基于趋势-残差分解与跨组件注意力的低血压预测网络
江科
吴庞
王鹏
方震
中国科学院空天信息创新研究院 传感器技术全国重点实验室,北京 100094;中国科学院大学 电子电气与通信工程学院,北京 100049
摘要：针对现有深度学习模型难以充分利用生理信号中,慢变血流动力学趋势与快变形态学特征之间互补信息的问题,本研究提出了一种基于趋势-残差分解与跨组件注意力的低血压预测网络.首先,利用趋势-残差分解策略,将连续生理信号显式解耦为低频趋势项与高频残差项,分别对应宏观血压演变与微观搏动形态;然后,设计跨组件注意力机制,构建两组特征间的双向交互,使模型能在捕捉长期趋势的同时,敏锐感知隐藏在高频波形中的早期代偿迹象.在 VitalDB 数据集上的实验结果表明,该方法在提前 5、10 和 15 min 的预测任务中,受试者工作特征曲线下面积(AUROC)分别达到 89.81%、81.30%和80.59%,显著优于传统方法.该模型可为临床医生提供连续且准确的术中风险量化评估.
关键词：低血压预测趋势-残差分解深度学习注意力机制心电图光电容积脉搏波动脉压
分类号：R318(医用一般科学)
资助基金：国家自然科学基金(62401547)国家自然科学基金(62371441)北京市自然科学基金-小米创新联合基金项目(L253012)
论文发表日期：2026-04-30
在线出版日期：2026-09-11（本平台首次上网日期，不代表文献的发表时间）
页数：5( 80-84 )
英文信息