基于脈搏波特征參數(shù)的無創(chuàng)連續(xù)血壓測量研究進展

鄭嘉強，程云章，邊俊杰

1.上海理工大學上海介入醫(yī)療器械工程技術(shù)研究中心，上海200093；2.浙江善時醫(yī)療器械有限公司，浙江杭州310016

前言

據(jù)2018年中國心血管病報告顯示，中國心血管病患病率和死亡率仍處于上升階段；報告推算心血管病現(xiàn)患人數(shù)2.9 億，其中高血壓2.45 億。也有相關(guān)調(diào)查顯示心血管病的死亡率居首位，高于腫瘤及其他疾病，占居民疾病死亡構(gòu)成的40%以上［1］。有研究表明高血壓人群會增加不同心腦血管疾病的發(fā)病風險，其中，收縮期及舒張期高血壓增加幅度更大［2］。根據(jù)中國高血壓調(diào)查研究結(jié)果，中國≥18 歲成人高血壓的知曉率、治療率、控制率和治療控制率分別為51.6%、45.8%、16.8%和37.5%，我國的高血壓防治工作仍面臨著嚴峻的挑戰(zhàn)［3］。高血壓屬于慢性病，診斷治療需要一個緩慢、長期的過程，需在家調(diào)理、服藥并長期監(jiān)測［4］。連續(xù)血壓測量可以實際反映血壓在全天內(nèi)的變化規(guī)律，對突發(fā)性心腦血管病的預測及對降壓藥的治療效果評估有重要意義［5］。近年來，很多研究者對基于脈搏波特征參數(shù)的無創(chuàng)連續(xù)血壓測量進行研究，本研究首先介紹脈搏波特征參數(shù)的類型以及基于脈搏波特征參數(shù)進行血壓測量的原理，然后總結(jié)相關(guān)的測量模型，并分析各個模型的優(yōu)缺點，最后對今后的研究方向進行總結(jié)和展望。

1 測量原理及脈搏波特征參數(shù)

1.1 測量原理

脈搏波特征參數(shù)測量法是在分析脈搏波特征參數(shù)與動脈血壓相關(guān)性的基礎(chǔ)上建立血壓模型，實現(xiàn)連續(xù)血壓測量的方法。血壓的主要影響因素包括每搏輸出量、心率、外周阻力、主動脈和大動脈管壁的彈性、循環(huán)血量與血管容量，這些因素的改變會導致血壓的變化。了解影響血壓的生理因素后，就可以通過測量反映這些生理因素的參數(shù)來間接反映血壓的變化。

脈搏的變化是動脈內(nèi)血壓變化的反映，這是可以使用脈搏波進行血壓測量的基本理論依據(jù)［6］。湯池［7］、歐輝彬［8］和Visvanathan 等［9］已分別從生理上詳細分析脈搏波特征參數(shù)與人體血管外周阻力和血容量的相關(guān)關(guān)系，說明可以利用脈搏波相關(guān)的波形特征參數(shù)估計血壓［10］。脈搏波從心臟開始向外周的動脈系統(tǒng)傳播的過程中，脈搏波的形態(tài)不僅受到心臟本身的影響，也會受到各級動脈及其分支的各種生理因素如血液粘度、血管壁彈性及血管阻力等的影響，因此脈搏波中含有心血管系統(tǒng)的大量生理、病理信息，在臨床上被廣泛用于各種生理參數(shù)如血壓、血氧飽和度、心率、心輸出量、動脈順應(yīng)性等的測量和評估［11］。

1.2 脈搏波特征參數(shù)

脈搏波特征參數(shù)包括時域特征參數(shù)和頻域特征參數(shù)。脈搏波時域特征參數(shù)可分為幅度參數(shù)、時間參數(shù)和面積參數(shù)。常用的脈搏波時域特征參數(shù)如圖1所示。包括常用的幅度參數(shù)有主波高度（H1）、降中狹高度（H2）、重搏波高度（H3）、重博幅度（H4）等；常用的時間參數(shù)有主波上升時間（t1）、收縮期時間（t2）、舒張期時間（t3）、脈搏波周期（T）等［12］；常用的面積參數(shù)包括脈搏波面積、收縮期面積占比、舒張期面積占比、脈搏波波形系數(shù)K［13］等。

