M2PIM：物理与生理信息融合的动态血压估计模型

M2PIM（Multimodal Physics- and Physiology-Informed Model）是一种创新的多模态血压监测方法，结合物理学约束（如血流动力学定律）和生理学知识，通过多模态数据融合（PPG、ECG、加速度信号）实现逐拍血压的动态精准估计，为连续无创血压监测提供新思路。项目原作者为txiang0705，来源平台为GitHub，发布时间2026年5月28日。

血压是心血管健康核心指标，持续准确监测对高血压管理、重症监护等至关重要。传统袖带式仅间歇性测量，无法捕捉动态变化；现有连续监测方法中，有创（动脉置管）风险高，无创（脉搏波分析、脉搏传导时间）存在个体差异大、校准难、运动伪影敏感等问题。M2PIM提出将物理约束和生理知识融入深度学习模型，解决上述挑战。

1. 物理信息神经网络（PINN）引入：将血流动力学物理约束（质量守恒、动量守恒、弹性管模型）作为软约束融入损失函数，减少对大规模标注数据依赖，提升泛化能力；2. 生理信息建模：采用PPG（外周血流）、ECG（心脏电活动）、加速度（运动伪影补偿）多模态输入；3. 多模态融合架构：层次化融合——模态内特征提取（专用编码器）、模态间交互（交叉注意力）、物理约束层（合理性检查）。

逐拍估计：通过ECG R峰时间对齐、上下文信息融合（前后周期）、自适应校准（袖带间歇性测量）实现；鲁棒性设计：运动伪影抑制（加速度检测状态）、信号质量评估（低质量数据权重调整）、异常值检测（物理约束过滤异常）。

应用场景：24小时动态血压监测（高血压患者）、重症监护辅助（替代/补充有创）、运动心血管评估（实时监测）、睡眠呼吸暂停筛查（夜间波动识别）；技术启示："知识+数据"混合建模（领域知识+深度学习）可缓解医疗AI标注稀缺、泛化不足、可解释性差等问题，值得其他生理信号分析任务借鉴。