萬(wàn) 培,桑勝波,b,張成然,b,張 博,b

(太原理工大學(xué) a.信息與計(jì)算機(jī)學(xué)院; b.新型傳感器與智能控制教育部和山西省重點(diǎn)實(shí)驗(yàn)室,山西 晉中 030600)

0 概述

近年來(lái),伴隨著中國(guó)經(jīng)濟(jì)的發(fā)展以及人口老齡化速度的加快,心血管疾病的患者日益增多,心血管健康的管理對(duì)連續(xù)血壓監(jiān)測(cè)的要求越來(lái)越高。連續(xù)血壓測(cè)量可通過(guò)持續(xù)反饋顯著降低血液循環(huán)系統(tǒng)的風(fēng)險(xiǎn),它能夠通過(guò)對(duì)慢性高血壓、壓力和急性血壓變化等疾病的即時(shí)護(hù)理來(lái)提高生活健康質(zhì)量?；谛鋷Ъ訅合到y(tǒng)的傳統(tǒng)血壓測(cè)量不適合連續(xù)測(cè)量和普遍使用,特別是在可穿戴的小型傳感應(yīng)用中。

使用心電圖(Electrocardiogram,ECG)和從容積脈搏波(Photoplethysmography,PPG)獲取脈搏波傳輸時(shí)間(Pulse Transmit Time,PTT)估計(jì)血壓方法,和基于PPG波形特征參數(shù)估計(jì)血壓方法在測(cè)量動(dòng)脈僵硬度或發(fā)現(xiàn)動(dòng)脈疾病的背景下被廣泛研究,單個(gè)動(dòng)脈部位的脈搏波傳導(dǎo)速度可用于連續(xù)血壓估計(jì)[1-2]。收縮壓上升時(shí)間、舒張壓時(shí)間、2/3寬度、1/2脈搏振幅等多項(xiàng)脈搏波傳導(dǎo)參數(shù)被認(rèn)為是從單個(gè)PPG信號(hào)中估計(jì)血壓的可能候選者。文獻(xiàn)[3-4]驗(yàn)證了使用以PTT作為主要特征,從PPG信號(hào)中提取的參數(shù)作為輔助特征,運(yùn)用神經(jīng)網(wǎng)絡(luò)算法估計(jì)血壓的模型比僅使用PTT的模型[5]具有更高的精度。文獻(xiàn)[6]使用傳統(tǒng)的決策樹(shù)和boosting等時(shí)域方法對(duì)PPG波形進(jìn)行建模。文獻(xiàn)[7]使用頻域方法從PPG波形中提取必要的特征。與基于ECG和PPG特征參數(shù)工程的方法相比,這些方法在性能上沒(méi)有明顯的改進(jìn)。最近的研究表明,神經(jīng)網(wǎng)絡(luò)可以自動(dòng)提取必要的特征,而無(wú)需任何復(fù)雜的特征工程[8]。

上文討論的模型均未考慮提取特征參數(shù)相對(duì)時(shí)間的變化。人體的動(dòng)脈壓力由自主神經(jīng)系統(tǒng)和腎-體液機(jī)制調(diào)節(jié),該機(jī)制包括多個(gè)反饋控制回路[9],其效果也可以在ECG和PPG信號(hào)中被視為調(diào)制[10],同時(shí)考慮它們的相關(guān)特征和時(shí)域變化可以提高BP的估計(jì)精度。對(duì)于復(fù)雜時(shí)間序列的建模,研究人員發(fā)現(xiàn)長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)[11]非常有效。文獻(xiàn)[12]研究結(jié)果表明,通過(guò)識(shí)別ECG和PPG的特征參數(shù)與使用深層LSTM網(wǎng)絡(luò)分析參數(shù)可以提高血壓估計(jì)的準(zhǔn)確性。本文構(gòu)建一個(gè)基于ECG和PPG波形的端到端神經(jīng)網(wǎng)絡(luò)的連續(xù)血壓估計(jì)模型,該模型可以自動(dòng)提取ECG和PPG波形必要的特征,其中較低層次提取必要的特征,較高層次提取特征的時(shí)域變化。

