企业官网建设流程全解析

无接触血压监测是长期健康管理中的一个难点。传统袖带血压计需要在特定姿势下充气测量，无法连续、无感地跟踪血压变化。三轴体震信号（Triaxial Bodyseismography）通过高灵敏度加速度计或地震传感器采集人体表面由心脏泵血、血液流动和身体微振动产生的机械信号，为连续血压估计提供了一条非接触、无约束的感知路径。这个方向的问题在于：体震信号并不是稳定的血压波形，它混入了呼吸、身体运动和传感器噪声，且不同受试者之间的形态差异非常明显。单纯把三轴信号放入卷积神经网络做回归，虽然能在某些数据上得到不错结果，却经常出现预测值偏离生理范围、相邻心跳结果不连贯、模型在小数据集上过拟合等难以解释的问题。物理约束深度学习试图在神经网络训练过程中加入血压形成机制、信号能量变化、相邻心搏一致性等人先验，让模型不仅拟合数据，还遵守生理规律。这篇文章会围绕这个思路，说明如何组织三轴体震数据的预处理，如何设计带物理约束的深度模型，如何训练、评估、排查，并给出一个最小示例结构和可复用检查清单。

1. 理解三轴体震信号与血压监测的关系

1.1 什么是三轴体震信号

体震信号记录的是心脏每次搏动时，血液在主动脉和周围血管内流动产生的反作用力在体表上的表现。传统心冲击图（Ballistocardiography, BCG）记录的是人在固定床面或秤体上的整体反作用力，而三轴体震信号更侧重用加速度传感器分别记录上下、左右、前后三个方向的微振动分量。三个方向都能提供信息：上下轴对应心室射血时对体表的垂直反作用力，左右和前後轴可以捕捉主动脉弯曲、血流转向产生的横向力。相比单轴信号，三轴信号能更完整地表示心动周期中的机械事件，但同时也带来更多噪声和复杂维度。

在实际采集系统中，传感器可以放在胸部、背部、床垫下方、座椅下方，也可以做成可穿戴贴片。核心是传感器与人体之间有稳定接触，或者通过床垫、座椅等介质传递力学信号。三轴加速度计的采样频率一般需要在 100 Hz 到 1000 Hz 之间，覆盖心搏信号的主要频率范围。采样频率过低会丢失脉搏波形细节，过高则产生大量冗余数据，工程上常用 250 Hz 或 500 Hz。

体震信号直接表现为随时间变化的三轴加速度或速度波形。由于每个心动周期大约 0.6 到 1.2 秒，一段 10 秒的信号中可能包含 8 到 16 个心搏周期。深度学习模型要处理的不是单一波形，而是一段包含多个心搏的信号片段，以及对应的血压标签。

1.2 血压与心脏机械活动的关系

每次心脏收缩时，左心室将血液泵入主动脉，血液对动脉壁产生压力，这就是血压的来源。射血过程会让主动脉根部和周围组织产生位移和振动，这种振动通过组织传导到体表，被传感器记录。因此，体震信号中的许多特征与血压有间接或直接关系。

例如，心脏射血开始到脉搏波到达远端位置的时间差，与血压水平相关。血压越高，动脉壁张力越大，脉搏波速度越快，到达时间越短。早期研究经常把脉搏波传播时间（Pulse Transit Time, PTT）作为无袖带血压估计的基础。但 PTT 需要同步心电信号和远端脉搏信号，三轴体震信号里没有明确的心电 R 波，只能通过机械事件来估计射血开始时间。类似地，心输出量每搏输出量增大时，体震信号的波峰幅值通常也会增大，这种机械信号能量与每搏输出之间的关联，也可以作为物理约束的来源。

生理规律还体现为时序一致性：一个连续时间内，血压不会发生跳变性突变。相邻两次心搏的血压虽然有波动，但波动范围有限。深度学习模型如果独立处理每个片段而忽略相邻心搏的关系，可能输出前后矛盾的值。物理约束就是把这些规律写进模型设计或损失函数里，让输出更符合生理常识。

