樊艷夢, 楊學(xué)志, 王定良, 劉雪南, 馬禮坤, 李龍偉

(1.合肥工業(yè)大學(xué) 計算機(jī)與信息學(xué)院,安徽 合肥 230601; 2.合肥工業(yè)大學(xué) 軟件學(xué)院,安徽 合肥 230601; 3.智能互聯(lián)系統(tǒng)安徽省實驗室,安徽 合肥 230601; 4.中國科學(xué)技術(shù)大學(xué)附屬第一醫(yī)院,安徽 合肥 230001)

血壓(blood pressure,BP)是診斷心血管疾病的一個重要生理指標(biāo)[1-3]。但是,由于患者在治療后對BP的監(jiān)測和反饋不足,其BP無法得到有效控制,特別是在醫(yī)療設(shè)備不足的地區(qū)[4-5]。定期測量血壓可以幫助患者更好地控制血壓,避免更嚴(yán)重的心血管并發(fā)癥[6]?；谛鋷У难獕河嬍亲顪?zhǔn)確的無創(chuàng)血壓測量設(shè)備,并已廣泛用于各種場合[7-9]。但是,當(dāng)患者需要連續(xù)監(jiān)測血壓時,牢固綁在手臂上的袖帶傳感器會使患者感到不適[10]。為此,近年來研究人員提出了無袖帶的血壓測量方法,其中最常見的是基于脈搏波傳輸時間(pulse transit time,PTT)的血壓檢測方法。文獻(xiàn)[11]首先證實動脈血壓與PTT相關(guān);文獻(xiàn)[12]使用心電圖(electrocardiograph,ECG)和光電容積脈搏波(photoplethysmography,PPG)信號計算PTT并對每個受試者進(jìn)行血壓校準(zhǔn);文獻(xiàn)[13]利用同時從腳趾和指尖測量的PPG信號來確定PTT。然而基于PTT的方法需要2個傳感器同步采集生理信號,使得測量過程十分復(fù)雜。

本研究的重點集中在基于單一PPG信號的無袖帶BP估計。PPG信號包含豐富的心血管信息,與血管硬化程度、血壓和血流動力學(xué)等有密切關(guān)系[14-15]。許多研究人員通過提取PPG信號的特征來訓(xùn)練機(jī)器學(xué)習(xí)模型從而完成BP估計;文獻(xiàn)[4]通過提取PPG信號的頻域特征,將其作為神經(jīng)網(wǎng)絡(luò)的輸入,建立BP估計模型;文獻(xiàn)[16]從PPG波形中提取時域和頻域特征并使用隨機(jī)森林算法估計BP;文獻(xiàn)[17]提取了57個特征,經(jīng)特征選擇后使用最小二乘支持向量機(jī)建立血壓估計模型。然而上述研究僅在小型數(shù)據(jù)庫上進(jìn)行了驗證,這些數(shù)據(jù)往往都是由研究人員自行采集的正常人的數(shù)據(jù),缺少對高血壓和低血壓人群的實驗驗證,因此需要增加樣本量,充分考慮實際應(yīng)用需要。

心血管信息也包含在速度光電容積脈搏波(velocity plethysmography,VPG-PPG)的一階導(dǎo)數(shù)和加速光電容積脈搏波(acceleration plethysmography,APG-PPG)的二階導(dǎo)數(shù)中[18]。文獻(xiàn)[19]從APG中提取特征,用偏最小二乘法回歸估計收縮壓(systolic blood pressure,SBP),其提取的特征與SBP的相關(guān)系數(shù)為0.78;文獻(xiàn)[10] 基于VPG和APG分析壓力-流量關(guān)系,提出由單個PPG估計BP的壓力指數(shù)(pressure index,PI),并驗證PI與SBP的相關(guān)系數(shù)為0.826;文獻(xiàn)[20]從PPG、VPG和APG中提取多個時域和頻域特征,并將其作為高斯過程回歸(Gaussian process regression,GPR)的輸入,在特征選擇后建立BP估計模型。然而,在BP采集過程中,PPG信號可能會受到一些不穩(wěn)定因素的干擾,使得從PPG、VPG和APG中準(zhǔn)確提取特征變得困難[8,19]。因此一些不易受波形變化影響的特征提取方法被提出。文獻(xiàn)[8]提取PPG相鄰兩峰之間的波形作為特征向量,這種特征提取方法稱為基于整體(whole-based)的特征提取方法[21]。該方法可以更準(zhǔn)確地提取特征,但是忽略了VPG和APG中包含的有用信息。

