]	Qin K， Huang W， Zhang T. Deep generative model with domain adversarial training for predicting arterial blood pressure waveform from photoplethysmogram signal ［J］. Biomedical Signal Processing and Control， 2021， 70： 102972.
[31]	Hermida R C， Ayala D E， Mojón A， et al. Cardiovascular disease risk stratification by the Framingham score is markedly improved by ambulatory compared with office blood pressure ［J］. Revista Española de Cardiología （English Edition）， 2021， 74（11）： 953-961.
[32]	Xinyi Chun， Zheng Xiujuan， et al. Non-contact blood pressure estimation method based on genetic algorithm optimized bp neural network ［J］. Journal of Electronic Measurement and Instrumentation， 2023， 35（7）： 53-59.
[33]	Qin C， Li Y， Liu C， et al. Cuff-less blood pressure prediction based on photoplethysmography and modified ResNet ［J］. Bioengineering， 2023， 10（4）： 400.

基于增强图神经网络的多尺度Transformer的连续无创血压预测方法

Continuous non-invasive blood pressure prediction method based on multi-scale Transformer with enhanced graph neural network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 33

相关文章 15

编辑推荐

Metrics

[1]	董思语, 贾鑫, 张密, 陈新文, 孙昕霙, 程方骁. 基于CNN-Transformer编码器和多维脑电特征融合的抑郁状态识别模型[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 3025-3034.
[2]	欧宇枫, 王嘉宏. 基于双分支特征提取的印刷电路板小目标缺陷检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2977-2986.
[3]	何戡, 马洪峰, 宗学军, 史洪岩, 连莲, 宁博伟. 融合双通道语义特征的工业控制协议模糊测试方法DCSFFuzzer[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2877-2888.
[4]	谢丽霞, 曹超越, 杨宏宇. 基于改进DeepLabV3+的ADS-B攻击检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2867-2876.
[5]	陈江彦, 王彦丹, 刘翼虎, 马应龙. 基于协同查询优化的长尾目标检测框架[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2769-2775.
[6]	吴昊, 黄渝璐, 冯暄, 张琼, 张晓博. 雷达信号特征识别的动态任务加权混合CNN-Transformer多任务学习方法[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 3017-3024.
[7]	王伊璠, 韩虎, 李栋, 范雅婷, 李琳. 基于异构增强与多源知识融合的方面级情感分析[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2752-2760.
[8]	高艳, 姚育东. 基于时空Mamba模型的生理信号提取和心率测量[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2699-2707.
[9]	刘明, 沈东奇, 孟子洋. 双分支结构下多层次特征融合的点云配准网络[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2584-2593.
[10]	刘凤春, 邵馨莹, 张春英, 王立亚, 任静. 多尺度特征优化的单目深度估计框架FCMdepth[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2603-2611.
[11]	刘威, 李维刚, 田志强. 面向点云分类与分割的层次化旋转不变几何结构的表征学习方法[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2594-2602.
[12]	白杰龙, 方晨韵, 乔志伟. 基于多尺度注意力自适应融合的稀疏CT伪影抑制Transformer网络[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2660-2667.
[13]	李光辉, 屈立成. 基于改进Lite-Mono架构的动态空洞卷积和分层注意力模型[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2567-2576.
[14]	黄远航, 荣娜. 结合注意力机制与深度强化学习的无模型光伏接入容量评估方法[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2708-2715.
[15]	黄麟, 李英顺, 佟维妍, 张树园, 王子涵. 基于改进实时检测Transformer的遥感图像目标检测算法[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2652-2659.