跳至正文
朗慧科技

MEDICAL DATA RESEARCH

可穿戴无袖带血压数据,如何采得可验证:从静息参考测量到外部有效性

面向医疗AI研发与数据采购,拆解静息坐姿无袖带血压数据如何对齐听诊参考、ECG/PPG原始信号、姿势与质量标签,并说明受试者级拆分、校准比较和外部验证的边界。

生理信号与健康感知AI辅助整理 · 研发交流

当一只腕式设备同时记录心电、光电容积脉搏波和按压状态时,真正要解决的并不是“能否得到一个血压数字”,而是:这个数字是否对应同一时刻、同一姿势、同一受试者状态下可复核的参考测量?如果参考值的时间窗错位、手指或腕部发生移动、袖带尺寸不匹配,或者训练集和测试集含有同一人的重复测量,再复杂的模型也可能只是在学习采集流程中的偏差。

因此,一套面向血压算法研究的可穿戴数据方案,应被理解为一个测量系统,而不是一次外包式的数据收集。它要把伦理与隐私、目标人群、参考设备、原始信号、测量流程、标注分歧、质量门控和独立验证组织成可以逐条审计的链路。本文不提供个体诊断、治疗或用药建议,而是从医疗AI研发和数据采购的角度,拆解静息坐姿场景下无袖带血压数据的设计重点。

先定义临床任务:研究读数,不等于诊断结论

这类项目的临床任务通常是为血压估计模型提供配对数据:输入是腕式或其他可穿戴设备的原始生理信号与设备状态,输出可以是收缩压(SBP)、舒张压(DBP)的连续估计,也可以是测量级的信号质量、协议合规和不确定性标签。它首先服务于算法训练、误差分析和设备性能研究,并不因为样本中出现高血压范围读数,就自动成为高血压诊断数据。

这一区分必须在数据字典和文章标题中写清楚。美国心脏协会建议家庭血压监测优先使用经验证的上臂袖带式设备,腕式和指式设备的读数相对不可靠;测量前应安静休息,保持背部和手臂支撑、脚部稳定、袖带置于裸露上臂并与心脏平齐。1 这类公开建议说明了参考测量和真实临床使用之间的关系:规范姿势是降低误差的基础,但单次研究读数仍不能替代临床评估。

项目启动时应先回答四个问题。第一,模型要估计的是静息、间歇性血压,还是连续、逐搏变化;两者的参考方法和验证场景不同。第二,设备是否需要个体校准,校准保持多久,重校准前是否还能稳定工作。第三,最终输出是一个绝对血压值、相对变化趋势,还是仅用于筛选和算法比较。第四,结果准备在哪些人群、设备位置和环境中使用。FDA于2026年发布的无袖带非侵入式血压设备临床性能测试与评价指导草案写明“Not for implementation”,其中建议不具约束力;它提醒研发团队,无袖带产品需要专门的临床性能设计,不能把传统袖带设备的测试逻辑原样套用。6

把需求拆成五类数据对象

第一类是受试者级对象。只保留完成研究所必需的非识别化属性,例如年龄段、性别、身高体重区间、腕围或臂围区间、既往用药状态、与设备信号质量有关的手指和皮肤特征。姓名、联系方式、可回溯身份的照片和原始身份文件不应进入模型数据包。若需要局部照片或视频来核对佩戴和姿势,应限定视野、去除人脸与背景标识,并将它们与研究ID分开管理。

第二类是测量级对象。每一轮测量都应拥有唯一索引,记录参考读数、腕式设备读数、设备编号和固件版本、开始与结束时间、测量轮次、是否校准、是否复测以及最终状态。SBP和DBP应作为两个相关但独立的目标字段处理,不能将其中一个缺失时的另一个数值默认为有效。若需求需要按照参考血压范围做分层,分层标签应来自预先约定的研究规则,并明确“研究分层不是临床诊断”。

第三类是信号级对象。腕式设备的ECG、PPG、压力或按压相关信号应尽量保留原始波形与采样率、增益、量程、时间戳和缺失段。经过滤波、去伪迹、重采样或切窗得到的派生信号,也要记录处理版本和参数。不要只交付一个已经经过算法筛选的最终血压数字,否则研发团队无法判断模型究竟从生理信息、设备校准,还是从数据清洗规则中学到了什么。

第四类是过程和环境对象。包括静息时长、姿势检查、手臂和手指相对心脏的高度、是否讲话或移动、袖带与腕带佩戴状态、设备校准结果、环境温度和噪声等。过程影像或音频不是为了形成身份画像,而是用来复核“这一条信号是否在协议条件下获得”。

