物理约束深度学习：三轴体震信号实现无接触血压监测

如果有一个患者坐在椅子上，没有袖带、没有腕带、也不需要主动配合，系统仅凭身体表面传来的微弱机械振动，就能在几十秒内估算出收缩压和舒张压——这类描述很容易被当成“概念演示”，但结合近几年的三轴体震信号（Triaxial Bodyseismography）和深度学习研究，它已经是一条值得工程化的技术路径。真正拉开差距的，不是“能不能采到信号”，而是“模型学到的血压关系，在生理上是否可信”。因此，标题中“Physics-Constrained”这个词才是关键：它意味着在神经网络训练中注入血流动力学规律，让模型不只是拟合数据，还不足以违背人体生理常识。

这篇文章从工程视角拆解这个技术方向：先讲清楚三轴体震信号是什么，为什么无接触血压监测会选中它；再解释“物理约束”到底约束什么，以及如何在 PyTorch 里落地；接着给出一套包含预处理、模型设计、损失函数和训练验证的完整示例；最后补充常见问题与工程建议。你不需要有医学背景，只要熟悉 Python 和深度学习基础，就能顺着文章跑通一个最小可复现的流程，并把物理约束的思想迁移到其他生理信号任务里。

1. 这篇文章真正要解决的问题

传统的动态血压监测，主流方案仍是袖带式示波法：每隔一段时间充气、放气，测量得到的是离散的点，且佩戴体验不好。近年来更常见的腕部 PPG 手环，虽然可以连续测量，但对皮肤接触、佩戴位置和运动伪影都非常敏感，夜间睡眠场景尤其容易失效。于是研究者开始寻找一种“无感、无接触、连续”的血压估计信号，三轴体震信号就是其中很有潜力的一个方向。

体震信号的本质是心脏泵血、血流冲击血管壁、呼吸运动在身体表面引起的机械振动。过去这类信号多半用于心冲击图（Ballistocardiogram，BCG）和颈动脉脉搏图（Carotid Pulse）研究，难点在于信号微弱、干扰多、时变性强。直接把原始波形交给人看，很难解读；但交给深度学习模型，却可以自动提取与血压相关的时序特征。问题也随之而来：数据驱动模型在训练集上表现不错，换一个受试者、换一把椅子、换一个传感器安装位置，性能往往大幅下降。

这篇文章要解决的核心问题，就是“如何降低这种跨个体、跨场景的泛化衰减”。单纯堆更多的数据和更大的模型，边际收益有限。更值得尝试的做法，是把已经非常成熟的生理学知识，例如脉搏波速度与血压的关系、血管弹性对波形形态的影响，转换成可微分的约束条件，加入深度模型的训练过程。这种思路在学术上常被称为 Physics-Constrained Deep Learning 或 Physics-Informed Neural Networks（PINN），落到血压监测任务上，可以理解为：让模型既从数据中学，也从规律中学。

什么样的读者最应该读这篇文章？如果你在做生理信号处理、可穿戴健康监测、医疗 AI 算法，或者正在研究如何在深度模型中加入领域知识，这篇文章会比较对路。如果你想寻找“用普通电脑就能复现”的轻量级方案，文中示例代码也可以在单张 GPU 甚至 CPU 上跑通，只是训练时间需要自行权衡。

2. 三轴体震信号与非接触血压监测：概念辨析

Bodyseismography 直译过来是“身体震动记录”，它并不特指某一种传感器。高灵敏加速计贴在锁骨下方，可以记录血流冲击胸腔的加速度；压电薄膜垫在椅背或床垫上，可以记录体表压力变化；微波雷达或激光测振仪，甚至能在完全不接触身体的情况下捕捉到胸壁的微弱位移。这些信号有一个共同点：它们包含心脏、血管、呼吸共同作用的机械信息，而血压会直接影响血管壁的张力和血流冲击强度，因此理论上可以从体震信号中反推血压。