1 數(shù)據(jù)收集和預(yù)處理

1.1 數(shù)據(jù)源

本文利用Physionet的重癥監(jiān)護(hù)多參數(shù)智能監(jiān)測(cè)(MIMIC)I數(shù)據(jù)庫(kù)收集ECG、PPG和相應(yīng)的動(dòng)脈血壓(ABP)信息[13],總共收集并預(yù)處理來(lái)自不同年齡組和性別的ICU的69名患者的數(shù)據(jù)。以125 Hz的采樣頻率對(duì)ECG和PPG信號(hào)進(jìn)行采樣,表1為患者的簡(jiǎn)要描述。從表1可以明顯看出,該數(shù)據(jù)以60歲～80歲年齡組內(nèi)的患者為主。在40歲～60歲和60歲～80歲年齡組中SBP的標(biāo)準(zhǔn)偏差高于DBP的相應(yīng)標(biāo)準(zhǔn)偏差。

表1 Mimic I數(shù)據(jù)庫(kù)患者數(shù)據(jù)Table 1 Patient data of MIMIC I database

1.2 預(yù)處理

為消除基線(xiàn)漂移和噪聲,使用Tunable-Q小波變換(TQWT)對(duì)加窗信號(hào)進(jìn)行帶通濾波[14]。TQWT擁有小波去噪的所有優(yōu)點(diǎn)[15]以及小波基的可調(diào)性。在TQWT中使用Q值生成的Daubechies小波基來(lái)執(zhí)行離散小波變換(DWT)。通過(guò)改變Q值,可以在頻域內(nèi)對(duì)小波分解子帶進(jìn)行移位,在盡可能保留形態(tài)輪廓的同時(shí)有效地去除基線(xiàn)漂移。Q選擇和濾波過(guò)程如圖1所示,ECG信號(hào)和PPG信號(hào)使用相同的方法。

圖1 預(yù)處理方法流程Fig.1 Procedure of preprocessing method

Q選擇和濾波過(guò)程如下:

1)對(duì)加窗的ECG或PPG信號(hào)進(jìn)行傅里葉變換,并歸一化處理幅度。

2)選擇頻率為1.0 Hz～3.5 Hz范圍內(nèi)的峰值,選擇標(biāo)準(zhǔn)化值大于0.4的第1個(gè)峰值作為基準(zhǔn)點(diǎn)。

3)選擇在步驟2)中的基準(zhǔn)點(diǎn)頻率以下的凹拐點(diǎn),并選擇左端最近的凹拐點(diǎn)作為主波波谷點(diǎn)。如果沒(méi)有找到凹拐點(diǎn),則簡(jiǎn)單地選擇基頻的一半作為主波波谷點(diǎn)。

4)使用選擇的基準(zhǔn)點(diǎn)頻率以及主波波谷點(diǎn)的頻率從查找表中選擇Q值。查找表包括掃描范圍1.0～1.4內(nèi)的Q值計(jì)算的10級(jí)子帶(小波分解)的中心頻率和-3 dB位置截止頻率。對(duì)于Q=1.0,10級(jí)子帶的中心頻率和-3 dB位置截止頻率分別為0.812 9 Hz和0.430 9 Hz,對(duì)于Q=1.4,10級(jí)子帶的中心頻率和-3 dB位置截止頻率分別為1.949 1 Hz和1.339 7 Hz。

5)選擇提供最接近基準(zhǔn)點(diǎn)的中心頻率的Q值作為Q值的上限Qmax。然后在1.0～Qmax范圍內(nèi)選擇另一個(gè)Q值,該值對(duì)應(yīng)于最接近左端的凹拐點(diǎn)頻率的-3 dB位置截止頻率,該Q值即為需要的Q值。這樣既不衰減基波峰值,又保留了ECG和PPG信號(hào)的振幅。

6)如果沒(méi)有檢測(cè)到基準(zhǔn)點(diǎn),則選擇Q值為1.08。對(duì)于Q=1.08,第10級(jí)子帶的中心頻率和-3 dB位置截止頻率分別為1.002 0 Hz和0.573 5 Hz。在這種情況下,很可能ECG或PPG信號(hào)被偽像嚴(yán)重破壞,并且可能無(wú)法提取到需要波形的大多數(shù)特征。去除含有直流分量和基線(xiàn)漂移的剩余信號(hào),使用預(yù)先設(shè)置的軟Rigrsure閾值[16]的小波去噪。最后得到了既無(wú)基線(xiàn)漂移又無(wú)高頻噪聲的ECG和PPG信號(hào)。