第五类是质量对象。每条记录都应有通过、复测、排除或不确定状态,并说明原因。例如波形无法恢复、参考听诊音频过轻、重复参考值波动过大、按压位置偏移、姿势不合规、设备校准异常、文件缺失或时间戳不可信。质量标签要能回溯到具体环节,而不是用“低质量”一个笼统枚举掩盖不同的偏差来源。

静息可穿戴血压数据的同步采集链:从受试者与场景到结构化交付查看完整技术图(可放大)

图1|技术示意:把受试者状态、参考读数、腕式原始信号与过程质控绑定到同一测量索引;不表示真实患者、已完成实验或临床诊断。

参考测量决定数据上限

对无袖带血压设备而言,参考测量不是“附带记录”,而是监督学习目标的来源。传统袖带设备的临床调查有专门标准,ISO 81060-2:2018规定了使用袖带、间歇性自动估计血压的临床调查要求,并明确其适用范围和不适用范围。2 这意味着项目不能只写“按指南测量”,而应写出参考设备、袖带规格、校准状态、测量人员资质、顺序和重复规则。

静息坐姿方案至少需要在开始前留出安静休息时间,确认排除刚运动、吸烟、摄入咖啡因、膀胱充盈或明显紧张等可能改变读数的因素。上臂袖带应与被测手臂和心脏位置关系一致,尺寸要与臂围匹配;听诊时两名受训人员应相互独立记录,不互相看结果。独立记录的价值不是制造更多数字,而是让观察者差异成为可审计的质量信号。若两名人员的读数分歧超过预设阈值,应按SOP休息、复测或进入仲裁,而不是简单取平均掩盖问题。

参考测量还要与腕式采集建立时间关系。一个可执行的方案是将每次参考读数视为带有开始、结束和测量中心时刻的事件,并把相邻的ECG、PPG、压力和设备输出切成对应窗口。若腕式设备在参考听诊后才输出数字,需记录其算法延迟;若中间安排休息,则下一窗口不能沿用上一轮的参考值。对于需要多轮配对的研究,应保存轮次间隔和休息状态,以便后续分析短期血压波动、设备重初始化和校准衰减。

参考值本身也有适用边界。ISO官网说明,81060-2针对的是使用袖带的间歇性自动测量设备,并不覆盖无袖带连续测量的所有临床调查问题。2 2023年欧洲高血压学会工作组建议,无袖带设备验证要根据设备功能和校准方式定制,并考虑静息、体位变化、运动或诱导血压变化、治疗变化、清醒与睡眠以及重校准前后的不同测试。4 对一个只研究静息间歇读数的项目,可以把范围限定在静息条件;但不能据此宣称设备适用于全天活动、夜间睡眠或药物调整后的临床监测。

让ECG、PPG和压力信号真正可用

可穿戴血压估计常从脉搏传播时间、PPG波形形态、心率和设备压力状态等特征出发。ECG提供心搏电活动的时间参照,PPG反映外周血容量变化,二者的时间差可能与脉搏传播相关;但这个关系受到血管顺应性、血管张力、皮肤和组织光学特性、腕部高度、接触压力与运动伪迹影响。因此,模型路线不应从“选择一个深度网络”开始,而应从信号质量和目标定义开始。

第一步是同步与完整性检查。确认各通道时间戳是否来自同一时基,是否存在漂移、重复、丢帧或跨设备时区错误;计算每个窗口的有效采样比例,标注饱和、断连和明显运动片段。第二步是信号门控。ECG需要检查R峰可辨性和基线漂移,PPG需要检查脉搏周期、幅度稳定性和光学饱和,压力与按压信号需要检查中心位置和接触是否符合协议。质量门控应输出可解释标记,不能只由一个黑箱分数决定样本生死。

第三步是特征和模型的分层比较。可以先用脉搏传播时间、心率、PPG形态、波形质量、姿势和基础人口学变量建立线性或树模型基线,再与卷积、循环或时序注意力模型比较。所有模型都要分别报告SBP和DBP,说明是否使用个体校准,校准样本来自哪一次测量,评估是否发生在同一人的后续测量上。若只报告总体平均误差,可能把年轻、血压范围窄且信号好的样本的结果误写成全人群性能。

