港中文张元亭院士团队：人工智能赋能可穿戴血压监测——资源受限场景下的普惠医疗新范式

Artificial Intelligence-Enhanced Wearable Blood Pressure Monitoring in Resource-Limited Settings: A Co-Design of Sensors, Model, and Deployment

Yiming Zhang*, Shirong Qiu*, Kai Du, Shun Wu, Ting Xiang, Kenghao Zheng, Zijun Liu, Hanjie Chen, Nan Ji, Fa Wang, Weijia Wu, Yuan-Ting Zhang*

Nano-Micro Letters (2026)18: 164

https://doi.org/10.1007/s40820-025-02003-9

本文亮点

1. 全链条协同设计，一体化框架构建：提出“传感-模型-部署-评估”协同设计框架，系统整合可穿戴传感、AI建模与边缘计算部署，实现了预测精度与计算效率的平衡。

2. 面向真实应用，打通转化路径：深入分析资源受限场景下的部署瓶颈，从硬件、算法到系统层面提出可落地策略，加速实验室成果向规模化应用转化。

3. 跨学科融合，推动健康公平：融合材料、电子、人工智能与医学多领域进展，构建面向全球健康公平的可穿戴血压监测技术路线。

研究背景

高血压作为全球最重要的慢性疾病之一，其长期、连续、精准的监测对于心血管疾病的预防与管理至关重要。然而，传统袖带式血压测量方法具有间断性、依赖人工操作以及难以实现长期无感监测等局限，难以满足日益增长的个性化健康管理需求。近年来，随着柔性电子、可穿戴传感技术与人工智能的快速发展，无袖带血压监测技术逐渐成为研究热点，为实现低成本、连续化与普惠化的血压管理提供了新路径。

尽管相关技术在实验室环境中已取得显著进展，但其在真实场景中的应用仍面临诸多挑战。一方面，设备算力与功耗约束限制了复杂模型的部署能力；另一方面，体动干扰、环境变化及个体差异等因素导致信号质量波动，进而影响模型稳定性与泛化性能。此外，数据获取、模型校准及系统维护等问题，也进一步制约了技术的规模化应用。因此，如何在精度、效率与可部署性之间实现平衡，成为该领域亟待解决的核心问题。

内容简介

针对上述问题，香港中文大学张元亭院士团队从系统工程角度出发，提出“传感-模型-部署-评估”的协同设计框架，对AI赋能的可穿戴血压监测进行全链条系统梳理。本文围绕多模态生理信号获取、基于生理机制与数据驱动融合的建模方法、面向边缘计算的部署策略以及临床评价标准等关键环节，系统分析各模块之间的耦合关系与协同优化路径。不同于传统侧重单一模块优化的研究范式，该工作强调跨层协同设计，在兼顾预测精度的同时，统筹考虑算力、能耗与系统可部署性问题。进一步地，文章针对实际应用中的关键瓶颈，如信号非特异性、模型对个体校准的依赖、数据偏差及评估标准不统一等问题，提出了包括轻量化建模、多模态融合与标准体系建设在内的优化方向。整体来看，该研究为AI驱动的血压监测提供了系统化技术路径，并为其从实验室走向临床与基层应用奠定了重要基础。

图文导读

I 面向资源受限环境的“传感-模型-部署-评估”协同设计框架

如图1所示，本文提出了贯穿“传感-模型-部署-评估”的协同设计框架，为AI赋能的可穿戴血压监测提供统一的分析与设计范式。在该框架中，传感层负责获取多模态生理信号，为系统提供基础输入；模型层则通过物理机理与数据驱动方法的结合，实现信号到血压的精准映射；部署层基于设备算力与能耗约束，在端侧、边缘与云端之间动态分配计算任务；评估层则从精度、临床一致性、硬件延迟及鲁棒性等多维度对系统性能进行综合验证。与传统研究侧重单一模块优化不同，该框架强调跨层耦合关系，例如传感信号质量直接影响模型复杂度选择，而模型规模又反过来制约部署策略。通过这种系统级协同设计，可在资源受限条件下实现性能与效率的整体最优，从而为血压监测技术的实际落地提供理论支撑与工程路径。