Triaxial 则强调采用互相垂直的三个轴（一般记作 X、Y、Z）同时采集。为什么不是单轴？因为人体表面的振动方向并不固定，心跳冲击的主要方向会随着传感器放置位置、身体姿态变化而变化。三轴信号相当于把振动向量分解到三个方向，让模型有机会学习“哪一轴包含更丰富的血压信息”。在实际工程中，通常还会计算三轴合成幅值，或者对三个通道分别做特征提取后再融合，以此来减小方向偏差。

这里有必要区分几个容易混淆的概念：

三轴体震信号用于血压监测，最大的优势是无接触、无感知，用户不需要主动配合；最大的劣势则是信噪比低、个体差异大。传感器拾取到的不只是心脏机械活动，还包括呼吸低频漂移、肌肉抖动、外部环境振动。因此，预处理阶段的质量，往往比模型结构更影响最终结果。

3. 为什么要给深度模型加“物理约束”

如果只把血压监测当做一个回归任务，输入是三轴振动波形，输出是收缩压（SBP）和舒张压（DBP），那直接训练一个 CNN-LSTM 或 Transformer 就可以了。实际上很多研究早期就是这么做的，效果也并非不可用，但问题往往出在“不可解释”和“跨个体泛化差”上。

人体血压和脉搏波速度（Pulse Wave Velocity，PWV）之间存在明确的物理关系。经典的 Moens-Korteweg 方程描述了脉搏波在血管中传播速度与血管壁弹性模量、管壁厚度、血管半径以及血液密度之间的关系；血压升高时，血管壁张力增加，脉搏波传播速度通常也会加快。这个规律在临床上是成立的，也是许多无袖带血压设备采用“脉搏波传播时间（PTT）估算血压”的理论基础。

不过，问题在于体震信号中并没有直接给出的 PTT。传统方法需要同时采集 ECG 和 PPG，计算心电 R 波到脉搏波到达某点的时延；而三轴体震信号可以通过信号处理算法，估计出与脉搏波到达时间相关的特征，例如加速度信号中与射血相关的峰值时间点。如果深度模型只是拿原始波形直接回归血压，它可能学到的是传感器安装角度的伪特征，而不是血管力学变化的真实特征。加入物理约束，主要有三个层面的收益：

• 降低搜索空间。深度模型可学习的参数很多，而生理规律给模型划定了一个“可信区域”，避免在病态方向上拟合。
• 提升跨个体迁移能力。不同受试者的绝对血压差异很大，但 PWV 变化与血压变化的方向性关系相对稳定，物理约束能够约束模型关注这种相对关系。
• 增加可解释性。模型输出不只是两个数字，还能输出与脉搏波速度相关的中间特征，让研究者检查它是否符合生理预期。

需要说明的是，物理约束不是银弹。如果数据质量差、同步标签不准，物理损失项反而可能拖累模型拟合。更好的做法是把它作为正则项，与主损失函数加权结合，并通过权重系数动态调节。

4. 数据采集、预处理与标签同步

在做任何深度学习之前，先要把传感器和信号处理链路想清楚。三轴体震信号数据集的构建通常包含几个步骤：选择合适的传感器、设置合理采样率、对人体姿势和传感器位置做标准化、同步采集参考血压值。

采样率方面，体震信号中包含心冲击和血流冲击成分，主要能量集中在几十赫兹以内。为了避免丢失波形细节，研究中使用 200 Hz 甚至 1000 Hz 的采样率都很常见；但采样率过高会显著增加数据量，而且对血压估计未必有线性增益。更稳妥的做法是先以 250 Hz 或 500 Hz 采样，再根据实验效果降采样。不要盲目追求高采样率，这会放大高频噪声。

预处理的第一步是去噪。体震信号混杂着基线漂移、工频干扰和高频肌肉噪声，可以先用带通滤波器保留主要频带。具体频带范围需要根据传感器频响和实验设计确定，一个常用的起点是 0.5 Hz 到 30 Hz 左右，但这不是标准值，需要根据信号频谱特征调整。第二步是去除明显运动伪影，可以结合信号幅度阈值和加速度计辅助信号剔除异常片段。第三步是截取稳定片段，通常选择用户静止、呼吸平稳的时间段。

