基于PPG信號的無袖帶式血壓估計算法研究

摘" 要：針對傳統(tǒng)的日常血壓監(jiān)測方法大都屬于間斷性監(jiān)測，無法全面評估血壓這一動態(tài)生理參數(shù)的問題，進(jìn)行基于PPG信號的無袖帶式血壓估計算法研究。首先，從PPG信號及其導(dǎo)數(shù)中提取32個時域和頻域特征；然后，利用Pearson相關(guān)系數(shù)對特征進(jìn)行評價；接著，結(jié)合啟發(fā)式搜索方法篩選出最優(yōu)特征子集；最后，通過隨機(jī)森林模型預(yù)測受試者的動態(tài)血壓值。經(jīng)實(shí)驗(yàn)驗(yàn)證，基于PPG信號的無袖帶式血壓估計算法滿足AAMI標(biāo)準(zhǔn)，且DBP達(dá)到了BHS標(biāo)準(zhǔn)的A等級，SBP達(dá)到了BHS標(biāo)準(zhǔn)的B等級。

關(guān)鍵詞：高血壓；PPG；隨機(jī)森林

中圖分類號：TP391.4" " 文獻(xiàn)標(biāo)識碼：A" 文章編號：2096-4706（2024）10-0138-05

Research on Cuff-less Blood Pressure Estimation Algorithm Based on PPG Signal

LI Zhongde， QIN Caijie， LI Yong

（Sanming University， Sanming" 365004， China）

Abstract： Aiming at the problem that traditional daily blood pressure detection methods are mostly intermittent detection， which can not comprehensively evaluate the dynamic physiological parameter of blood pressure， this paper conducts to research the cuff-less blood pressure estimation algorithm based on PPG signal. Firstly， 32 features in the time and frequency domains are extracted from the PPG signal and its derivatives. Then， the Pearson correlation coefficient is used to evaluate the features， and the heuristic search method is adopted to screen out the optimal feature subset. Finally， the Random Forest model is employed to predict the blood pressure of the subject. The experimental results show that the cuff-less blood pressure estimation algorithm based on PPG signal meets the AAMI standard， while the DBP reaches grade A of the BHS standard， and the SBP reaches grade B of the BHS standard.

Keywords： hypertension; PPG; Random Forest

0" 引" 言

近年來，心腦血管疾病的患病率呈逐年上升的趨勢，而高血壓是心腦血管疾病最主要的誘發(fā)因素之一[1]。高血壓患者的早期癥狀并不明顯，需要患者進(jìn)行日常監(jiān)控和自我管理，以遏制高血壓疾病的發(fā)展。傳統(tǒng)的血壓監(jiān)測方法包括動脈插管法、聽診法、示波法、容積補(bǔ)償法等。其中，動脈插管法能夠獲得連續(xù)精準(zhǔn)的血壓值，但對患者的損傷較大，適合重癥患者的監(jiān)測；聽診法和示波法是目前常用的兩種血壓監(jiān)測方法，都屬于間斷式監(jiān)測，且袖帶充放氣過程會給患者帶來不適，不適合新生兒、皮膚損傷以及臂圍過大的患者；容積補(bǔ)償法可實(shí)現(xiàn)血壓的連續(xù)監(jiān)測，但硬件系統(tǒng)較復(fù)雜，成本較高，不適合家庭的日常血壓監(jiān)測。

人體血壓是一個動態(tài)的生理參數(shù)，具有晝夜節(jié)律，容易受情緒變化或外界刺激而產(chǎn)生波動[2]?，F(xiàn)有的間斷式監(jiān)測方法無法全面評估人體血壓，急需無創(chuàng)的連續(xù)血壓監(jiān)測方法。光電容積脈搏波描記法（Photo Plethysmo Graphy， PPG）是一種無創(chuàng)的光學(xué)檢測技術(shù)，可記錄由心臟收縮引起的皮膚下血管組織中血容量的變化。血容量在心臟搏動作用下呈脈動性變化，因此PPG信號中包含豐富的心血管生理信息，常被用來評估血氧、心率、呼吸率、血糖等表示血壓動力學(xué)的參數(shù)[3-6]。且PPG所需的硬件結(jié)構(gòu)簡單、成本低、無創(chuàng)、便攜，適用于低功耗的可穿戴設(shè)備。因此本文采用基于指端的PPG信號，消除了傳統(tǒng)袖帶式血壓檢測的束縛，屬于無袖帶式血壓檢測模式。并結(jié)合機(jī)器學(xué)習(xí)算法，對血壓進(jìn)行連續(xù)估計，輸出收縮壓（systolic pressure， SBP）和舒張壓（distolic pressure， DBP）的值。

1" 研究現(xiàn)狀

傳統(tǒng)的連續(xù)血壓預(yù)測方法包括基于脈搏波傳輸時間和基于脈搏波特征參數(shù)的方法。

1.1" 基于脈搏波傳輸時間的連續(xù)血壓預(yù)測方法

血壓與脈搏波傳輸速度相關(guān)[7]，而脈搏波傳輸速度可通過脈搏波傳輸時間（Pulse Transit Time， PTT）來計算。PTT通過計算不同動脈部位的兩路PPG信號，或者PPG和心電信號（Electro Cardio Gram， ECG）信號的傳輸時間差來獲得。

