利用光电容积描记法（PPG）实现连续无袖带血压（BP）监测，为个性化医疗提供了有前景的解决方案。然而，现有方法存在两大局限：基于手工特征的方法依赖于精确的标志点检测且仅限于短期分析，而深度学习模型虽精准却常作为“黑盒”运行，缺乏生理学解释性。为克服这些挑战，我们提出了一种生理学引导的混合框架，用于个性化BP估计，结合了卷积神经网络（CNN）分支——捕捉全局及局部波形动态——与形态学先验分支，后者明确编码个体特异的血管特征。通过嵌入显式编码个体血管特性的基于形态的特征集，该框架提升了个性化水平并减少了对大规模训练数据集的依赖。在MIMIC-III数据库子集上，采用个体特定测试协议，所提个性化生理引导混合方法对收缩压和舒张压的平均绝对误差分别为3.77 ± 0.50 mmHg和2.36 ± 0.40 mmHg，相较于仅采用CNN的个体特定基线，分别提高了43.7%和32.4%。基于SHAP的分析证实，所引入的形态学先验特征与个体血管特征一致，增强了每位受试者的解释性。研究结果突显了结合新型形态描述符的个性化生理引导混合学习在真实环境中实现准确且可解释血压监测的潜力。
Yi等人（周四）对此问题进行了研究。