脈搏波頻域特征參數(shù)是在脈搏波的幅值譜中提取。在對單個周期的脈搏波波形進行10次周期延拓后，對延拓后的波形進行快速傅里葉變換得到脈搏波幅值譜（圖2）［14］。有研究表明，脈搏波的頻譜成分主要集中在基波到5～6次諧波內(nèi)［15］。

2.1 線性模型

2.1.1 一元線性回歸模型基于脈搏波特征參數(shù)測量血壓的一元線性回歸模型是通過提取脈搏波信號中的特征參數(shù)，對特征參數(shù)與血壓進行相關(guān)性分析，挑選出與血壓相關(guān)性最好的一個特征參數(shù)，以該參數(shù)作為自變量，血壓作為因變量做一元線性回歸分析，建立一元線性回歸方程進行血壓測量的方法，其模型為：

圖1 常用的脈搏波時域特征參數(shù)Fig.1 Common characteristic parameters of pulse wave in time domain

圖2 脈搏波幅值譜Fig.2 Amplitude spectrum of pulse wave

其中，Y為血壓值；X為選擇的特征參數(shù)；a0為常數(shù)項；a1為回歸系數(shù)；ε為隨機誤差項。

Teng 等［16］利用反射式光電容積脈搏波（Photoplethysmography,PPG）傳感器獲取PPG 信號，從PPG 信號中提取2/3 脈搏波振幅寬度（width1）、1/2脈搏波振幅寬度（width2）、收縮期向上搏動時間（T1）、舒張時間（T2）這4 個特征參數(shù)，并將這些特征參數(shù)分別與血壓進行相關(guān)性分析，結(jié)果顯示舒張時間（T2）與血壓的相關(guān)性高于其他特征與血壓之間的相關(guān)性。使用T1、T2 及PTT（ECG 信號R 波峰值到PPG信號峰值點之間的時間間隔）分別與血壓建立一元線性回歸模型，結(jié)果比較如表1所示［16］，該研究結(jié)果表明可以使用PPG 信號的舒張時間（T2）估計血壓，且其精度與使用PTT估計的血壓值精度相當。

表1 使用T1和T2及PTT進行血壓估計的平均數(shù)和標準差（mmHg）Tab.1 Mean and standard deviation of blood pressure estimations using T1 and T2 and PTT(mmHg)

也有研究從PPG 信號和心電信號中提取了5 個參數(shù)，分別為：心電R 波峰值點至PPG 一階導數(shù)最大值點的脈搏波傳播時間（PTT_dp）、心電R 波峰值點至PPG信號起點的脈搏波傳播時間（PTT_foot）、心臟收縮時間（Sys t1）、心臟舒張時間（Dia t2）、2/3脈搏波振幅寬度（2/3 wt）［17］。通過相關(guān)性分析及對建立的一元線性模型進行誤差分析，證明使用Dia t2 比使用PTT_dp或PTT_foot進行血壓估計的精度更高。

2.1.2 多元線性回歸模型血壓的形成及影響因素復雜，僅用單一特征參數(shù)無法很好地描述血壓的形成及變化，針對此問題，許多研究者對血壓的多元線性回歸模型進行了研究。僅提取脈搏波特征參數(shù)或提取脈搏波特征參數(shù)及其他相關(guān)參數(shù)如脈搏波傳導時間和心率等，經(jīng)過簡單相關(guān)性分析或逐步回歸分析等方法選擇多個與血壓相關(guān)性較大的參數(shù)，建立多元線性回歸方程，進行血壓的測量。其模型為：

其中，P為因變量，為Q1，Q2，…，Qm的線性函數(shù)；Q1，Q2，…，Qm為自變量；β0為常數(shù)項；β1，β2，…，βm為偏回歸系數(shù)；e為殘差。

有研究從PPG 信號及心音信號中提取了脈搏波傳導時間PWTTPCG、每搏心輸出量Z、脈搏波波形系數(shù)K、升支平均斜率k、上升支波圖與整體波圖面積比值S、脈率HR 等參數(shù)，然后通過建立多元線性回歸模型進行血壓的估計［18］?；赑WTTPCG的單一參數(shù)血壓計算模型和多脈搏波參數(shù)的人體血壓計算模型計算得到每組測試者的血壓值與實測值的平均誤差見表2。對54 名測試者按照年齡段分成3 組，第一組年齡22～30 歲，共24 名測試者（14 名男性，10 名女性）；第二組年齡31～40 歲，共15 名測試者（9 名男性，6名女性）；第三組年齡41～46歲，共15名測試者（9名男性，6 名女性）。該研究結(jié)果顯示，與單一參數(shù)的人體血壓計算模型相比較，基于多脈搏波參數(shù)的人體血壓計算模型在收縮壓和舒張壓測量中具有更高的準確性。但該研究在選擇參數(shù)時僅用簡單相關(guān)性分析，選出的參數(shù)可能具有多重共線性。