1.3 为什么需要使用物理约束深度学习模型

纯深度学习血压估计存在的问题很典型：

第一，数据量不足时，模型容易学到与血压无关的噪声模式。体震信号受姿势、呼吸、传感器放置位置影响很大，模型可能把受试者姿势变化误认为血压变化。

第二，生理机制复杂，但可用的标注血压有限。无创血压计通常每 5 到 15 分钟测量一次，而体震信号是连续采集的，两者之间有时间差，造成标注噪声。

第三，纯粹回归模型缺少可解释性。如果模型输出收缩压 250 mmHg，明显超出正常范围，纯黑盒模型很难说清为什么。

物理约束深度学习模型通过额外信息约束输出空间和训练过程，包括：

• 血压输出限制在生理可行区间。
• 损失函数中加入相邻心搏一致性。
• 信号能量特征与血压变化方向一致。
• 模型中间层联合预测与脉搏传播时间相关的辅助任务。

这些约束不是替代数据驱动，而是让模型在有限数据下仍保持合理的生理行为。

2. 数据采集与预处理：三轴体震数据的标准流程

2.1 传感器选择与布点位置

采集三轴体震信号需要确认传感器量程、灵敏度和采样率。常用传感器包括 MEMS 加速度计，量程在 ±2g 到 ±8g 之间，灵敏度需能分辨微小机械振动。更专业的方案是地震传感器，灵敏度可以达到高精度，但价格和数据处理成本也更高。学习环境可以先使用加速度计开发板，比如常见的 LIS3DH、ADXL345 或更高采样率的加速度计。

放置位置会影响信号质量。胸部或背部靠近心脏，信号强，但受呼吸运动影响大；床垫下方信号微弱但更平稳，适合睡眠监测场景。无论放哪里，都需要固定方式，避免传感器自身晃动。同时记录传感器的三轴方向定义，确保后续分析时轴顺序一致。

采集时应同步记录参考血压。参考血压用标准袖带血压计获得。推荐使用经过验证的上臂式电子血压计或医用级设备，测量时记录时间戳，便于和体震信号对齐。

2.2 数据同步与标注

信号同步是物理约束模型中最容易出错的一步。体震信号是连续流，而血压计测量是离散点。需要把时间戳统一到同一时钟，可以通过网络时间协议、硬件同步或离线插值实现。一个可行的做法：采集程序中同时记录传感器时间戳和血压计测量时间戳，然后在预处理阶段为每个信号样本生成一个标签。

如果某段血压测量完成后，受试者动作剧烈，这段信号就不能作为训练样本。更合理的标注方式是取血压测量开始前 10 秒和测量中的体震信号作为对应输入，但需要在日志中记录测量开始和结束时间，避免把测量前后的动作噪声混进去。

对于每个受试者，数据记录应包括：收缩压、舒张压、平均动脉压、心率、采样时间、测量姿势、传感器位置。这些元数据对后续数据清洗很重要。

2.3 预处理步骤：去噪、滤波、分段、规范化

三轴体震信号预处理没有完全固定的流程，但以下步骤是常见基线。

首先去除趋势和均值。使用高通滤波去除低频漂移，通常截止频率在 0.5 Hz 到 1 Hz，保留心搏相关的高频成分。高通滤波可以消除呼吸和姿势缓慢变化带来的基线漂移。然后使用低通滤波去除高频噪声，截止频率根据采样率设定，常用在 30 Hz 到 50 Hz。因为心搏机械信号能量集中在低频范围，过高的频率成分更多是噪声和共振。

滤波后需要分段。将连续信号切成固定长度片段，比如 6 秒、8 秒或 10 秒。片段太短会丢失完整的慢呼吸周期，太长会增加标签不确定性和计算成本。每个片段需要有对应的血压标签，如果标签来自前后时间点的测量，还要记录时间偏移。

规范化方式需要谨慎选择。归一化到 [0, 1] 或零均值单位方差都可以。但三轴信号的三个方向幅值范围可能不同，应分别计算，也可以统一归一化。测试时，使用训练集的均值和方差进行同样变换，不能在测试集上重新计算。

2.4 数据增强与数据集划分

体震数据的小样本问题非常突出。数据增强思路包括：

• 时域随机裁剪：从同一次测量中裁剪不同起始位置的片段。
• 幅度扰动：对三个轴施加小的随机缩放或偏移，模拟传感器灵敏度和耦合差异。
• 噪声叠加：加入小幅高斯噪声或模拟呼吸基线，提升鲁棒性。
• 方向翻转：上下轴的物理意义与重力方向相关，翻转可能导致语义改变，应谨慎使用。