基于以上分析,輸入具有魯棒性和全面性的特征對訓(xùn)練出高精度BP模型具有重要意義,以往研究的BP估計的準(zhǔn)確性還有待提高。為此,本文提取單周期PPG、VPG和APG波形作為原始特征向量,并利用梯度提升回歸樹(gradient boosting regression tree,GBRT)提取高階交叉特征,較好地表達(dá)原始特征空間的非線性關(guān)系;另外,利用PPG信號的時頻圖作為卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)的輸入,提取時頻譜圖中的深層特征;最后,通過GBRT和CNN提取的潛在空間特征可以充分表示出PPG信號中與血壓有關(guān)的信息,并將其作為支持向量回歸器(support vector regression,SVR)的輸入,從而建立BP估計模型。

1 方 法

本文提出的方法包括如下4個部分:第1部分是對PPG信號進(jìn)行預(yù)處理,去除PPG信號的失真部分;第2部分是原始特征提取,提取單周期PPG、VPG和APG波形以及PPG信號的時頻圖作為下一部分的輸入;第3部分是特征映射,利用GBRT和CNN提取潛在空間特征并用作SVR的輸入;第4部分是訓(xùn)練SVR以建立BP估計模型。

本文方法的流程如圖1所示。

圖1 本文方法的流程

1.1 預(yù)處理

失真PPG信號示意圖如圖2所示。PPG信號在采集過程中可能會受到一些不穩(wěn)定因素的干擾。因此,本文通過特征濾波的方法去除失真的波形段。

圖2 失真PPG信號示意圖

首先將PPG信號歸一化;其次檢測PPG的波峰和波谷,并計算一個PPG信號相鄰波峰之間時間間隔作為特征指標(biāo)d,得到一個特征序列;隨后根據(jù)特征指標(biāo)d設(shè)置自適應(yīng)閾值,一個PPG信號所對應(yīng)的特征指標(biāo)d的特征序列以及該特征序列所對應(yīng)的直方圖如圖3所示。從圖3可以看出,未失真的波形段所計算出的特征指標(biāo)d所在的直方圖最高,而失真波形段所對應(yīng)的d則不在該范圍內(nèi),由此將上限閾值設(shè)置為最高的直方圖的上限,而下限閾值設(shè)置為最高直方圖的下限。檢測每個周期波形的d值,若不在閾值范圍內(nèi),則認(rèn)為該周期波形失真,從而剔除失真的波形。

圖3 特征閾值選擇

1.2 原始特征提取

1.2.1 原始時域特征提取

PPG、VPG和APG分別反映了血管內(nèi)的血容量、血容量的變化和血容量變化的加速度。血容量和血流速度密切相關(guān),因此PPG、VPG和APG波形會受到產(chǎn)生血流的壓力的影響[10]。因此,本文不僅提取單周期的PPG信號,還提取對應(yīng)的VPG和APG的單周期波形作為原始特征向量。提取的單周期PPG、VPG及APG波形如圖4所示,檢測PPG的波谷并將其用作分割單周期PPG、VPG和APG的端點,從而得到單周期的PPG、VPG及APG信號。

圖4 提取單周期PPG、VPG及APG波形

為了確保數(shù)據(jù)長度的一致性,通過在末尾補(bǔ)零的方法將提取的PPG、VPG和APG單周期信號的長度設(shè)置為200。根據(jù)PPG信號計算心率,得到UCI數(shù)據(jù)庫的心率范圍為每分鐘48～125次心跳。此外,PPG的采樣頻率為125 Hz。因此,如果信號長為200,那么足以記錄一個PPG、VPG和APG的完整周期。最后,將提取的PPG、VPG和APG連接起來得到長度為600的特征向量。

1.2.2 二維時頻圖特征

文獻(xiàn)[22]研究了PPG和BP波形之間頻率成分的相關(guān)性,并表明PPG和BP的前3個頻率成分之間存在顯著的線性回歸關(guān)系。PPG信號的二維時頻圖如圖5所示,本文對PPG信號作小波變換,小波變換選用的是Morlet小波,小波變換的尺度序列長度為256,由此可計算相應(yīng)的尺度序列。然后由小波變換獲得PPG信號對應(yīng)的時頻圖。隨后,將時頻圖用作CNN的輸入,該CNN可以提取時頻圖的詳細(xì)特征,并有效獲取時譜圖中的隱藏特征。