表2 計算得到的血壓值與實測值的平均誤差（mmHg）Tab.2 Average error between calculated and measured blood pressures(mmHg)

有研究提取了人體肱動脈脈搏波的13 個特征參數(shù)，包括時間參數(shù)、幅度參數(shù)和面積參數(shù)，通過逐步回歸分析，得到具有個體差異性且與血壓相關(guān)性較好的參數(shù)，由此建立針對個體的不同的血壓特征方程［19］。在選擇參數(shù)時采用逐步回歸分析，可以保證留在模型中的特征參數(shù)既是重要的，且沒有嚴重多重共線性，該方法建立的模型仍具有個體差異性。

有研究者對逐步回歸法進行了改進，提出動態(tài)估計方法，通過改進的逐步回歸算法動態(tài)實時估計連續(xù)血壓［10］。通過設(shè)置滑動窗口，估計某時刻的血壓時，選擇該時刻前面最近的n組值做訓練，逐步回歸法做特征選擇，估計該時刻的血壓。通過該動態(tài)估計方法，可以進一步提高血壓監(jiān)測的精度和準確性。

前述研究中建立的模型多具有個體差異性，對不同人群進行血壓測量時需要重新進行校準，建立的模型不具有普適性。針對目前利用脈搏波特征參數(shù)無法準確計算出病理如高血壓、低血壓的問題，可在選取特征參數(shù)時利用主成分分析法，對特征參數(shù)矩陣進行降維處理，基于較大的數(shù)據(jù)庫建立多級血壓計算模型，并通過逐步逼近縮小線性回歸用到的樣本區(qū)間，建立基于脈搏波特征參數(shù)計算血壓的普適算法［20］。

2.2 神經(jīng)網(wǎng)絡(luò)模型

基于脈搏波特征參數(shù)的神經(jīng)網(wǎng)絡(luò)血壓模型是通過選擇脈搏波特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入，訓練神經(jīng)網(wǎng)絡(luò)模型以進行血壓的估算。選擇的特征參數(shù)包括基本的脈搏波特征參數(shù)如時間參數(shù)、幅值參數(shù)和面積參數(shù)等，以及由脈搏波特征參數(shù)分解得到的特征參數(shù)或者整個脈搏波的波形數(shù)據(jù)。

血壓的形成因素比較復雜，僅僅使用線性模型無法很好地描述出各參數(shù)與血壓之間的非線性關(guān)系。為了使得模型更加接近實際，以達到更高的測量精度及更寬泛的適用范圍，許多研究者引入神經(jīng)網(wǎng)絡(luò)模型以描述血壓與脈搏波特征參數(shù)之間的非線性關(guān)系。常用的神經(jīng)網(wǎng)絡(luò)包括前向神經(jīng)網(wǎng)絡(luò)如反向傳播（Back-Propagation,BP）神經(jīng)網(wǎng)絡(luò)［21-24］以及反饋型神經(jīng)網(wǎng)絡(luò)如簡單RNN［25］、LSTM 模型［26］及Elman神經(jīng)網(wǎng)絡(luò)［27］等。

為解決使用線性模型不能很好地描述血壓與脈搏波特征參數(shù)的非線性關(guān)系的問題，有研究者提出使用神經(jīng)網(wǎng)絡(luò)與脈搏波信號特征結(jié)合的方法來建立連續(xù)血壓測量模型［26，28］。文獻［28］從脈搏波信號中提取了21個脈搏波時間參數(shù)，用于訓練BP神經(jīng)網(wǎng)絡(luò)。通過與血壓的線性回歸模型進行對比研究發(fā)現(xiàn)，僅僅使用舒張時間與血壓之間的線性回歸模型無法達到美國醫(yī)療器械促進協(xié)會（AAMI）的要求，而使用BP神經(jīng)網(wǎng)絡(luò)模型則能達到較高的精度，該模型預測的收縮壓和舒張壓為（3.80±3.46）和（2.21±2.09）mmHg，均滿足AAMI標準。