数据集划分必须按受试者划分，而不是按片段划分。因为同一受试者的多个片段高度相关，如果交叉使用，会导致非常大的乐观偏差。典型做法是留出一个或多个受试者作为测试集，剩余受试者按 8:2 分为训练集和验证集。如果参加多中心数据或不同条件的测试，还要保证测试集包含不同姿势和不同时间段。

注意：因为血压个体差异很大，训练集和测试集如果包含同一个人的数据，模型很可能通过“记住”该受试者的数据模式来降低误差，但真实应用面对的是新用户，这会严重高估模型泛化性能。因此受试者划分是整个实验设计中最重要的一条边界。

3. 物理约束深度学习模型的设计

3.1 模型架构参考：一维卷积与时序编码

三轴体震信号本质是时间序列，建模时常用一维卷积提取局部形态特征，再使用时序编码器捕捉长程依赖。一个可复用的基线架构包含三个部分：

输入层接收形状为(batch, channels, time_length)的三轴信号，其中channels=3。使用多个一维卷积层提取信号局部波形，每个卷积层后加 BatchNorm 和 ReLU，然后使用 MaxPooling 降低频率维度。卷积核大小需要覆盖一个心搏周期的不同比例，例如在 250 Hz 采样率下，50 ms 到 200 ms 对应 12 到 50 个样本点，所以卷积核可取 16、32、64。为了避免过拟合，卷积层通道数不要一开始就很大，可以从 16 或 32 起步，逐渐增加到 64 或 128。

卷积层之后是一个全局时序编码器，可以用双向 LSTM 或 Transformer。LSTM 对长序列的序列顺序敏感，适合心跳周期较规律的数据；Transformer 并行度高，但需要相对位置编码或绝对位置信息。如果训练数据量较小，LSTM 更容易收敛。

模型输出为收缩压、舒张压两个值，或者输出收缩压、舒张压、平均动脉压三个值。输出层激活函数使用 ReLU 后加一个缩放，保证输出为正。还可以使用 sigmoid 乘以预设上限，比如sigmoid(x) * 220，将收缩压限制在 0 到 220 mmHg 之间。这种限制属于最简单的物理约束。

示例架构代码（PyTorch）：

import torch import torch.nn as nn class PhysicalBCGModel(nn.Module): def __init__(self, in_channels=3, seq_len=2500, hidden_size=64): super().__init__() # 卷积特征提取 self.conv1 = nn.Conv1d(in_channels, 16, kernel_size=16, stride=2, padding=7) self.bn1 = nn.BatchNorm1d(16) self.conv2 = nn.Conv1d(16, 32, kernel_size=16, stride=2, padding=7) self.bn2 = nn.BatchNorm1d(32) self.conv3 = nn.Conv1d(32, 64, kernel_size=32, stride=2, padding=15) self.bn3 = nn.BatchNorm1d(64) self.relu = nn.ReLU() self.pool = nn.MaxPool1d(2) # 计算经过卷积和池化后的序列长度 # 这里简化，实际需要根据输入长度计算 self.lstm = nn.LSTM(input_size=64, hidden_size=hidden_size, num_layers=2, batch_first=True, bidirectional=True, dropout=0.2) # 输出头 self.head = nn.Sequential( nn.Linear(hidden_size * 2, 32), nn.ReLU(), nn.Dropout(0.2), nn.Linear(32, 2) ) def forward(self, x): # x shape: (batch, channels, seq_len) x = self.pool(self.relu(self.bn1(self.conv1(x)))) x = self.pool(self.relu(self.bn2(self.conv2(x)))) x = self.pool(self.relu(self.bn3(self.conv3(x)))) x = x.permute(0, 2, 1) # (batch, seq_len_after, channels) out, _ = self.lstm(x) out = out[:, -1, :] # 取最后一个时间步的输出 bp = self.head(out) # 限制在生理范围 sbp = torch.sigmoid(bp[:, 0]) * 220.0 dbp = torch.sigmoid(bp[:, 1]) * 160.0 return torch.stack([sbp, dbp], dim=1)