标签同步是无接触血压监测里最容易出错的地方。示波法电子血压计是间歇式测量，测得的是充气放气那几十秒的平均血压；而体震信号是连续波形。做数据划分时，应在血压计测量完成前后切取一段信号作为该血压值的对应片段，并留出足够的间隔，避免把充气干扰也当作有效信号。此外，为了得到个体的校准基线，每个受试者最好在一天不同时段多次采集，覆盖坐姿、静息、轻度活动后等状态。

如果你使用的是自采数据，建议把数据组织成如下形式：

data/ ├── subject_01/ │ ├── seg_001.npy │ ├── seg_002.npy │ └── label.csv ├── subject_02/ │ ├── ... └── meta.csv

其中每个 npy 文件保存一个三轴信号片段，形状为(3, time_steps)；label.csv 保存对应片段的收缩压、舒张压和生理状态标记。这种按受试者组织的方式，也更方便后续做跨个体验证。

5. 模型架构与物理约束嵌入方式

针对三轴体震信号，一个比较合理的基线模型结构如下：

输入: (batch_size, 3, time_steps) → 一维卷积层（提取局部波形特征） → 批归一化 + ReLU → 双向 LSTM 或 Transformer 编码器（建模时序依赖） → 全局平均池化 → 特征向量 → 三个输出分支： SBP 分支：线性层输出收缩压 DBP 分支：线性层输出舒张压 PTT 分支：线性层输出脉搏波传播时间相关特征

这里的关键是将 PTT 特征单独设置一个分支。在训练阶段，我们并不一定需要 PTT 的真实标注，而是利用生理学约束对 SBP 和 PTT 的关系进行正则化。具体来说：当脉搏波传播时间变短时，血压应该升高；当传播时间变长时，血压应该降低。这是一个方向性的排序约束，符合 Moens-Korteweg 方程的逻辑，实现起来也比较简单。

物理约束损失可以使用 Pairwise Ranking Loss。对同一个 batch 内的样本两两配对，如果样本 A 的 PTT 小于样本 B，则样本 A 的 SBP 应大于样本 B。对不符合这个关系的样本对施加惩罚。这种损失不要求绝对精确的物理参数，只要求模型“顺着生理方向学”。

除了排序约束，还可以加入一个可选的生理范围约束：血压输出应落在合理范围内，超出范围时施加惩罚。这个约束可以用一个简单的 ReLU 或 Smooth L1 实现，目的是避免模型在个别样本上输出荒谬值。

模型训练时的总损失可以表示为：

loss = loss_sbp (MSE) + loss_dbp (MSE) + alpha * loss_physical_ranking + beta * loss_range

其中 alpha 和 beta 是权重系数。alpha 建议从 0.01 到 0.1 之间开始调试，太小不起作用，太大则可能降低回归精度。beta 一般可以设得很小，比如说 0.001，只用来约束极端值。

