综述：动脉血压信号伪迹管理方法学：人类与动物文献的系统性范围综述

　　本综述系统回顾了动脉血压（ABP）信号伪迹管理的算法发展，涵盖低频率与全波形信号处理策略，重点评估了阈值法、机器学习模型（如XGBoost、SVM）、小波变换和信号质量指数等方法在ICU和手术场景中的应用效果，指出当前研究在泛化性、实时性和验证标准方面的局限，并为未来开发实时自动化管道（结合RNN/CNN和多模态校验）提出标准化报告框架。

　　

1 引言

动脉血压（ABP）是临床最广泛监测的生命体征之一，通过原始信号和衍生指标评估心血管健康。然而，伪迹问题普遍存在，降低信号可用性。本综述旨在系统回顾ABP信号伪迹管理策略的相关文献，基于PRISMA指南检索五大数据库，最终纳入73篇文献。内容分为三类：低频信号伪迹管理、全波形信号伪迹管理以及有效点或基准点识别。尽管多种算法表现出高效性，但因样本量不足、记录方法多样性和缺乏外部验证，算法泛化性和可比性较差，难以定量确定最优方法。实时应用性也未明确提及，而这对于临床使用至关重要。

2 方法论

本综述遵循Cochrane系统评价手册和PRISMA范围扩展指南，由多位研究者协作完成检索、筛选和数据提取。检索策略针对ABP信号伪迹管理技术，涵盖人类和动物研究，排除非英语、非同行评议及纯模拟数据研究。全波形ABP信号定义为采样率≥100 Hz，低频信号为<100 Hz。数据提取包括研究目的、人群特征、信号类型、算法细节、有效性评估和局限性。

3 结果

3.1 低频ABP信号伪迹管理

共23篇文章涉及低频信号伪迹管理，包括阈值法、机器学习、统计建模、信号质量和运动检测等方法。阈值法如Cao等（1999）利用生理阈值和统计偏差达到94.2%灵敏度和80.0%特异性；机器学习如Wu等（2020）的XGBoost模型在多元分析中实现99.98%精确度和99.97%召回率。运动检测如Muroi等（2020）通过运动传感器识别伪迹，但灵敏度仅38.4%。总体而言，这些方法在特定数据集表现良好，但缺乏跨设备和人群的泛化验证。

3.2 全波形ABP信号伪迹管理

21篇文章处理全波形信号，方法包括机器学习、小波变换、运动检测和信号质量分析。机器学习模型如Kim等（2018）的DBN达到96.3%灵敏度和95.4%特异性；小波法如Nguyen等（2015）提升SBP和DBP检测准确率至75%和100%；信号质量法如Sun等（2006）的SAI指数实现100%灵敏度和91%特异性。然而，这些方法多依赖特定数据集，且实时性和计算需求未充分评估。

3.3 有效点或基准点识别

29篇文章专注于识别有效脉冲或波形特征点，如舒张切迹（DN）、脉冲起始和收缩峰值。DN检测算法如Pal等（2024）的迭代平均包络法误差仅4.7毫秒；脉冲起始检测如Zong等（2003）的斜率求和函数达到99.26%灵敏度。这些方法虽能高精度定位特征点，但无法全面识别所有伪迹类型，且临床实时应用数据缺失。

4 讨论

文献显示多种方法在伪迹识别上表现优异，但存在明显局限：样本量小、人群多样性不足、记录设备差异大、伪迹类型未细分、标注偏倚风险高、实时性和计算需求未量化、指标不一致（如点对点与脉冲级评估），以及模型可解释性差。未来需通过联邦数据共享、大规模多样本验证、实时性能测试和标准化报告（见表4清单）提升可靠性。

5 未来方向

建议开发分层伪迹管道，整合阈值法、时间序列自回归（如ARIMA）、小波/傅里叶变换和波形形态学检测，结合RNN和CNN增强动态识别能力。重点评估方法组合在效果（灵敏度、PPV、AUCROC）与效率（计算时间和资源）间的平衡，并采用对比学习引入临床交互验证，提升模型可信度和适用性。

6 结论

ABP信号伪迹管理研究已取得显著进展，但泛化性、实时性和标准化不足阻碍临床转化。未来工作需克服现有局限，开发高效、可解释且实时操作的自动化管道，以降低临床误报警、提升衍生指标准确性，最终改善心血管监测质量。