圖5 PPG信號的二維時頻圖

1.3 潛在空間特征提取

1.3.1 梯度提升回歸樹

文獻(xiàn)[23]提出梯度提升算法(gradient boosting),該算法是一種集成學(xué)習(xí)算法,基本思想是在每次迭代時構(gòu)造一個新的基學(xué)習(xí)器[24],以使損失函數(shù)沿其梯度方向下降。假設(shè)輸入數(shù)據(jù)為(xi,yi),i=1,2,…,N,其中:xi為特征序列;yi為相應(yīng)的血壓標(biāo)簽。需要通過最小化損失函數(shù)Q來確定第m次迭代的基學(xué)習(xí)器Tm,即

(1)

其中,fm-1為m-1次迭代后的模型。本文選擇分位數(shù)損失函數(shù)作為GBRT的損失函數(shù),因為分位數(shù)損失函數(shù)可以減少異常信號對損失函數(shù)的影響,它對于預(yù)測的區(qū)間十分敏感,即使在非均勻分布的殘差下也能保持良好的性能,因此具有更強(qiáng)的魯棒性。

此外,選擇回歸樹作為包含K個節(jié)點的基學(xué)習(xí)器模型。假設(shè)共有M次迭代,可以得到最終模型fM(x)。GBRT算法總結(jié)為算法1,具體如下所述。

輸入:(xi,yi),i=1,2,…,N;

輸出:fM(x)。

1.初始化f為一個常量,并開始進(jìn)行M次迭代

2.form=1 toMdo

3.計算負(fù)梯度。計算公式為：

(2)

4.用一棵回歸樹Tm擬合gm(xi) 并得到這棵樹葉子節(jié)點Rmk,k=1,2,…,K

5.每次迭代后更新f。公式如下:

fm(x)=fm-1(x)+Tm

(3)

6.end for

7.M次迭代后得到最終模型fM(x)。

1.3.2 利用GBRT進(jìn)行特征映射

GBRT在解決分類或回歸問題時表現(xiàn)出很強(qiáng)的學(xué)習(xí)能力和更好的魯棒性。在本文的研究中,使用GBRT進(jìn)行特征映射以挖掘PPG信號的原始特征空間中的高階交叉特征,從而更加充分地表達(dá)脈搏波與血壓之間的復(fù)雜聯(lián)系。使用GBRT進(jìn)行特征映射的過程如圖6所示。

圖6 GBRT特征映射示意圖

假設(shè)輸入數(shù)據(jù)為(xi,yi),i=1,2,…,N。其中:xi為樣本的特征序列;yi為相應(yīng)的BP值。經(jīng)過M輪訓(xùn)練后,得到M棵樹,其中第m棵樹具有Km個葉子。

當(dāng)樣本最終落在某棵樹的某個葉子節(jié)點上時,新特征向量中該葉子節(jié)點對應(yīng)的值為1,該樹的其他葉子節(jié)點的值為0。然后對于第m棵樹可以獲得一個二值向量am=[v1v2…vkm],v可以表示為:

(4)

其中:j為1,…,Km中的一個值;Rj為樹的第j個葉區(qū)域。經(jīng)過M次迭代后每個樣本可以生成一個新的特征向量[a1a2…aM]。

GBRT的特征映射可以理解為有監(jiān)督的特征編碼。 從根節(jié)點到葉子節(jié)點的遍歷代表了特征的組合規(guī)則。 使用組合特征訓(xùn)練BP模型實質(zhì)上是學(xué)習(xí)這些規(guī)則集的權(quán)重[25]。最終,提取的特征作為SVR模型的輸入。

利用GBRT進(jìn)行特征映射的算法總結(jié)為算法2,具體如下所述。

輸入:(xi,yi),i=1,2,…,N;

輸出:Ci,i=1,2,…,N。

1.在M輪迭代后可以得到M棵樹,組成GBRT的特征映射模型

2.form=1 toMdo

3.某輸入的樣本經(jīng)過第m棵樹并最終落在該樹的一個葉子節(jié)點。最終,根據(jù)該樣本x所落下的節(jié)點位置可以得到一個二值向量αm,即

αm=[ν1ν2…νKm]

(5)

