本發明涉及生物信號處理技術，具體為一種基于主體自適應特征調制機制的無創連續血壓估計系統。

背景技術：

1、在無袖帶的無創血壓測量技術中，利用光電容積脈搏波（ppg）和心電圖（ecg）等生理信號實現對血壓的間接估算方法，已經成為個性化健康管理和心血管疾病（cardiovascular?diseases，cvds）預防領域的研究熱點。

2、無袖帶血壓估算技術的發展已歷經數個階段。早期研究主要集中于基于脈搏波傳導速度（pulse?wave?velocity,?pwv）理論的參數化方法，其核心在于通過計算脈搏波到達時間（pulse?arrival?time,?pat）或脈搏波傳遞時間（pulse?transit?time,?ptt）來間接推算血壓值。這類方法的實現通常需要同步采集高質量的心電圖（ecg）和光電容積脈搏波（ppg）信號，用以精確計算脈搏波從心臟傳導至外周測量點所需的時間。然而，pwv參數與血壓間的相關性受到血管彈性、心率等多種個體化因素的復雜影響，導致模型需要頻繁的個體化校準以維持估算精度，且多傳感器的佩戴不便性限制了其廣泛應用。

3、為了探索不直接依賴于傳導時間參數的估算路徑，研究者將注意力轉向了基于脈搏波形態分析（pulse?wave?analysis,?pwa）的方法，即嘗試直接從ppg、ecg等生理信號的波形關鍵特征中解碼血壓信息。傳統機器學習方法具有強大的非線性擬合能力，但其固有局限在于其特征提取高度依賴于領域專家的先驗知識，容易導致信息的丟失或冗余，從而限制了模型的最終性能。因此，為克服手動特征工程的限制，近年來的研究趨勢已明確轉向深度學習。深度學習模型能夠直接從原始ppg或ecg波形中以端到端的方式自動學習特征。

4、現有深度學習模型在無袖帶血壓估計上普遍采用靜態映射范式，即試圖構建一個普適性固定的函數來擬合所有個體的生理信號與血壓的關系，為靜態函數。由于不同個體在年齡、性別、bmi等生理基礎上的差異導致了血壓映射的個體特異性，這種靜態映射范式無法應對主體間高度的生理異質性，靜態映射的深度學習模型在應用于新個體時泛化能力嚴重不足。

5、近年來，雖然有人嘗試將人口統計學信息作為個體先驗進行融合，但特征拼接的融合深度存在不足，特征融合缺乏一種依據個體先驗來對特征提取過程進行動態調制的自適應機制，即模型無法利用個體信息去改變其對生理信號的處理方式，導致個體先驗與生理特征間的深層非線性耦合關系未被充分挖掘。

6、現有技術在評估與應用范式上面臨核心矛盾：當數據劃分策略允許來自同一個體的數據片段同時出現在訓練集與測試集中時，模型的評估結果會因數據泄漏而顯得虛高；然而，當采用將受試者嚴格分離的評估策略（即測試集中的個體是模型在訓練階段從未見過的）時，這種方式雖然能真實反映泛化能力，但是現有模型的性能又會大幅下降，難以滿足臨床標準。

7、因此，本領域迫切需要一種技術方案，能夠在面對新個體的嚴謹評估范式下，依舊能夠達到高精度和高泛化性的臨床應用要求。

技術實現思路

1、本發明提出一種基于主體自適應特征調制機制的無創連續血壓估計系統，采樣基于主體自適應特征調制的動態融合網絡（sadf-net），有效解耦了個體差異對血壓映射的干擾，解決了無袖帶血壓估計中靜態映射范式無法應對個體異質性的問題。

2、在本發明實施例中，所提出的一種基于主體自適應特征調制機制的無創連續血壓估計系統，包括基于主體自適應特征調制的動態融合網絡和血壓回歸輸出模塊；所述動態融合網絡包括個體先驗嵌入向量生成模塊、主體自適應特征提取模塊、序列處理模塊及跨模態注意力融合模塊；