这里使用sigmoid将输出限制在生理范围内，属于最基础的物理约束。实际项目中，序列长度、卷积核和网络深度需要根据你的采样率和片段长度调整。

3.2 物理约束如何嵌入：从输出限制到辅助任务

输出范围限制只是第一层约束。更复杂的物理约束包括：

• 心搏级血压变化限制：如果模型对每个片段内的心搏分别输出血压值，相邻心搏之间的收缩压变化不应超过某个阈值，比如 10 mmHg。可以通过正则项惩罚相邻心搏差值的最大值或方差。

• 信号能量和血压关联：体震信号的波峰能量越大，通常对应每搏输出量越高。可以在模型中间层加入一个辅助分支，预测信号包络能量，然后要求该能量与输出血压存在单调相关性。这种约束并不需要严格因果，而是趋势约束。

• 脉搏波传播时间辅助任务：如果片段中包含心脏机械活动起始点和远端反射点，可以用一个分支预测疑似 PTT，再把 PTT 作为特征输入到血压回归头部。训练时，如果没有真实 PTT 标签，可以设计一个自监督损失，例如要求 PTT 在相邻片段间平滑变化。

• 血压波形与真值周期一致：通过体震信号可以估计心搏周期，要求输出的血压值随时间变化的频率不超过心率范围。例如，10 秒内收缩压变化次数不能超过实际心搏次数。

这些约束可以写进损失函数，而不是全部依赖模型结构。损失函数一般形如：

total_loss = mse_loss(pred_bp, true_bp) + lambda_phys * physical_constraint_loss

这里的lambda_phys是平衡因子，需要调参。初始时先让 MSE 占主导，再逐步增大物理约束权重。如果物理约束权重过大，可能导致模型只满足约束而忽略真实血压。

3.3 自定义损失函数：回归损失与生理一致性损失

下面是一个可运行的损失函数示例，包含三项：

1. MSE 回归损失。
2. 相邻片段输出变化惩罚：让连续两个片段预测的血压差不能过大。
3. 范围惩罚：输出超出常见生理范围时额外惩罚，虽然 sigmoid 已经限制了范围，但可以增加更强的惩罚。

实际训练数据中，相邻片段是指同一次测量中按时间相邻的两个片段。损失函数的输入需要包含这些片段的索引或相邻关系。更简单的实现是只在同一批内对相邻样本计算平滑损失。

def loss_with_physical_constraints(pred_bp, true_bp, penalty_adjacent=0.5, range_weight=0.1): # pred_bp shape: (batch, 2) [SBP, DBP] # true_bp shape: (batch, 2) mse = torch.mean((pred_bp - true_bp) ** 2) # 相邻样本间血压变化惩罚：默认同一批内按顺序相邻 if pred_bp.size(0) > 1: diff_adj = torch.abs(pred_bp[1:] - pred_bp[:-1]).mean() else: diff_adj = torch.tensor(0.0, device=pred_bp.device) # 超出范围惩罚（双软阈值） low = torch.tensor([60.0, 30.0], device=pred_bp.device) high = torch.tensor([220.0, 130.0], device=pred_bp.device) below_low = torch.relu(low - pred_bp) above_high = torch.relu(pred_bp - high) range_penalty = (below_low.mean() + above_high.mean()) loss = mse + penalty_adjacent * diff_adj + range_weight * range_penalty return loss, {"mse": mse.item(), "adjacent": diff_adj.item(), "range_penalty": range_penalty.item()}

这段代码中的相邻样本默认是 batch 中的顺序，实际数据加载时需要保证同一个人的连续片段被顺序放入 batch，并且 batch 中不要混过多人的边界。更严谨的做法是记录片段 id，只对同一 id 的相邻片段计算。示例代码用于说明思路，生产项目需要调整。

3.4 训练策略和超参数

训练这样的模型，建议使用 Adam 优化器，学习率先从1e-3开始，配合学习率调度器ReduceLROnPlateau。batch size 受显存限制，常见为 32 或 64。如果样本量小，batch size 也可以小到 8 或 16，但需要配合梯度裁剪。

卷积和 LSTM 都比较容易过拟合。可以在卷积层后加 Dropout，在 LSTM 后加 Dropout。早停（early stopping）是必须的，监控验证集 MAE，当连续 20 个 epoch 不下降时停止。