4.end for

5.最終得到新的特征向量,即

Ci=[α1α2…αM],i=1,…,N

(6)

1.3.3 利用CNN提取時頻圖的深層特征

將PPG信號的時譜圖用作CNN的輸入,使用CNN提取特征的過程如圖7所示。在這項工作中,CNN模型包含3個CNN塊和一個全連接層。每個CNN塊均由1個卷積層、1個激活層和1個最大池化層組成。卷積層通過較小尺寸的濾波器提取細(xì)節(jié)特征。激活層使用線性整流函(rectified linear unit,ReLU)加速訓(xùn)練過程并防止出現(xiàn)梯度消失。另外,池化層可以提取主要特征并使特征圖更小,以防止模型發(fā)生過擬合。卷積層和池化層將原始數(shù)據(jù)映射到潛在特征空間,而全連接層的作用則是將學(xué)習(xí)到的特征映射到樣本標(biāo)簽空間。

圖7 CNN特征提取示意圖

最后,將CNN提取的時頻圖的深層特征作為SVR的輸入。

1.4 SVR模型

由于PPG和BP之間存在非線性關(guān)系,因此本文使用非線性回歸方法SVR來估計BP。本文利用GBRT和CNN提取潛在空間特征,并將其作為SVR的輸入以建立BP估計模型。SVR是一種機(jī)器學(xué)習(xí)技術(shù),它基于結(jié)構(gòu)風(fēng)險最小化原則,可以防止過擬合,并且SVR具有強(qiáng)大的泛化能力。本文用徑向基函數(shù)(radial-basis function, RBF)作為SVR的內(nèi)核函數(shù)。

2 實驗結(jié)果與分析

2.1 實驗設(shè)置

(1) 數(shù)據(jù)集。本文使用UCI-BP數(shù)據(jù)庫[26]進(jìn)行實驗驗證,其包含從MIMIC II數(shù)據(jù)庫[27]收集的12 000條記錄。這些數(shù)據(jù)是從多家醫(yī)院的患者進(jìn)行信號的采集而得到的,包括PPG、ECG和主動脈血壓(aorta blood pressure,ABP)信號。其中,利用指夾式光電脈搏傳感器從指尖采集24 s的PPG信號,并同時從主動脈有創(chuàng)地測量ABP信號,其信號采樣率均為125 Hz。在這項工作中,本文提取了ABP的波峰和波谷,并將波峰和波谷的幅度平均值作為SBP和舒張壓(diastolic blood pressure,DBP)。此外,本文計算ABP的平均值作為平均動脈血壓(mean arterial blood pressure,MAP)。UCI血壓數(shù)據(jù)庫的樣本分布圖如圖8所示。

圖8 UCI血壓數(shù)據(jù)庫樣本分布圖

(2) 評估指標(biāo)。本文使用平均絕對誤差(mean absolute error,MAE)、標(biāo)準(zhǔn)誤差(standard deviation of error,SDE)和均方根誤差(root mean square error,RMSE)來評估結(jié)果,定義如下:

(7)

(8)

(9)

(3) 參數(shù)設(shè)置。參數(shù)選擇折線如圖9所示,通過固定其他參數(shù)僅調(diào)整一個參數(shù)并使BP估計的MAE最小,從而確定GBRT的最佳參數(shù)值。在本文實驗中,用于DBP、MAP和SBP估計的基學(xué)習(xí)器的最佳數(shù)量設(shè)置為200、200和600,學(xué)習(xí)率分別為0.01、0.015和0.001,樹的最佳深度為15。

圖9 參數(shù)選擇折線圖

此外,本文中CNN選擇Adam優(yōu)化器,模型訓(xùn)練的批量學(xué)習(xí)大小為100,學(xué)習(xí)率為0.01。

2.2 實驗驗證

將GBRT和CNN提取的潛在空間特征作為SVR的輸入,構(gòu)建BP估計模型。本研究使用四折交叉驗證進(jìn)行訓(xùn)練以提高泛化能力?；诓煌卣骱湍Ｐ偷难獕汗烙嫓?zhǔn)確性的比較見表1所列。

表1 基于不同特征和模型的血壓估計準(zhǔn)確性比較

本文比較了使用原始特征和潛在空間特征的BP估計模型的性能。另外,將僅使用GBRT或CNN進(jìn)行BP估計的實驗結(jié)果作為比較對象。實驗結(jié)果表明,潛在空間特征可以顯著提高BP估計的準(zhǔn)確性。