一项纳入三千余名参与者的智能手表研究同时记录了ECG、脉搏压力波、多波长PPG,并以双观察者听诊作为参考;研究比较了脉搏传播时间、传统机器学习和深度学习,并分别分析校准与无校准策略。其结论显示,校准有助于部分人群,但在年龄更大、血压范围更异质的群体中性能下降,无校准在常规使用中的可用性受限。3 这项研究的价值不在于给出一个可以照搬的准确率,而在于说明数据采集必须覆盖模型可能失效的分布,且校准状态本身就是数据字段。

受试者分层不能只写“覆盖正常和异常”

大规模研究最容易出现的错误,是把“样本量大”当作“分布充分”。血压模型至少应在采集前建立分层表:年龄段、性别、SBP和DBP范围、是否服药、腕围和臂围、皮肤和组织光学差异、静息状态及设备位置。每个层级不仅要有目标数量,还要有最低可分析数量和允许缺口。若某一分层在试采后无法达到,项目应更新统计计划,不能在交付时静默删除。

低血压、正常范围和高血压范围可以作为研究分层,但不宜在公共稿中把它们写成受试者诊断标签。更稳妥的做法是保存连续参考值、记录测量时的用药和状态,并由算法研究者按分析目的重新定义区间。对服用降压药的人群,要记录是否在测量前按既定方案服药,但不把药名、处方和身份信息混入模型输入;如果项目确实需要药物类别,应使用最小化的预定义枚举,并单独管理授权。

分层还要服务于外部有效性。不同肤色、腕部组织、佩戴松紧和手臂高度可能改变PPG信号;运动、环境温度和设备固件变化也可能造成漂移。相关综述指出,无袖带设备容易受到体位和静水压影响,PPG方案还可能受到皮肤颜色等因素影响;因此需要更复杂的验证设计,而不能只在校准后静坐一次。5 在研究数据中,这些变量不是“额外画像”,而是解释模型边界所需的最小元数据。

专家标注的重点是把分歧留下来

血压项目的标注主体不是泛化的众包人员,而是经过血压测量培训并通过考核的测量人员、医学质量人员和必要时的临床专家。标注任务应分为三层。第一层是现场记录:参考SBP/DBP、观察者编号、Korotkoff音是否清晰、设备读数和协议状态。第二层是质量复核:核对时间关系、波形、姿势、按压位置和文件完整性。第三层是争议仲裁:处理听诊音不清、收缩压或舒张压识别分歧、复测顺序冲突和信号质量边界案例。

标注指南应使用可观察描述,避免“看起来不稳定”这类不可复现语言。例如,波形异常要说明是平直、饱和、周期缺失还是运动伪迹;姿势不合格要说明是腕部过低、肘部悬空、手指偏离中心还是被试讲话。边界案例可标为不确定并保留两位观察者的原始判断,再由仲裁者给出纳入训练、仅纳入评估或排除的决定。这样,模型训练可以使用高置信标签,方法学研究也能分析分歧本身。

专家一致性不能用一个漂亮的总体数字替代。应按SBP、DBP、质量标签和不同人群层分别报告;对参考测量,记录两位观察者差值分布和复测后变化;对信号标签,报告抽样复核的一致率、分歧类型和返工率。若标签定义在采集过程中发生变化,必须形成版本号,重新标记受影响批次或在分析中隔离版本。数据集交付时,质量报告应能回答“哪一版指南、谁在何时、按什么规则、复核了哪批数据”。

从试采到外部验证的血压数据验收闭环:把人群、标签、划分与跨场景验证分开查看完整技术图(可放大)

图2|技术示意:试采、质量门控、受试者级拆分和外部复核的关系;不表示真实患者、已完成实验或临床诊断结论。

质量验收要从“文件存在”升级为“测量可信”

第一道验收是完整性。当天导出的测量索引应与有效受试者和轮次对应,不能有空文件、重复ID、无法关联的孤立信号或缺少参考值的伪配对。第二道验收是设备和信号。检查每天或每批次校准记录、ECG/PPG是否可分析、压力和按压是否在范围内、参考听诊音频是否清晰。第三道验收是协议。检查休息、坐姿、脚部支撑、手臂与心脏平齐、讲话和移动、测量时长以及设备佩戴。

第四道验收是标签和分布。抽查参考值与音频、测量人员记录、设备原始数据是否一致;检查目标人群分层是否达到预设配额,不能用总人数合格掩盖某一年龄段或血压范围严重缺失。第五道验收是脱敏和可追溯。研究ID要能在授权范围内关联同一受试者的多轮数据,但不能反推出身份;视频、照片和音频的访问权限、保留期限、导出格式和删除机制要单独记录。