训练过程中需要把损失函数中的各项分开记录，方便观察物理约束项是否在合理范围。如果adjacent项从一开始就是 0，可能说明网络学会了输出常数，需要检查标签或模型。

还需要处理样本不均衡。血压数据中健康人群收缩压集中在 110 到 130 mmHg，高血压样本少会导致低血压区和高血压区误差大。可以在损失中按人群类别加权重，或采用分位数损失。

# 示例训练超参数 optimizer: Adam initial_lr: 0.001 batch_size: 32 epochs: 200 early_stopping_patience: 20 scheduler: ReduceLROnPlateau scheduler_factor: 0.5 scheduler_patience: 10 dropout: 0.2 lstm_hidden: 64 loss_adjacent_weight: 0.5 loss_range_weight: 0.1

这里不要认为示例参数适用于所有数据。采样率、信号长度、数据量都会影响最优配置。应当把训练参数固定后，先跑通一轮，再逐步调参。

4. 模型训练与验证

4.1 训练步骤和代码实现

将数据加载、模型、损失函数组合成训练脚本。主要步骤如下：

1. 读取全部受试者数据，按受试者划分 train/val/test。
2. 对每个受试者的信号进行预处理，生成片段和标签。
3. 构建 DataLoader，设置打乱和批量加载。
4. 初始化模型、损失函数、优化器。
5. 循环训练，每个 epoch 后在验证集上计算 MAE。
6. 保存验证集最优模型。

下面提供一个最小 PyTorch 训练循环示例：

import torch from torch.utils.data import DataLoader, TensorDataset def train_model(model, train_loader, val_loader, epochs=100, lr=0.001): optimizer = torch.optim.Adam(model.parameters(), lr=lr) scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau( optimizer, mode='min', factor=0.5, patience=10 ) best_mae = float('inf') for epoch in range(epochs): model.train() train_losses = [] for x_batch, y_batch in train_loader: optimizer.zero_grad() pred = model(x_batch) loss, loss_dict = loss_with_physical_constraints(pred, y_batch) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0) optimizer.step() train_losses.append(loss.item()) # 验证 model.eval() val_loss, val_mae = evaluate_model(model, val_loader) scheduler.step(val_loss) if val_mae < best_mae: best_mae = val_mae torch.save(model.state_dict(), 'best_model.pth') if (epoch + 1) % 10 == 0: print(f'Epoch {epoch+1}: train_loss={np.mean(train_losses):.4f}, ' f'val_mae={val_mae:.3f}, best_mae={best_mae:.3f}')

这个示例为了简洁没有做早停和详细日志，实际项目需要添加。

4.2 模型评估指标和标准

血压估计模型的评估不能只看一个 MAE。常用指标包括：

• 收缩压和舒张压的平均绝对误差（MAE）
• 均方根误差（RMSE）
• 标准偏差（SD）
• 准确率：误差在 ±5 mmHg、±10 mmHg、±15 mmHg 内的占比
• Bland-Altman 分析：评估预测与真值的一致性
• AAMI 标准：通常要求平均误差在 ±5 mmHg 内、标准差不超过 8 mmHg。但不同数据集硬件条件下标准不同，需要参考具体研究指南。

如果模型输出收缩压总是和真值相差一个固定偏移，MAE 可能不大，但个体趋势可能是错的。因此应计算预测值与真值的皮尔逊相关系数，以及误差随真值血压变化的比例趋势。还要按受试者分组评估，查看模型是否在少数受试者上特别差，而不是只报告整体平均值。

一个典型评估函数：

import numpy as np def evaluate_predictions(pred_sbp, true_sbp, pred_dbp, true_dbp): sbp_mae = np.mean(np.abs(pred_sbp - true_sbp)) dbp_mae = np.mean(np.abs(pred_dbp - true_dbp)) sbp_rmse = np.sqrt(np.mean((pred_sbp - true_sbp) ** 2)) dbp_rmse = np.sqrt(np.mean((pred_dbp - true_dbp) ** 2)) sbp_10 = np.mean(np.abs(pred_sbp - true_sbp) < 10) * 100 dbp_10 = np.mean(np.abs(pred_dbp - true_dbp) < 10) * 100 return {"SBP MAE": sbp_mae, "SBP RMSE": sbp_rmse, "DBP MAE": dbp_mae, "DBP RMSE": dbp_rmse, "SBP within 10 mmHg": sbp_10, "DBP within 10 mmHg": dbp_10}