前饋型神經(jīng)網(wǎng)絡(luò)雖然考慮了脈搏波特征參數(shù)與血壓之間的非線性關(guān)系，但未考慮脈搏信號的時序連續(xù)性，即在建立的血壓模型中未考慮到上一時刻脈搏信號的搏動對于后續(xù)血壓的影響。為克服前饋型神經(jīng)網(wǎng)絡(luò)的這一缺點，有研究者將反饋型神經(jīng)網(wǎng)絡(luò)用于血壓估算［25，27］。文獻［27］選取脈搏波形起點、峰值點、降中峽這3個特征點作為連續(xù)血壓預測模型的特征輸入，利用反饋型Elman神經(jīng)網(wǎng)絡(luò)模型建立連續(xù)血壓測量模型，并選用MIMIC 數(shù)據(jù)庫中的大量數(shù)據(jù)來驗證Elman神經(jīng)網(wǎng)絡(luò)的血壓非線性預測能力，將其與BP 神經(jīng)網(wǎng)絡(luò)進行對比分析發(fā)現(xiàn)，Elman 神經(jīng)網(wǎng)絡(luò)在連續(xù)血壓測量的準確度和預測精度方面都有一定的提高。

上述研究仍然存在特征點難以提取及模型不具備普適性等問題。針對此問題，有研究者提出一種新型卷積遞歸神經(jīng)網(wǎng)絡(luò)血壓模型CRNN-BP［29］。該模型混合卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)。使用一維卷積對各心動周期脈搏波的波形特征進行自動提取，不再依賴對波形特征點的定位，對不同形態(tài)的脈搏波波形具備普適性。使用遞歸網(wǎng)絡(luò)層依據(jù)連續(xù)心動周期血壓變化關(guān)系對波形特征進行校正，可減少個別心動周期波形受到干擾而影響血壓預測精度的問題。通過MIMIC數(shù)據(jù)庫中大量數(shù)據(jù)對該算法進行驗證，結(jié)果顯示與卷積神經(jīng)網(wǎng)絡(luò)血壓（CNN-BP）模型相比，CRNN-BP模型的魯棒性和精度更高。其預測收縮壓和舒張壓為（2.71±3.40）和（1.41±1.90）mmHg，達到了很好的精度和準確性。

3 總結(jié)與展望

當前基于脈搏波特征參數(shù)的無創(chuàng)連續(xù)血壓監(jiān)測尚處于實驗室研究階段，尚未有成熟的產(chǎn)品。使用脈搏波特征參數(shù)與血壓建立的回歸方程不能夠從本質(zhì)上反映脈搏波與血壓變化的相關(guān)關(guān)系，也沒有一個完整的數(shù)學模型能反映血壓與脈搏波特征參數(shù)之間的關(guān)系［30］。因而當前只能采用統(tǒng)計學方法對其進行研究，如線性回歸分析、神經(jīng)網(wǎng)絡(luò)方法等。

本研究總結(jié)了當前基于脈搏波特征參數(shù)的無創(chuàng)連續(xù)血壓測量模型。主要包括一元線性回歸模型、多元線性回歸模型和神經(jīng)網(wǎng)絡(luò)模型。一元線性模型是通過提取脈搏波中與血壓相關(guān)性最大的特征參數(shù)與血壓建立回歸模型，由于選取的參數(shù)單一，而血壓的形成及影響因素較為復雜，一元模型不能很好地表征這種相關(guān)關(guān)系。進而有研究者引入了多元線性回歸模型，選擇多個與血壓相關(guān)性大的參數(shù)與血壓進行回歸分析，進行血壓估算，但這種模型仍難以描述脈搏波特征參數(shù)與血壓之間的復雜非線性關(guān)系。

建立血壓與脈搏波特征參數(shù)之間的非線性模型，并將神經(jīng)網(wǎng)絡(luò)模型引入血壓估算中，能夠達到較好的結(jié)果。當前建立的各種神經(jīng)網(wǎng)絡(luò)模型多具有個體差異性，對于不同的測量者建立的模型是不一樣的。針對當前研究存在的問題，以后的研究方向是：（1）脈搏波及其脈搏波特征參數(shù)的準確提取，以減小數(shù)據(jù)源誤差，提高血壓測量精度；（2）普適性的血壓模型研究，使得模型能夠用于健康人、高血壓和低血壓患者的血壓測量；（3）與侵入性血壓之間的臨床對比研究，以確定其臨床實際精度和準確性。