3、個體先驗嵌入向量生成模塊用于對離散的人口統計學信息進行深層特征提取，捕捉屬性間的非線性耦合關系，生成個體先驗嵌入向量；

4、主體自適應特征提取模塊采用主體自適應多尺度u-net網絡，根據個體先驗嵌入向量，對經預處理的時序生理信號進行實時多層次動態調制，最終輸出融合了多尺度形態學信息與個體生理先驗的高維時序特征圖；

5、序列處理模塊對主體自適應特征提取模塊輸出的高維時序特征圖進行時序依賴建模與上下文精煉，輸出對跨周期的波形動態進行建模的時序特征；

6、跨模態注意力融合模塊將個體先驗嵌入向量與序列處理模塊輸出的時序特征進行拼接；拼接后的特征向量輸入多頭注意力融合模塊，通過多個注意力頭在不同時間尺度與模態之間并行計算相關性，實現動態的跨模態特征加權融合，輸出融合優化后的高維特征向量；

7、血壓回歸輸出模塊將跨模態注意力融合模塊輸出的高維特征向量通過全連接層映射，最終回歸得到收縮壓和舒張壓的估計值。

8、優選地，主體自適應多尺度u-net網絡在架構上包括設有多個層級的編碼器路徑、位于底部的瓶頸層以及設有多個層級的解碼器路徑，其中編碼器路徑比解碼器路徑多1個層級；

9、主體自適應多尺度u-net網絡利用集成了通道注意力機制的復合殘差模塊作為特征提取單元；在編碼器路徑的每一層級中嵌入主體自適應線性調制模塊，引入個體先驗嵌入向量對特征進行動態干預；在跳躍連接中引入多尺度提取模塊連接在編碼器路徑的主體自適應線性調制模塊與解碼器路徑之間，以獲得跳躍連接特征。

10、進一步地，每一層編碼器路徑包括相串聯的復合殘差模塊和主體自適應線性調制模塊，主體自適應多尺度u-net網絡的輸入位于編碼器路徑的第1層接收經預處理的時序生理信號和個體先驗嵌入向量作為輸入，編碼器路徑的其余層則接收經上一層主體自適應線性調制模塊調制的時序特征圖和個體先驗嵌入向量作為輸入；

11、在每一層編碼器路徑中，復合殘差模塊根據經預處理的時序生理信號或上一層主體自適應線性調制模塊調制的個體校準特征圖，提取多尺度形態特征圖；主體自適應線性調制模塊則作為控制節點，接收個體先驗嵌入向量，對復合殘差模塊輸出的多尺度形態特征圖進行逐層的動態仿射變換與重校準，輸出調制后的個體校準特征圖至當前層編碼器路徑的多尺度提取模塊和下一層編碼器路徑的復合殘差模塊；

12、在編碼器路徑的最深處，多尺度形態特征圖輸出至瓶頸層；經瓶頸層處理后的特征圖進入解碼器路徑；

13、每一層解碼器路徑包括拼接模塊和復合殘差模塊，瓶頸層輸出的特征圖在解碼器路徑的每一層級與來自編碼器路徑對應層級、且經過多尺度提取模塊處理的跳躍連接特征，在通道維度上進行堆疊拼接，再經由解碼器路徑的復合殘差模塊進行特征重建；最終在解碼器路徑第1層的復合殘差模塊輸出融合了多尺度形態學信息與個體生理先驗的高維時序特征圖。

14、進一步地，復合殘差模塊包括res2net殘差結構和壓縮激勵模塊；

15、res2net殘差結構在單一殘差塊內構建層級化的類殘差連接，res2net殘差結構的輸入特征圖在經過卷積層進行特征降維后，在通道維度上進行分塊操作而被均分為個特征子集，其中為尺度系數，第一個特征子集作為一種特征重用形式被直接保留，其余的特征子集則依次通過一個卷積層，且每個卷積層的輸入均是其對應特征子集與前一個卷積層輸出之和；最后res2net殘差結構中所有層級的輸出特征圖被拼接在一起,得到拼接后的特征圖；