2 連續(xù)血壓估計(jì)模型

本文構(gòu)建的基于端到端神經(jīng)網(wǎng)絡(luò)的人體血壓估計(jì)模型包含兩個(gè)層次結(jié)構(gòu),下層使用ANN從ECG和PPG波形的單個(gè)實(shí)例中學(xué)習(xí)波形特征,上層使用LSTM學(xué)習(xí)下層提取的特征之間的時(shí)間關(guān)系。圖2為ECG和PPG波形特征提取示意圖,圖3為輸入數(shù)據(jù)準(zhǔn)備過(guò)程的流水線(xiàn),圖4為基于ECG和PPG波形的端到端神經(jīng)網(wǎng)絡(luò)的連續(xù)血壓估計(jì)模型。

圖2 ECG和PPG波形特征提取示意圖Fig.2 Schematic diagram of ECG and PPG waveformfeature extraction

圖3 輸入數(shù)據(jù)準(zhǔn)備過(guò)程的流水線(xiàn)框圖Fig.3 Block diagram of input data preparation process

圖4 基于端到端神經(jīng)網(wǎng)絡(luò)的連續(xù)血壓估計(jì)模型Fig.4 Continuous blood pressure estimation modelbased on end-to-end neural network

2.1 特征變量選擇

根據(jù)血流動(dòng)力學(xué)理論,當(dāng)外周阻力較低及血管彈性較好時(shí),脈搏波波形特征是主波窄而高,重搏波波峰和波谷都很突出。隨著外周阻力和血管壁硬化程度的增加,重搏波的波峰和波谷相對(duì)主波的位置逐漸抬高,最后混為一體不易區(qū)分,使整個(gè)脈搏波波形呈饅頭形。

本文基于脈搏波分析,從PPG和ECG的每一拍中計(jì)算出10個(gè)信息特征,如表2和圖2所示。依據(jù)血流動(dòng)力學(xué)理論確定10項(xiàng)與血壓相關(guān)性較好的特征參數(shù)作為血壓估計(jì)模型中的特征變量。

表2 ECG和PPG波形中選定特征的定義Table 2 Definitions of selected features in ECG and PPG

2.2 非均勻波形分割

本文算法對(duì)PPG和ECG波形進(jìn)行非均勻波形分割,用于訓(xùn)練神經(jīng)網(wǎng)絡(luò),分割的主要原因是ECG和PPG信號(hào)頻率的變化。心率可以低于每分鐘60次(對(duì)于心動(dòng)過(guò)緩患者),由于強(qiáng)烈的共感神經(jīng)刺激[17],心率可以上升到每分鐘200次。例如,取一個(gè)長(zhǎng)度恒定2 s(250個(gè)樣本)的窗口,該窗口內(nèi)波形的周期數(shù)可能在2個(gè)～6個(gè)周期內(nèi)變化。這種不同的循環(huán)次數(shù)將在提取特征時(shí)對(duì)高HR的信號(hào)產(chǎn)生更大的誤差。因此,使用一個(gè)長(zhǎng)度為連續(xù)3個(gè)心電或PPG峰(2個(gè)周期)的可變窗口,然后重新采樣到256個(gè)樣本。為了訓(xùn)練學(xué)習(xí)模型,準(zhǔn)備好輸入波形,然后反饋給神經(jīng)網(wǎng)絡(luò)。

輸入數(shù)據(jù)的準(zhǔn)備過(guò)程如下:

1)PPG節(jié)段長(zhǎng)度為連續(xù)3個(gè)收縮峰(2個(gè)周期)pwi(n),i=1,2,…,M,其中M為序列波形段數(shù),對(duì)應(yīng)ECG段ewi(n),i=1,2,…,M,分別從預(yù)處理后的PPG和ECG信號(hào)pf(n)和ef(n)中提取,也可以用3r峰長(zhǎng)度的心電段代替相應(yīng)的PPG信號(hào)。

2)段長(zhǎng)li,i=1,2,…,M由提取的ECG和PPG波形計(jì)算得到,并除以256進(jìn)行歸一化。將ECG和PPG信號(hào)重采樣至256個(gè)樣本,將ECG與PPG重采樣波形ewi(mi)、pwi(mi)、歸一化段長(zhǎng)li串聯(lián),得到具有512個(gè)特征的向量xi,該向量是基于波形的特征向量。