6. 环境准备与代码实现

6.1 环境依赖

下面的代码基于 PyTorch，建议使用 Python 3.9 及以上版本，并安装以下依赖。版本号以实际项目为准，这里给出的是当前比较常见的组合：

numpy==1.24.3 scipy==1.10.1 torch==2.1.0 scikit-learn==1.3.0 tqdm==4.66.1

如果你没有 GPU，直接在 CPU 上跑小规模数据也可以，只是训练速度慢一些。建议先跑通完整流程，再考虑换 GPU 环境。

6.2 数据预处理代码

下面的代码演示了如何读取三轴信号片段，做带通滤波、标准化和滑窗切分。文件路径可以自行修改。

# 文件路径: data_preprocess.py import numpy as np from scipy.signal import butter, sosfiltfilt def bandpass_filter(data, fs, low=0.5, high=30.0, order=4): """ 对三轴体震信号进行带通滤波。 data: shape (3, time_steps)，分别对应 X、Y、Z 轴。 fs: 采样率，单位 Hz。 """ sos = butter(order, [low, high], btype='bandpass', fs=fs, output='sos') filtered = np.zeros_like(data) for axis in range(data.shape[0]): filtered[axis] = sosfiltfilt(sos, data[axis]) return filtered def normalize_per_subject(data, mean=None, std=None): """ 按受试者做标准化，避免个体幅值差异影响模型训练。 如果 mean/std 为 None，则使用当前数据计算并返回。 """ if mean is None or std is None: mean = np.mean(data, axis=1, keepdims=True) std = np.std(data, axis=1, keepdims=True) + 1e-8 normalized = (data - mean) / std return normalized, mean, std def sliding_window(data, window_size, stride): """ 把三轴信号切成固定长度片段。 data: shape (3, time_steps) 返回: numpy array of shape (num_windows, 3, window_size) """ num_windows = (data.shape[1] - window_size) // stride + 1 windows = [] for i in range(num_windows): start = i * stride end = start + window_size windows.append(data[:, start:end]) return np.stack(windows, axis=0)

这段代码把信号处理中的滤波、标准化和滑窗三个基本操作封装成了函数。在真实工程中，建议把滤波参数和窗口长度放到配置文件里，而不是硬编码在函数中，方便实验对比。

6.3 物理约束损失函数实现

下面实现一个基于脉搏波传导时间和血压之间方向性关系的排序损失。代码不复杂，但能明显体现“物理约束”的思想。

# 文件路径: losses.py import torch import torch.nn.functional as F def physiological_ranking_loss(ptt, sbp, margin=1.0): """ 物理约束排序损失。 根据 Moens-Korteweg 方程的简化关系，PTT 越小，血压越高。 对 batch 内的样本两两配对，约束模型输出满足该方向关系。 ptt: 模型输出的脉搏波传播时间特征，shape (batch_size,) sbp: 模型输出的收缩压，shape (batch_size,) """ n = ptt.size(0) if n < 2: return torch.tensor(0.0, device=ptt.device) total_loss = torch.tensor(0.0, device=ptt.device) count = 0 for i in range(n): for j in range(n): if i == j: continue # 如果第 i 个样本的 PTT 小于第 j 个样本 if ptt[i] < ptt[j]: # 那么第 i 个样本的 SBP 应该高于第 j 个样本 # 即 sbp[i] > sbp[j]，等价于 sbp[j] - sbp[i] < 0 # 使用 hinge loss 约束 diff = sbp[j] - sbp[i] total_loss = total_loss + F.relu(diff + margin) count += 1 if count > 0: total_loss = total_loss / count return total_loss def physiological_range_loss(sbp, dbp): """ 生理范围约束，避免模型输出明显不合理的血压值。 这里使用 Soft 约束，超出范围后线性惩罚。 """ sbp_min, sbp_max = 60.0, 220.0 dbp_min, dbp_max = 40.0, 140.0 sbp_loss = F.relu(sbp_min - sbp) + F.relu(sbp - sbp_max) dbp_loss = F.relu(dbp_min - dbp) + F.relu(dbp - dbp_max) return torch.mean(sbp_loss + dbp_loss)

这个实现没有直接使用物理方程中的参数，而是抓住了“PTT 变短对应血压升高”这一稳定的生理方向。实践中的好处是：不需要对所有受试者标定物理常数，模型可以自主学到个体差异。