與僅使用GBRT的模型相比,由SVR使用GBRT提取的潛在空間特征構(gòu)建的BP估計模型將MAE降低約6%。

同樣,將CNN提取的特征輸入到SVR中以構(gòu)建BP估計模型,該模型的效果要優(yōu)于僅使用CNN的BP估計模型。此外,由GBRT提取的特征訓(xùn)練的BP估計模型的性能比其他模型稍好,但與本文提出的方法相比,其BP估計的MAE增加了大約10%。但是,使用時頻圖作為CNN的輸入來構(gòu)建BP估計模型的效果最差,這可能是因為僅使用時頻圖無法充分表達(dá)PPG和BP之間的潛在聯(lián)系。

DBP、MAP和SBP的Bland-Altman圖[28]以及線性回歸圖如圖10所示。圖10中:圖10a～圖10c為Bland-Altman圖;圖10d～圖10f為線性回歸圖。

圖10 BP估計的Bland-Altman圖以及線性回歸圖

從圖10可以看出,DBP、MAP和SBP的估計誤差大多在2 kPa之內(nèi)。另外,估計的BP值與參考BP值之間的相關(guān)系數(shù)均大于0.7。但是有一些血壓值很低的血壓估計誤差較大。為了評估模型對低血壓(SBP≤12 kPa并且DBP≤8 kPa)、高血壓(SBP≥19 kPa或者DBP≥12 kPa)、正常血壓(除低血壓和高血壓外的范圍)的估計效果,本文分別統(tǒng)計了不同范圍內(nèi)的血壓估計情況,實驗結(jié)果如圖11所示。結(jié)合圖8的分析可知,正常血壓樣本的數(shù)量最多,低血壓樣本的數(shù)量相對較少。因此，訓(xùn)練的血壓估計模型能夠?qū)W習(xí)到更多的正常血壓和高血壓樣本的信息,從而對這兩類的估計效果相對較好,而對于低血壓來說,其訓(xùn)練樣本所占比重較低,因此其血壓估計精度比其他兩類的稍差。

圖11 不同血壓范圍的血壓估計精度

此外,本文的方法還根據(jù)英國高血壓學(xué)會標(biāo)準(zhǔn)(british hypertension society,BHS)進(jìn)行評估,該標(biāo)準(zhǔn)根據(jù)累積誤差百分比將BP預(yù)測結(jié)果分為3個級別。誤差分布直方圖如圖12所示,分別計算了在4個BP估計誤差范圍的樣本數(shù),得到對應(yīng)的MAE分布直方圖。

圖12 誤差分布直方圖

實驗結(jié)果與BHS標(biāo)準(zhǔn)的對比見表2所列,根據(jù)BHS標(biāo)準(zhǔn),本文所提方法的DBP和MAP的估計精度可以達(dá)到B級,并且SBP估計精度可以達(dá)到C級。

表2 實驗結(jié)果與BHS標(biāo)準(zhǔn)的對比

2.3 對比試驗

本文所提出方法與最近的研究方法的準(zhǔn)確性比較見表3所列。

表3 本文所提出方法與最近的研究方法的比較

這些方法使用了不同的數(shù)據(jù)庫,因此很難進(jìn)行比較。為了保證公平性,本文在UCI-BP數(shù)據(jù)庫上對所有這些方法的血壓估計的準(zhǔn)確性進(jìn)行實驗驗證。實驗結(jié)果表明,本文提出的方法優(yōu)于最近的研究。其中文獻(xiàn)[4]的方法表現(xiàn)最差,SBP的MAE達(dá)到1.76 kPa,與本文的方法相比,其MAE增加了50%。文獻(xiàn)[4]提取了PPG的頻域特征作為SVR的輸入,以構(gòu)建BP估計模型。然而,僅提取頻域信息在表達(dá)PPG信號和BP之間的潛在關(guān)系方面表現(xiàn)較差。此外,本文方法比文獻(xiàn)[8]的方法對SBP估計的MAE低15%,其使用基于整體的方法從PPG中提取特征向量,可以提高特征提取的準(zhǔn)確性,并使用自適應(yīng)Boosting回歸估計BP。但是,自適應(yīng)增強(qiáng)回歸使用的是指數(shù)損失函數(shù),該函數(shù)對異常值非常敏感,因此在嘈雜的樣本上效果較差。此外,文獻(xiàn)[7]和文獻(xiàn)[20]的模型性能介于這2種方法之間。它們直接從PPG中提取時域特征作為機(jī)器學(xué)習(xí)模型的輸入,但無法表示PPG信號的復(fù)雜結(jié)構(gòu)特征。在這項研究中,本文致力于挖掘可能與BP相關(guān)的PPG信號的深層特征。