评估时要注意不同血压水平的样本分布。如果数据集中高血压样本很少，模型可能整体 MAE 不错，但高血压区表现很差。此时可以按真值血压范围分组，分别报告误差。

4.3 结果验证流程与预期范围

完成训练后，需要做以下验证：

• 训练集和验证集的 loss 曲线是否下降稳定。
• 物理约束项数值是否合理变更。
• 测试集输出是否都在生理范围内。
• 随机抽几个受试者，画出真值血压和预测血压随时间变化的曲线，观察趋势。
• 检查是否存在某一轴信号对预测起决定作用。可以分别用单轴和多轴输入训练，对比指标。

合理的验证过程是：先用训练集和验证集调参，最后只在测试集上评估一次。如果反复在测试集上查看结果并调整模型，会引入选择偏差。

4.4 学习环境与生产环境的差异

在实验室环境中，数据是干净的，传感器固定，受试者行为受控。在真实生产环境中，需要考虑更多因素。

学习环境可以这样配置：

• 数据离线处理，忽略运动片段。
• 模型用单机 GPU 训练。
• 评估使用留出受试者测试集。

生产环境需要额外补充：

• 信号质量实时监测：计算信噪比、运动伪迹检测，质量差时输出“不可用”而不是乱报血压。
• 模型部署时使用 ONNX 或 TensorRT 加速，确保推理延迟满足实时要求。
• 需要个性化校准：每个新用户使用前可以先测量 1 到 3 次参考血压，用少量数据对模型进行微调，大幅提高个体准确性。
• 数据隐私：体震信号属于健康数据，存储和传输需要加密和权限控制。
• 监控与回滚：记录模型输出分布，如果出现连续异常，触发报警并回滚到旧版本。

下表列出学习环境和生产环境需要关注的差别：

5. 常见问题排查：训练效果差或结果不可靠

5.1 数据同步或标注错误导致 loss 下降但指标很差

这是最常见的问题。现象是训练 loss 能正常下降，验证集 loss 也不高，但测试集 MAE 很大，或者误差集中在某些受试者上。

原因很可能是体震信号和血压标签在时间上没有对齐。例如，体震片段取自血压测量完成后的 10 秒，而血压计的放气过程还在进行中，测量值不代表这段时间的血压。

检查方式：

• 打印每个样本的时间戳和标签时间戳，检查间隔是否一致。
• 随机抽取数据对，人工看信号片段和标签是否符合该受试者的生理状态。
• 对同一受试者，对比相邻片段预测的血压变化，如果变化异常大，很可能标签错位。

解决办法是重新设计同步协议，记录传感器时间戳和血压计读数完成时间，确保片段完全落在血压测量窗口内或窗口后的稳定期。

5.2 信号质量差导致模型无法收敛

现象：loss 在某个值附近震荡，验证集 MAE 不下降。可能原因是信号中包含大量运动伪迹、传感器饱和、基线漂移。

检查方式：

• 画出原始三轴波形，观察是否存在大幅度尖刺或平台。
• 计算信号的高频能量比例。
• 查看传感器峰值是否触及量程上限。

解决方案：

• 增加运动检测算法，自动剔除运动污染片段。
• 对信号做中值滤波和带通滤波。
• 调整传感器固定位置或接触介质。
• 如果信号是在座椅上采集，可以尝试多个位置的传感器融合。

还要注意滤波参数是否合适。高通截止频率太低会保留呼吸噪声，太高会削弱心搏信号。可以看滤波后频谱，确认心搏谐波是否明显。

5.3 物理约束权重设置不当导致模型输出平滑但误差大

现象：预测曲线很平滑，相邻值差距很小，但和真值偏差大。这时可能是相邻样本惩罚权重penalty_adjacent过大，模型宁愿把所有输出拉到平均值，也不愿意拟合真实波动。

原因分析：血压在一天内是有波动的，在静息状态短时间内变化较小，但实验数据可能混合了运动前后的数据，导致相邻片段之间真实血压有较大差异。如果过度惩罚相邻差，就会抹平真实变化。