1)對(duì)由3個(gè)連續(xù)峰值偏移一個(gè)峰值的M組進(jìn)行上述處理,形成M個(gè)特征向量。峰的選擇為0-1-2、1-2-3、2-3-4,直到(M-1)-M-(M+1)。

2.3 血壓估計(jì)模型處理

在準(zhǔn)備模型的輸入和輸出后,每個(gè)患者的數(shù)據(jù)分為70%用于訓(xùn)練,10%用于驗(yàn)證,20%用于測(cè)試。數(shù)據(jù)準(zhǔn)備短(M=10,從16 s窗口提取,或2 000個(gè)樣本125 Hz)和長(zhǎng)(M=32,從40 s窗口提取,或5 000個(gè)樣本125 Hz)序列,并且對(duì)兩者進(jìn)行訓(xùn)練。端到端神經(jīng)網(wǎng)絡(luò)主要由兩個(gè)堆疊的LSTM層組成,并與它們連接了呈時(shí)間分布的ANN。ANN由128個(gè)具有ReLU激活功能的神經(jīng)元的隱藏層組成。損失函數(shù)使用均方誤差(MSE),梯度優(yōu)化使用Adam優(yōu)化器[18],初始學(xué)習(xí)率為0.001。對(duì)于正則化,M=10和M=32,梯度的L2范數(shù)被約束為3和5。第1個(gè)LSTM層是雙向的[19],用于模擬2個(gè)方向的時(shí)間變化。

3 血壓估計(jì)模型的評(píng)估

使用平均絕對(duì)誤差(MAE)和均方根誤差(RMSE)作為度量來(lái)評(píng)估本文提出的模型。MAE和RMSE定義為:

(1)

(2)

其中,yM和zM分別是時(shí)間序列的第M個(gè)元素的實(shí)際值和估計(jì)的BP(SBP或DBP)。對(duì)本文模型的性能在AAMI標(biāo)準(zhǔn)上進(jìn)行評(píng)估,同時(shí)對(duì)血壓估計(jì)模型進(jìn)行Bland-Altman分析和Pearson相關(guān)系數(shù)分析。

3.1 與其他模型比較

表3為不同神經(jīng)網(wǎng)絡(luò)架構(gòu)的對(duì)比分析。從表3可以看出,AdaBoost模型對(duì)于DBP估計(jì)具有可接受的誤差,但是對(duì)于SBP估計(jì)具有較高的誤差?；贚STM的模型可以對(duì)時(shí)間特征的變化進(jìn)行建模,從而提高精度。在MAE和RMSE方面,本文端到端神經(jīng)網(wǎng)絡(luò)模型比其他模型表現(xiàn)更好。

表3 不同血壓估計(jì)模型的比較分析Table 3 Comparative analysis of differentblood pressure estimation models mmHg

3.2 AAMI標(biāo)準(zhǔn)的績(jī)效評(píng)估

醫(yī)學(xué)儀器促進(jìn)協(xié)會(huì)(AAMI)標(biāo)準(zhǔn)要求血壓測(cè)量裝置的誤差(ME)和誤差標(biāo)準(zhǔn)偏差(SDE)值分別低于5 mmHg和8 mmHg[20]。表4顯示了根據(jù)AAMI標(biāo)準(zhǔn)對(duì)不同模型的評(píng)估,從表4可以看出,端到端神經(jīng)網(wǎng)絡(luò)模型滿(mǎn)足SBP估計(jì)的AAMI標(biāo)準(zhǔn),所提出的模型具有可忽略的ME和最小的SDE。隨著2個(gè)模型的序列長(zhǎng)度M從10增加到32,端到端神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)能力明顯增加。

表4 基于AAMI標(biāo)準(zhǔn)(ME<5 mmHg,SDE<8 mmHg)的性能評(píng)估Table4 Performance evaluation based on AAMI standard (ME<5 mmHg,SDE<8 mmHg) mmHg