6.4 模型定义与训练代码

下面定义一个简单的 CNN + BiLSTM 模型，并给出训练循环示例。这里刻意保持模型轻量，方便在普通开发机上跑通。

# 文件路径: model.py import torch import torch.nn as nn class PhysioBPNet(nn.Module): def __init__(self, input_channels=3, time_steps=1250, hidden_size=64, num_layers=2): super().__init__() self.conv1 = nn.Conv1d(input_channels, 32, kernel_size=7, padding=3) self.conv2 = nn.Conv1d(32, 64, kernel_size=5, padding=2) self.conv3 = nn.Conv1d(64, 128, kernel_size=3, padding=1) self.pool = nn.MaxPool1d(2) self.relu = nn.ReLU() self.bn1 = nn.BatchNorm1d(32) self.bn2 = nn.BatchNorm1d(64) self.bn3 = nn.BatchNorm1d(128) # 经过三个池化层后，时间维度会缩短 8 倍 lstm_input_size = 128 self.lstm = nn.LSTM( input_size=lstm_input_size, hidden_size=hidden_size, num_layers=num_layers, batch_first=True, bidirectional=True ) final_feature = hidden_size * 2 # 三个输出头：收缩压、舒张压、PTT特征 self.sbp_head = nn.Linear(final_feature, 1) self.dbp_head = nn.Linear(final_feature, 1) self.ptt_head = nn.Linear(final_feature, 1) def forward(self, x): # x: (batch_size, 3, time_steps) x = self.bn1(self.relu(self.conv1(x))) x = self.pool(x) x = self.bn2(self.relu(self.conv2(x))) x = self.pool(x) x = self.bn3(self.relu(self.conv3(x))) x = self.pool(x) # 转成 LSTM 输入格式: (batch_size, seq_len, features) x = x.permute(0, 2, 1) x, _ = self.lstm(x) # 全局平均池化 x = torch.mean(x, dim=1) sbp = self.sbp_head(x).squeeze(-1) dbp = self.dbp_head(x).squeeze(-1) ptt = self.ptt_head(x).squeeze(-1) return sbp, dbp, ptt

# 文件路径: train.py import numpy as np import torch import torch.nn as nn from torch.utils.data import DataLoader, TensorDataset from model import PhysioBPNet from losses import physiological_ranking_loss, physiological_range_loss def train_one_epoch(model, loader, optimizer, alpha=0.05, beta=0.001): model.train() total_loss = 0.0 mse_loss_fn = nn.MSELoss() for x, y_sbp, y_dbp in loader: optimizer.zero_grad() sbp_pred, dbp_pred, ptt_pred = model(x) loss_sbp = mse_loss_fn(sbp_pred, y_sbp) loss_dbp = mse_loss_fn(dbp_pred, y_dbp) loss_phys = physiological_ranking_loss(ptt_pred, sbp_pred) loss_range = physiological_range_loss(sbp_pred, dbp_pred) loss = loss_sbp + loss_dbp + alpha * loss_phys + beta * loss_range loss.backward() optimizer.step() total_loss += loss.item() return total_loss / len(loader) if __name__ == '__main__': # 构造随机数据示例，实际工程中请替换为真实数据 num_samples = 64 time_steps = 1250 x_data = torch.randn(num_samples, 3, time_steps) y_sbp_data = torch.randn(num_samples) * 15 + 120 y_dbp_data = torch.randn(num_samples) * 10 + 80 dataset = TensorDataset(x_data, y_sbp_data, y_dbp_data) loader = DataLoader(dataset, batch_size=16, shuffle=True) model = PhysioBPNet(input_channels=3, time_steps=time_steps) optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) for epoch in range(5): avg_loss = train_one_epoch(model, loader, optimizer) print(f"Epoch {epoch + 1}: loss = {avg_loss:.4f}")

这段代码是刻意简化的最小可运行示例。真实场景中，你需要替换为自己的数据集和验证集。

7. 运行结果与效果验证

执行python train.py后，如果一切正常，日志会显示每个 epoch 的平均 loss，并且 loss 应该逐步下降。由于上面用的是随机数据，loss 下降到一定程度后可能不会特别低，这属于正常现象，因为随机数据之间没有稳定的映射关系。换成真实体震信号数据后，模型才能学到有意义的特征。

效果验证不能只看训练集 loss，更关键的是三步：

• 划分独立的测试集，并且测试集中受试者与训练集完全不重叠。这样才能评估模型跨个体泛化能力。
• 使用回归指标评估：MAE（平均绝对误差）、RMSE（均方根误差）、决定系数 R² 等。
• 做 Bland-Altman 分析，观察预测值与参考值之间是否存在系统性偏差。