检查方式：

• 分别报告没有物理约束时的 MAE 和加入约束后的 MAE。
• 查看物理约束项的 loss 在训练结束时的值，确认它没有远大于回归 loss。
• 在验证集上统计真值血压相邻差分布，和模型相邻差分布对比。

解决方案：把penalty_adjacent从 0.1 逐步调大，观察验证集 MAE 变化。最优权重应该让相邻平滑项带来的偏差最小。也可以使用可学习的温度参数，让模型自动调整。

5.4 模型在小数据集上过拟合或欠拟合

现象：训练 loss 很低，验证 loss 很高，说明过拟合。或者训练 loss 和验证 loss 都高，说明欠拟合。

过拟合原因可能是模型参数量过大、数据量太小、没有按受试者划分或者没有充分数据增强。

检查方式：

• 看训练集样本数量和模型参数的比例，如果训练样本只有几千，模型参数有几十万，过拟合风险很高。
• 用测试集对训练样本做最近邻查找，或者看特征可视化是否明显按受试者聚类。

处理过拟合：

• 减少 LSTM 层数或隐藏单元数。
• 加大 Dropout。
• 使用更激进的数据增强。
• 增加物理约束损失，相当于正则化。
• 使用迁移学习，先在大规模其他生理信号上预训练，再微调。

欠拟合处理：

• 增加模型容量。
• 延长训练时间。
• 降低学习率或使用更合适的优化器。
• 检查归一化是否导致信号幅值过小。

6. 最佳实践与扩展方向

6.1 可复现实验检查清单

为了让结果可复现，以下列表很重要：

• 记录传感器型号、采样率、量程、放置位置和方向定义。
• 记录数据采集时间和每个受试者的测量条件。
• 明确划分受试者的随机种子，并在代码中固定。
• 保存预处理参数：滤波截止频率、片段长度、重叠率、归一化参数。
• 保存模型结构、超参数、优化器和损失权重。
• 每次实验记录训练集、验证集、测试集的 MAE 和 RMSE，并保存预测结果。
• 用固定随机种子初始化网络和 DataLoader，确保可重复。

如果在论文或博客中复现实验，还应公开代码和数据脱敏后的特征，方便他人验证。

6.2 发布前最佳实践与部署建议

发布模型前至少完成以下检查：

• 检查测试集是否与训练集无受试者重叠。
• 检查血压标签是否经过校准和过滤。
• 检查预测输出是否都在生理范围。
• 检查不同真值血压分层的误差是否可接受。
• 检查是否存在某一轴信号损坏导致模型异常输出。

部署时不要使用需要完整 GPU 的庞大模型，可以先蒸馏成小模型。模型的输入输出需要标准化，数据预处理逻辑要与训练时完全一致。比如训练时使用了 250 Hz 采样，生产输入如果只有 125 Hz，需要重采样。

对于实时监测，建议使用滑动窗口，每 2 到 5 秒输出一次估计值，并对输出做平滑滤波。但不应该直接对血压值做太强低通滤波，否则会掩盖真实的短时血压波动。可以使用中值滤波，窗口大小为 5，去除单个异常点。

6.3 后续研究：更完善的生理模型与多模态融合

物理约束深度学习的扩展方向包括：

• 把心血管模型参数作为可学习变量，比如动脉硬度、外周阻力，再通过模型生成压强波形。
• 联合估计心率、呼吸率、心输出量，让多任务学习互相促进。
• 将三轴体震信号与血氧饱和度、心电信号结合，使用注意力机制融合多模态信息。
• 在损失函数中加入基于流体力学方程的隐式先验，例如 Navier-Stokes 方程简化模型的残差。
• 在时域和频域同时建模，提取心搏谐波能量与血压变化的关系。

实际落地时可以分阶段：先验证模型在静息状态和固定姿势下的准确性，再逐步扩展到动作状态下。不要一开始就期望从日常活动数据中直接获得医学级血压，目前无袖带设备更多用于趋势监测而非单一读数诊断。

对新手来说，最有价值的练习是使用公开数据集或自采的少量数据，完成一个带有基本物理约束的血压估计模型。哪怕模型误差较大，也比直接跑通一个纯黑盒 CNN 更能理解这一问题的核心：数据质量、生理先验和模型评估。这部分能力会直接迁移到其他医学信号处理项目里。