Large Language Models for Cuffless Blood Pressure Measurement From Wearable Biosignals

📄 arXiv: 2406.18069v3 📥 PDF

作者: Zengding Liu, Chen Chen, Jiannong Cao, Minglei Pan, Jikui Liu, Nan Li, Fen Miao, Ye Li

分类: eess.SP, cs.AI, cs.CL

发布日期: 2024-06-26 (更新: 2024-07-05)

💡 一句话要点

首个利用大语言模型和可穿戴生物信号进行无袖带血压测量的研究

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大语言模型 无袖带血压测量 可穿戴设备 生理信号处理 心血管疾病

📋 核心要点

  1. 现有无袖带血压测量方法精度不足，难以满足心血管疾病管理需求，面临着技术挑战。
  2. 论文提出利用大语言模型分析可穿戴设备采集的生理信号，结合领域知识进行血压估计。
  3. 实验结果表明，微调后的LLM在血压估计任务上显著优于传统方法，精度得到有效提升。

📝 摘要（中文）

本文首次探索利用大语言模型（LLMs）进行基于可穿戴生物信号的无袖带血压（BP）估计。通过提取心电图（ECG）和光电容积脉搏波（PPG）信号的生理特征，并结合血压领域知识和用户信息设计了上下文增强提示。随后，通过微调使LLMs适应血压估计任务。使用包含1272名参与者的可穿戴生物信号公共数据集对十个先进的LLMs进行了评估。实验结果表明，经过优化微调的LLM显著优于传统的特定任务基线，收缩压的估计误差为0.00 $\pm$ 9.25 mmHg，舒张压的估计误差为1.29 $\pm$ 6.37 mmHg。消融研究突出了上下文增强策略的优势，使收缩压估计的平均绝对误差降低了8.9%。这项工作开创了利用LLMs进行无袖带血压测量的先河，为提高无袖带血压测量的准确性提供了一种潜在的解决方案。

🔬 方法详解

问题定义：论文旨在解决无袖带血压测量精度不高的问题。现有方法依赖于传统机器学习模型，难以充分利用生理信号中的复杂信息，并且缺乏对血压领域知识的有效整合，导致测量误差较大。

核心思路：论文的核心思路是利用大语言模型（LLMs）强大的学习能力和上下文理解能力，将生理信号特征、血压领域知识和用户信息融合到提示（Prompt）中，通过微调LLM使其能够准确估计血压。这种方法旨在克服传统方法的局限性，提高无袖带血压测量的精度。

技术框架：整体框架包括以下几个主要阶段：1) 数据预处理：从ECG和PPG信号中提取生理特征。2) 上下文增强提示设计：结合提取的生理特征、血压领域知识和用户信息，构建上下文增强的提示。3) LLM微调：使用构建的提示和对应的血压值对LLM进行微调，使其适应血压估计任务。4) 血压估计：使用微调后的LLM，输入新的生理信号特征和上下文信息，估计血压值。

关键创新：论文最重要的技术创新点在于将大语言模型应用于无袖带血压测量，并提出了上下文增强提示策略。与传统方法相比，该方法能够更好地利用生理信号中的复杂信息，并整合领域知识，从而提高血压估计的精度。

关键设计：论文的关键设计包括：1) 生理特征的选择：选择了与血压相关的ECG和PPG信号特征，例如心率、脉搏波传播时间等。2) 上下文增强提示的构建：设计了包含生理特征、血压领域知识（例如年龄、性别、病史等）和用户信息的提示，以提供更全面的上下文信息。3) LLM的选择和微调：选择了多个先进的LLM进行评估，并通过微调使其适应血压估计任务。具体微调参数未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，经过优化微调的LLM在血压估计任务上显著优于传统的特定任务基线，收缩压的估计误差为0.00 $\pm$ 9.25 mmHg，舒张压的估计误差为1.29 $\pm$ 6.37 mmHg。消融研究表明，上下文增强策略使收缩压估计的平均绝对误差降低了8.9%。

🎯 应用场景

该研究成果可应用于智能手表、手环等可穿戴设备，实现便捷、连续的无袖带血压监测，为心血管疾病的早期预警、风险评估和个性化管理提供支持。未来，结合远程医疗平台，可实现居家血压监测和远程健康管理，提升医疗服务效率和患者生活质量。

📄 摘要（原文）

Large language models (LLMs) have captured significant interest from both academia and industry due to their impressive performance across various textual tasks. However, the potential of LLMs to analyze physiological time-series data remains an emerging research field. Particularly, there is a notable gap in the utilization of LLMs for analyzing wearable biosignals to achieve cuffless blood pressure (BP) measurement, which is critical for the management of cardiovascular diseases. This paper presents the first work to explore the capacity of LLMs to perform cuffless BP estimation based on wearable biosignals. We extracted physiological features from electrocardiogram (ECG) and photoplethysmogram (PPG) signals and designed context-enhanced prompts by combining these features with BP domain knowledge and user information. Subsequently, we adapted LLMs to BP estimation tasks through fine-tuning. To evaluate the proposed approach, we conducted assessments of ten advanced LLMs using a comprehensive public dataset of wearable biosignals from 1,272 participants. The experimental results demonstrate that the optimally fine-tuned LLM significantly surpasses conventional task-specific baselines, achieving an estimation error of 0.00 $\pm$ 9.25 mmHg for systolic BP and 1.29 $\pm$ 6.37 mmHg for diastolic BP. Notably, the ablation studies highlight the benefits of our context enhancement strategy, leading to an 8.9% reduction in mean absolute error for systolic BP estimation. This paper pioneers the exploration of LLMs for cuffless BP measurement, providing a potential solution to enhance the accuracy of cuffless BP measurement.