验收阈值应在试采前确定,至少包括观察者差异、重复参考测量波动、信号有效比例、姿势或按压偏移、文件完整性和分层覆盖。不要在项目结束后根据已获得的数据反向选择阈值。对不合格样本,要区分可复测、可修复、仅用于质量研究和必须排除四种状态;“换一个人重录”可能使原始失败样本从数据中消失,导致后续模型看不到真实运营中的失效分布,因此失败原因也应作为运营统计保留在内部审计中。

训练、测试和外部验证要防止泄漏

血压数据通常包含同一受试者多轮测量、同一设备连续窗口和同一场地的环境特征。随机按窗口切分会把同一个人的生理基线、佩戴习惯甚至设备噪声同时放进训练和测试,结果会过于乐观。正确做法是至少按受试者级划分,必要时再按采集场地、设备批次和时间段做分层留出。校准窗口和评估窗口也不能跨越数据分区;如果要研究个体校准效果,应把校准过程写成独立的实验协议。

模型评估应分别报告校准后、无校准、信号质量门控前后,以及不同人群和设备状态下的结果。SBP和DBP分别给出平均误差、误差标准差、绝对误差分布和失效比例,并说明参考方法、样本选择、重复测量处理和置信区间。若算法输出不确定性,应验证不确定性是否能识别运动、低灌注、信号断裂和分布外样本,而不是只在高质量静息样本上计算。

外部验证不等于把同一批数据换一个随机种子。它应尽量使用未参与模型设计的设备批次、固件版本、采集人员、场地或受试者群体,并维持相同的数据字典。若业务目标是腕式设备在日常活动中使用,静息坐姿试验只能证明一个受控条件下的研究结果,仍需要针对体位、运动、睡眠、环境和校准保持时间设计另外的研究。美国心脏协会科学声明归纳了不同验证协议的差异:袖带设备的静息坐姿验证、连续设备的侵入性参考以及无袖带设备的多体位和校准前后测试并非同一件事。5

业务交付的价值在于可复核,不在于承诺临床效果

对医疗AI研发团队而言,高价值交付不是一组看似整齐的血压数值,而是能重建测量条件的数据资产:原始ECG/PPG和设备信号、时间对齐规则、参考测量记录、质量和排除标签、受试者级划分建议、数据字典、版本日志、脱敏说明与已知局限。这样的结构既可用于训练,也可用于误差分析、基线复现和后续设备迭代。

对数据采购方而言,合同或项目规格应把“现货能力”和“按需求规划”分开。需要确认的不是某个供应商网站是否出现过“血压”三个字,而是能否在书面范围内完成伦理与授权、受试者招募、参考测量培训、设备校准、同步采集、脱敏和质量记录,并提供可抽查的样例和数据表。若项目涉及医疗器械申报或临床使用,还要由设备方、临床研究方和合规团队共同确定适用标准;数据采集服务本身不能替代器械验证、注册或临床试验结论。

基于已核验的公司定位,朗慧可在项目规格、数据表、采集与处理、标注质检和数据交付这些流程层提供研发支持;这不等同于已有某种血压设备现货、取得医疗器械认证或完成临床有效性证明。实际的设备、人员、场地、授权、周期和验收条件,仍需在项目启动前以书面方式逐项确认。对于涉及敏感生理数据的任务,伦理审查、知情同意、访问控制、最小化采集和用途限制应作为研发交付的一部分,而不是文章末尾的装饰性声明。

无袖带血压模型真正的难点,是把“一个读数”还原成“一个可解释的测量事件”。只有当参考测量、ECG/PPG、设备状态、姿势、时间戳、分层与质量判定彼此对齐,算法比较才有意义;只有当受试者级隔离、外部验证和失效边界被提前写入方案,研究结果才不会被误认为临床效果。对采购和研发双方而言,先把这些关系写成数据字典、SOP和验收记录,再讨论规模和模型,是把可穿戴血压数据变成可复核研究资产的起点。

参考来源

  1. Home Blood Pressure Monitoring
  2. ISO 81060-2:2018 — Non-invasive sphygmomanometers: Part 2: Clinical investigation of intermittent automated measurement type
  3. Cuffless Blood Pressure Measurement Using Smartwatches: A Large-Scale Validation Study
  4. European Society of Hypertension recommendations for the validation of cuffless blood pressure measuring devices
  5. Cuffless Devices for the Measurement of Blood Pressure: A Scientific Statement From the American Heart Association
  6. Cuffless Non-invasive Blood Pressure Measuring Devices — Clinical Performance Testing and Evaluation Draft Guidance for Industry and FDA Staff