3.3 統(tǒng)計(jì)分析

對(duì)短序列數(shù)據(jù)(M=10)進(jìn)行Bland-Altman檢驗(yàn)和Pearson相關(guān)檢驗(yàn)。圖5為基于端到端神經(jīng)網(wǎng)絡(luò)模型SBP和DBP估計(jì)的Bland-Altman。對(duì)于本文提出的模型,發(fā)現(xiàn)SBP和DBP的一致性極限[μ-1.96,μ+1.96]分別為[-4.076,4.933]和[-4.816,4.736],這意味著95%的估計(jì)SBP誤差小于4.78 mmHg,95%的測(cè)量DBP值誤差小于4.50 mmHg,表明該模型是一個(gè)好的估計(jì)模型。圖6為基于端到端神經(jīng)網(wǎng)絡(luò)模型SBP和DBP估計(jì)的回歸示意圖。SBP和DBP的Pearson相關(guān)系數(shù)分別為r=0.990和r=0.991,2個(gè)系數(shù)都非常接近1.0,表明目標(biāo)和估計(jì)的BP之間存在高線(xiàn)性。

圖5 SBP和DBP估計(jì)的Bland-Altman 示意圖 Fig.5 Bland-Altman schematic diagram of SBP andDBP estimation

圖6 SBP和DBP估計(jì)的回歸示意圖Fig.6 Regression diagram of SBP and DBP estimation

3.4 實(shí)驗(yàn)分析

為驗(yàn)證所建立的血壓估算模型的可靠性,本文對(duì)采用歐姆龍 HEM-7136型電子血壓計(jì)與本文系統(tǒng)測(cè)試者同時(shí)進(jìn)行檢測(cè)以分析該設(shè)計(jì)的準(zhǔn)確性。其中,以歐姆龍 HEM-7136型電子血壓計(jì)測(cè)得數(shù)據(jù)作為標(biāo)準(zhǔn)值,本文設(shè)計(jì)測(cè)量數(shù)據(jù)為估計(jì)值。實(shí)驗(yàn)基于計(jì)算機(jī)平臺(tái),組合使用橈動(dòng)脈脈搏傳感器(合肥華科電子技術(shù)研究所的HK-2000B型傳感器)、心電圖機(jī)(三銳科技醫(yī)用ECG-2301單道心電圖機(jī))對(duì)年齡在21歲～35歲之間的健康男性7名和女性6名進(jìn)行檢測(cè),采樣頻率設(shè)置為400 Hz,記錄被測(cè)者的脈搏波和心電信號(hào),使用基于端到端神經(jīng)網(wǎng)絡(luò)的連續(xù)血壓估計(jì)模型對(duì)信號(hào)進(jìn)行處理,得到血壓估計(jì)值,同時(shí)使用歐姆龍 HEM-7136型電子血壓計(jì)測(cè)量被測(cè)者的收縮壓和舒張壓各3次,取平均值作為血壓計(jì)測(cè)量值。連續(xù)測(cè)量5天,共65組可對(duì)比數(shù)據(jù),具體數(shù)據(jù)情況如表5所示?；诙说蕉松窠?jīng)網(wǎng)絡(luò)模型的連續(xù)血壓估計(jì)模型的舒張壓和收縮壓的平均絕對(duì)誤差分別為3.037 3 mmHg和2.504 9 mmHg,測(cè)量結(jié)果滿(mǎn)足BP估計(jì)的AAMI標(biāo)準(zhǔn),具有一定的臨床意義。

表5 血壓估計(jì)模型的測(cè)量數(shù)據(jù)分析Table 5 Analysis of measured data of blood pressureestimation model mmHg

4 結(jié)束語(yǔ)

本文提出一種新的端到端神經(jīng)網(wǎng)絡(luò)模型,對(duì)ECG和PPG波形進(jìn)行無(wú)袖連續(xù)血壓估計(jì)。該模型能夠在不需要任何特征工程的情況下提取必要的波形特征,以及學(xué)習(xí)時(shí)間特征的變化,滿(mǎn)足BP估計(jì)的AAMI標(biāo)準(zhǔn),其Pearson相關(guān)性測(cè)試顯示相關(guān)系數(shù)接近1.0,表明實(shí)際BP和估計(jì)BP之間具有高線(xiàn)性。為驗(yàn)證血壓模型的有效性,對(duì)測(cè)試者連續(xù)測(cè)量5天的實(shí)驗(yàn)結(jié)果表明,血壓估計(jì)模型誤差在±5 mmHg以?xún)?nèi),具有一定的準(zhǔn)確性和可靠性,達(dá)到了較好的效果。