图1. AI赋能可穿戴血压监测的“传感-模型-部署-评估”协同设计框架。

II 多模态传感融合：从单一信号到信息互补

如图2所示，本文系统梳理了多模态可穿戴生理信号采集的物理机制与材料基础。在该传感体系中，不同传感机制从多维度刻画血流动力学信息：光电传感(PPG)通过检测散射光强变化获取外周血容量波动；电学传感(ECG与BioZ)记录电生理信号及动脉脉动引发的局部阻抗变化；机电传感(如压阻、压电)将体表机械应变转化为电信号以重构脉搏波形；声学与电磁传感(如超声与雷达)则用于探测血管结构及脉搏波信息。然而，上述传感方式均存在一定局限，例如PPG易受运动与环境干扰，ECG依赖稳定电极接触，机电与声学方法的系统复杂度较高。在实际应用中，多源干扰因素(如体动、温度变化及个体差异等)进一步影响信号稳定性，使得单一信号难以满足长期监测需求。因此，多模态融合被认为是提升系统鲁棒性的重要方向，通过多源信息的互补利用，有助于改善血压估计性能。同时，柔性电子材料的发展也为提升佩戴稳定性与长期监测能力提供了支撑。

图2. 可穿戴血压监测中多模态传感机制示意(PPG、ECG、生物阻抗、机械与雷达等)。

III AI模型演进：基于生理机制与数据驱动的方法

如图3所示，血压估计方法中，一类重要路径是基于生理机制进行建模。这类方法以血流动力学理论为基础，通过提取与血压变化相关的生理特征实现间接预测。例如，脉搏波传播时间(PTT)、脉搏波形参数以及血管顺应性等指标，常被用于构建血压与生理信号之间的映射关系。此类方法的优势在于具备一定的物理可解释性，能够从机制层面反映血压变化规律。然而，这些生理特征往往对个体差异、测量位置及环境变化较为敏感，且不同特征之间存在复杂的非线性耦合关系，使得模型在实际应用中的稳定性与泛化能力受到一定限制。此外，该类方法通常依赖人工特征构建，对经验与先验知识具有较高依赖。

图3. 基于生理机制的血压估计方法框架。

随着数据获取能力与计算方法的发展，数据驱动模型逐渐成为血压估计的重要研究方向。如图4所示，该类方法以机器学习与深度学习为核心，通过对多模态生理信号进行建模，实现血压的直接预测。典型机器学习方法通常基于人工提取的生理特征，并结合回归模型进行估计；而深度学习方法则能够从原始信号中自动学习时序与空间特征，实现端到端建模，从而更有效地刻画复杂非线性映射关系。随着卷积神经网络、循环神经网络等模型的发展，数据驱动方法在多模态融合与动态特征提取方面展现出更强能力，显著提升了血压估计精度，并为跨人群应用提供了新的可能。

图4. 基于数据驱动的血压估计方法框架。

总体来看，血压估计模型正经历从“基于生理特征的建模”向“以数据驱动为主导”的范式转变。尽管数据驱动方法在预测性能上具有明显优势，但其对数据质量与计算资源的依赖，以及可解释性不足等问题仍然存在。因此，当前研究逐渐关注将生理机制信息引入数据驱动模型，通过融合物理约束与数据学习能力，在提升预测精度的同时增强模型的可靠性与泛化能力。这种基于生理机制与数据驱动相结合的发展趋势，为实现高精度、可部署的血压监测系统提供了重要方向。