本文提取的潛在空間特征包括時域和頻域2個方面。PPG及其導(dǎo)數(shù)信號的單周期波形作為原始時域特征,隨后利用GBRT從原始時域特征中挖掘出高階交叉特征,可以更好地描述信號的復(fù)雜結(jié)構(gòu)特征。

此外,PPG信號的時頻圖被用作CNN的輸入,以提取時頻譜中蘊(yùn)藏的深層特征。最后,將提取的潛在空間特征用作SVR的輸入以構(gòu)建BP估計模型。這項工作充分挖掘了與BP有關(guān)的信息,并且提取的潛在空間特征更全面地表達(dá)了PPG和BP之間的關(guān)系。與最近的研究相比,本文提出的方法比傳統(tǒng)的機(jī)器學(xué)習(xí)算法具有更高的準(zhǔn)確性,并且具有較強(qiáng)的泛化能力。

3 討 論

基于PTT的無袖帶BP估計方法需要同步采集2個信號,這會給患者測量血壓帶來不便。因此,本文提出了一種基于單個PPG信號的BP估計方法。所提出的方法結(jié)合BP和PPG之間的非線性關(guān)系,充分挖掘PPG中與BP有關(guān)的信息,并利用SVR建立BP估計模型。

從PPG中提取準(zhǔn)確有用的特征對BP估計具有決定性作用。通常PPG信號及其導(dǎo)數(shù)信號的時域和頻域特征只能描述信號的一些直觀特征,而不能描述信號更復(fù)雜的結(jié)構(gòu)特性。但是,GBRT中每棵樹的根節(jié)點到葉子節(jié)點的路徑所代表的是不同的特征組合,因此可以得到可區(qū)分的特征。此外,CNN也可以在PPG信號的時頻圖中挖掘與BP相關(guān)的深層特征。因此,利用GBRT和CNN提取PPG信號中包含的高階和深層特征,可以充分描述PPG信號中蘊(yùn)含的與BP有關(guān)的信息,對提高血壓估計的準(zhǔn)確性具有重要意義。

實驗結(jié)果表明，使用GBRT和CNN映射的潛在空間特征訓(xùn)練BP估計模型,可以使BP估計的MAE顯著降低。此外,與其他最新方法的結(jié)果比較,本文所提出的方法在BP估計方面優(yōu)于其他最新的方法。

然而,由于樣本分布不均勻,低血壓樣本的數(shù)量較少,限制了血壓估計模型對該類樣本的血壓估計精度。此外,本文中所使用的數(shù)據(jù)是對多家醫(yī)院的患者采集的,有些數(shù)據(jù)可能會受到藥物的影響。在本文研究中,忽略了藥物的影響,而且數(shù)據(jù)庫中缺少諸如年齡和性別等對血壓估計有用的信息。

因此,在今后的工作中,本文將致力于提高BP估計精度,研究具有較強(qiáng)泛化能力的BP估計算法,并建立一個更完整的BP數(shù)據(jù)庫,將基于PPG的無袖BP估計算法移植到實際應(yīng)用中。

4 結(jié) 論

本文提出了一種基于潛在空間特征的BP估計方法,該方法以PPG、VPG和APG單周期波形作為GBRT的輸入,將特征映射到高維稀疏空間中。另外,利用CNN提取時頻圖的深層特征,并結(jié)合2種潛在空間特征,實現(xiàn)對PPG信號的充分表達(dá)。此外,考慮到PPG和BP之間的非線性關(guān)系,本文使用SVR構(gòu)建血壓估計模型。實驗結(jié)果表明,該方法具有較高的BP估計精度。

本文所提出的方法在無袖帶BP估計上提升了檢測精度,但在樣本分布不均勻的情況下,BP估計的準(zhǔn)確性并不理想。例如BP值極高或極低的樣本數(shù)量較少,以致模型在該類樣本處性能較差。因此,后續(xù)的研究將致力于如何消除或降低樣本分布對BP估計精度的影響。