16、壓縮激勵模塊以拼接后的特征圖作為輸入，進行通道注意力重校準，得到經通道注意力縮放后輸出的特征圖；

17、將經通道注意力縮放后輸出的特征圖與輸入特征圖按照殘差連接的方式進行逐元素相加，得到復合殘差模塊最終輸出的多尺度形態特征圖。

18、再進一步地，主體自適應線性調制模塊接收局部的多尺度形態特征圖和全局的個體先驗嵌入向量作為雙重輸入，動態生成與多尺度形態特征圖尺寸匹配的增益與偏置；最終逐通道、逐元素施加仿射變換實現特征調制:

19、；

20、其中表示經過增益與偏置進行仿射變化后的個體校準特征圖。

21、優選地，主體自適應多尺度u-net網絡在瓶頸層引入基于因式化設計的混合多層感知機模塊；混合多層感知機模塊連接在編碼器路徑最底層的主體自適應線性調制模塊與解碼器路徑第1層的拼接模塊之間。

22、優選地，動態融合網絡包括三個特征提取分支，每個特征提取分支中設有相連接的一個主體自適應特征提取模塊和一個序列處理模塊；

23、跨模態注意力融合模塊將個體先驗嵌入向量與三個特征提取分支中序列處理模塊輸出的時序特征進行拼接；拼接后的特征向量輸入多頭注意力融合模塊。

24、本發明的技術方案采用主體自適應動態融合網絡（sadf-net）及兩階段知識遷移框架，與現有技術相比，取得的有益效果包括：

25、1、本發明解決了靜態映射范式無法應對個體異質性的根本性問題。與現有深度學習模型中試圖構建普適性靜態函數的做法不同，本發明采用主體自適應動態融合網絡sadf-net，其核心是一種主體自適應特征調制機制，將傳統的靜態映射范式革新為動態自適應范式。該機制通過一個基于transformer架構的個體先驗嵌入向量生成模塊，對人口統計學信息進行編碼，以深度建模個體先驗間的非線性耦合關系，并以此驅動主體自適應線性調制（salm）模塊。而salm模塊設置在骨干網絡的多個層級上，動態生成個體化的增益和偏置參數，對生理信號特征圖進行實時的仿射變換。這種機制設計使得網絡能夠根據每個主體的生理背景，動態地重校準其特征提取路徑，從而有效解耦了個體差異對血壓映射的干擾。

26、2、本發明顯著增強了對復雜生理信號的特征提取與融合能力。本發明針對現有網絡架構特征提取能力不足的問題，設計了功能更強大的主體自適應多尺度網絡sams-u-net。首先，采用了多通道、多階導數輸入（原始、一階、二階ppg/ecg信號），為模型提供了更豐富的血流動力學信息。其次，在核心特征提取單元上，本發明采用了復合殘差模塊，其在單一殘差塊內構建層級化連接以獲取更豐富的多尺度感受野，性能優于標準卷積。此外，本發明在瓶頸層使用混合多層感知機（mixer-mlp）模塊高效建模長程依賴，在跳躍連接中使用多尺度卷積（mse）模塊緩解語義鴻溝，在頂層使用雙向門控循環單元bi-gru捕捉跨心動周期時序信息，并使用多頭自注意力（mh-att）模塊實現信號特征與個體先驗的最終深度融合。這一系列設計共同確保了模型能夠從復雜信號中捕捉到高判別力的特征。

27、3、本發明解決了評估泛化能力與臨床精度需求之間的核心矛盾。本發明創新性地提出了兩階段知識遷移框架，為高精度模型的臨床部署提供了高數據效率的可靠路徑。該框架首先在第一階段群體自適應策略學習中，使模型在多樣化的大規模數據集上學習一種通用的自適應策略，即學會如何根據個體先驗信息動態調整特征提取。隨后在第二階段快速個體化中，當模型面對新個體時，采用一種參數高效的靶向微調策略。該策略僅解凍并更新與主體自適應最相關的模塊，在微調時采用一套經實驗驗證最優的分層學習率方案。這種預訓練通用策略與靶向微調個體化相結合的范式，成功地在嚴謹的受試者分離評估（即無校準）范式下，通過高數據效率的快速個體化，使模型性能達到了臨床應用標準，從而解決了現有技術中科學評估與臨床精度無法兼得的問題。