IV 资源受限场景下的部署挑战与解决策略

可穿戴血压监测系统在实际部署中面临显著的资源约束，包括算力、存储与功耗限制，这对模型设计与系统架构提出了更高要求。为此，当前研究逐步构建了“端—边—云”协同计算架构，如图5所示：在端侧设备中，通过部署轻量化模型实现信号采集与初步推理，以降低延迟与能耗；在边缘侧(如智能手机)承担中等复杂度计算任务，实现性能与资源消耗之间的平衡；而云端则负责模型训练与全局优化，为系统提供持续迭代能力。该分层架构使得计算资源能够按需分配，从而在保证实时性的同时提升整体运行效率。

图5. 资源受限场景下的端-边-云协同计算架构。

在此基础上，如图6所示，研究进一步从模型、信号与系统层面提出了优化策略。首先，在模型层面，通过模型压缩、参数量化及轻量化网络设计等方法降低计算复杂度与存储需求；其次，在信号层面，通过多模态融合与信号增强技术提升输入数据质量，以缓解噪声干扰对模型性能的影响；再次，在系统层面，通过引入边缘计算与动态任务分配机制，提高系统在不同运行条件下的适应能力。通过上述优化，系统在算力、能耗与延迟等多重约束下可实现性能与效率的平衡，使血压监测算法能够在资源受限设备上稳定运行。

图6. 血压监测系统的多层优化策略。

V 评价标准与临床一致性：血压测量精度的关键尺度

如图7所示，血压监测技术的性能评估依赖统一的精度评价标准，以确保测量结果具备临床参考价值。当前主流标准包括AAMI、BHS及相关国际规范，这些标准从误差范围与分级体系等方面对测量精度提出明确要求。例如，AAMI通常基于平均误差与标准差进行评估，而BHS则通过分级方式对测量准确性进行划分，从而为不同技术路线提供统一的评价依据。对于可穿戴血压监测系统而言，满足上述标准是其实现临床应用的关键前提。尽管基于多模态信号与数据驱动模型的方法在预测精度上不断提升，但在动态环境中保持稳定且持续达标仍具有挑战。此外，不同研究在数据来源与评估方法上的差异，也增加了结果横向比较的难度。因此，建立统一、规范的评价体系对于推动技术发展至关重要，不仅有助于客观比较不同方法性能，也为其临床验证与实际应用提供重要依据。

图7.血压测量精度的评价标准与分级体系。

VI 总结

总体而言，本文从系统工程视角出发，构建了面向可穿戴血压监测的“传感-模型-部署-评估”协同设计框架，系统梳理了多模态信号获取、血压估计方法演进、资源受限部署策略以及精度评价标准等关键环节。相较于传统以单模块优化为主的研究思路，该工作强调跨层协同与整体性能平衡，在保证预测精度的同时兼顾算力、能耗与临床一致性等工程约束。面向实际应用，当前技术仍需在模型泛化能力、信号稳定性及标准化评估等方面持续突破。未来，随着柔性传感、边缘计算与人工智能技术的深度融合，可穿戴血压监测有望在连续健康监测与慢病管理中发挥更加重要的作用，为普惠医疗提供关键技术支撑。

作者简介

关于我们

Nano-Micro Letters《纳微快报(英文)》是上海交通大学主办、在Springer Nature开放获取(open-access)出版的学术期刊，主要报道纳米/微米尺度相关的高水平文章(research article, review, communication, perspective, highlight, etc)，包括微纳米材料与结构的合成表征与性能及其在能源、催化、环境、传感、电磁波吸收与屏蔽、生物医学等领域的应用研究。已被SCI、EI、PubMed、SCOPUS等数据库收录，2024 JCR IF=36.3，学科排名Q1区前2%，中国科学院期刊分区1区TOP期刊。多次荣获“中国最具国际影响力学术期刊”、“中国高校杰出科技期刊”、“上海市精品科技期刊”等荣誉，2021年荣获“中国出版政府奖期刊奖提名奖”。欢迎关注和投稿。

Web: https://springer.com/40820

E-mail: editor@nmlett.org

Tel: 021-34207624

如果文章对您有帮助，可以与别人分享！：Nano-Micro Letters » 港中文张元亭院士团队：人工智能赋能可穿戴血压监测——资源受限场景下的普惠医疗新范式