可以参考临床血压监测设备评估中经常提到的标准：如果平均误差小于 5 mmHg，标准差小于 8 mmHg，可以认为模型在该测试集上具有较好的估计精度。需要注意的是，这些标准在严格意义上用于医疗设备审批，学术研究的指标并不一定完全等同，但它依然是一个很好的心理标尺。

评估代码可以单独写一个脚本：

# 文件路径: evaluate.py import numpy as np from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score def evaluate_regression(y_true, y_pred): mae = mean_absolute_error(y_true, y_pred) rmse = np.sqrt(mean_squared_error(y_true, y_pred)) r2 = r2_score(y_true, y_pred) print(f"MAE: {mae:.2f} mmHg") print(f"RMSE: {rmse:.2f} mmHg") print(f"R²: {r2:.3f}") return mae, rmse, r2

如果在验证集上 MAE 始终很高，或者训练集表现很好但测试集很差，需要优先检查个体划分是否泄漏、标签同步是否准确、物理约束权重是否过大。不要一上来就改模型结构，先把数据管线检查清楚。

8. 常见问题与排查思路

这些问题中，最容易被忽略的是数据泄漏。很多血压估计研究把同一个受试者的所有片段随机分成训练集和测试集，结果测试指标非常漂亮，但换到新受试者时模型几乎不可用。正确的做法是采用“留一受试者”或按受试者分组交叉验证。

9. 最佳实践与工程建议

第一，重视传感器固定方式与信号质量。无接触体震信号采集听起来轻松，但传感器放置位置的微小变化会显著改变波形相位和幅度。实际部署时，可以通过固定座椅、床垫或专用穿戴织物来减小安装差异。如果使用加速计，最好在采集前做三轴零偏校准。

第二，标签采集要有规范流程。血压参考值最好使用经过校验的医用级血压计，并在采集时记录测量时间、测量部位、被测者姿势和静息时间。没有准确标签，再好的物理约束也无济于事。

第三，物理约束不应只是“加一个 loss”。建议在模型结构上留出可解释的中间变量分支，例如 PTT 特征、心率特征、信号能量特征。这样不仅方便加入物理约束，也方便事后分析模型到底学到了什么，是否与生理常识一致。

第四，做严格的个体独立评估。交叉验证时采用 GroupKFold，按受试者 id 分组。报告指标时，除了整体 MAE，还要给出个体内误差范围，观察是否存在某些受试者误差特别大的情况。

第五，注意医疗数据合规与安全边界。血压信息属于个人健康信息，采集、存储、训练和部署都要遵守相关法律法规，做去标识化，并限制服务器访问权限。模型在未经临床验证之前，不能作为独立诊断或用药依据，最多作为健康趋势参考。

第六，保留完整的实验配置和随机种子。模型训练中的学习率、窗口长度、物理约束权重、数据划分方式，都会直接影响结果。建议记录每次实验的配置，方便回溯。代码仓库中使用统一的config.yaml或 dataclass 管理这些参数。

10. 总结与后续学习方向

这篇文章从无接触血压监测的痛点出发，解释了三轴体震信号的基本概念，重点阐述了“物理约束”在深度模型中的作用，并给出了一套从数据预处理、模型结构、物理损失到训练验证的 PyTorch 示例。你可以照着示例代码把最小流程跑通，再逐步替换为真实数据。

后续值得深入的方向包括：把物理约束扩展到多模态信号融合，例如同时使用体震信号和 PPG；引入联邦学习，在不共享个人健康数据的前提下跨机构训练；针对运动伪影做更鲁棒的信号质量评估；探索 Transformer 或状态空间模型在长序列体震信号上的表现。如果你对这个方向感兴趣，可以先从一个受试者的数据开始，把单个体内的血压趋势预测做好，再逐步扩展到多人数据。在这个过程中，你会发现“物理约束 + 深度学习”的组合并不是炫技，而是把领域知识变成模型学习先验的一种高效工程手段。