Kim等[8]通過測量手指不同部位的兩路PPG信號波峰的時間差，利用回歸公式計算血壓，獲得了約5%的誤差率。Sagirova等[9]通過計算ECG的R峰與PPG波峰的時間間隔，并基于線性回歸方法獲得SBP和DBP，得到SBP、DBP的誤差分別為0.32±3.63 mmHg、0.61±2.95 mmHg。

基于脈搏波傳輸時間的連續(xù)血壓預(yù)測方法需要同時采集兩路生理信號，患者需佩戴多個傳感器，增加了設(shè)備的復(fù)雜度；同時，兩路生理信號需要對齊配準(zhǔn)，增加了該方法的使用難度。

1.2" 基于脈搏波特征參數(shù)的連續(xù)血壓預(yù)測方法

基于脈搏波特征參數(shù)的連續(xù)血壓預(yù)測方法需要先提取PPG信號的形態(tài)特征，再利用機(jī)器學(xué)習(xí)的方法建立血壓預(yù)測模型。

Chen等[10]從MIMIC公開數(shù)據(jù)集的PPG信號和ECG信號中，提取PTT、心率、K值等14個特征，并采用支持向量機(jī)回歸方法，引入MIV特征選擇方法和GA參數(shù)優(yōu)化方法進(jìn)行特征選擇，得到的SBP、DBP誤差分別為3.27±5.52 mmHg、1.16±1.97 mmHg。Thambiraj等[11]從MIMIC公開數(shù)據(jù)集的PPG和ECG信號中，提取脈沖傳輸時間、Womersley參數(shù)、基于ECG的特征和基于PPG的特征等43個特征，對比了5種常用的機(jī)器學(xué)習(xí)建模方法，結(jié)合特征選擇的隨機(jī)森林回歸模型獲得了最優(yōu)性能，SBP、DBP的誤差分別為9.54 mmHg、5.48 mmHg。El-Hajj等[12]從PPG信號及其導(dǎo)數(shù)中提取52個特征，經(jīng)過特征選擇后減少到24個，采用由LSTM和GRU組成的RNN模型的變體，在MIMIC公開數(shù)據(jù)集上獲得的SBP、DBP誤差分別為4.51±7.81 mmHg、2.6±4.41 mmHg。

基于脈搏波特征參數(shù)的連續(xù)血壓預(yù)測方法可深度挖掘PPG信號中與血壓相關(guān)的特征，采用的機(jī)器學(xué)習(xí)模型輕量化，適合部署在可穿戴設(shè)備上。很多連續(xù)血壓預(yù)測研究采用了PPG信號結(jié)合ECG信號的方法，確實(shí)能夠引入更多的生理信息，提高模型精度。但該方法需要兩種傳感器，難以部署到智能手機(jī)等硬件受限制的移動設(shè)備上，且兩類信號還存在對齊配準(zhǔn)等難點(diǎn)。

為此，本文從PPG信號及其導(dǎo)數(shù)中提取32個時域和頻域特征，采用Pearson相關(guān)系數(shù)對特征進(jìn)行評價，結(jié)合啟發(fā)式搜索方法篩選出最優(yōu)特征子集，利用隨機(jī)森林模型預(yù)測動態(tài)血壓值。

2" 材料與方法

2.1" 數(shù)據(jù)集

本文利用CMS 50E脈搏血氧儀采集15名健康受試者指端的PPG信號，采集頻率為60 Hz，并通過PC端同步存儲采集的PPG信號。同時，利用歐姆龍袖帶式電子血壓計采集這些受試者的血壓，作為收縮壓和舒張壓的參考值。在靜息狀態(tài)下，健康受試者的血壓值一般會保持穩(wěn)定。為了驗(yàn)證本文提出的連續(xù)血壓估計模型的準(zhǔn)確性，設(shè)計了適度運(yùn)動，如平穩(wěn)走路、不同運(yùn)動量的爬樓梯等，改變受試者的血壓，獲得每個受試者不同的血壓參考值。受試者指端PPG信號和血壓采集方案時序圖如圖1所示。

2.2" 數(shù)據(jù)預(yù)處理

2.2.1" 濾波處理

PPG信號是一種微弱的電信號，易受基線漂移、工頻干擾等噪聲影響，導(dǎo)致信號形態(tài)的改變，影響后續(xù)的模型分析，因此需對PPG信號進(jìn)行濾波降噪處理?？紤]到基線漂移和工頻干擾在頻譜上分別表現(xiàn)為低頻和高頻的成分，本文采用四階的巴特沃斯帶通濾波器進(jìn)行濾波，濾波器的截止頻率為0.5～40 Hz。

2.2.2" 分割處理

每次采集30 s的PPG信號及其對應(yīng)的血壓參考值，截取中段5 s的PPG信號用于后續(xù)的波形特征提取。

2.2.3" 歸一化處理

為使模型訓(xùn)練過程更加穩(wěn)定并提高收斂速度，PPG信號在輸入機(jī)器學(xué)習(xí)模型前需進(jìn)行標(biāo)準(zhǔn)化。本文通過Min-Max方法去除PPG信號幅值量綱，使PPG信號幅值在[0，1]區(qū)間內(nèi)。

式中：ymax和ymin分別為該段信號的最大值和最小值。

PPG信號經(jīng)過以上預(yù)處理后，可獲得75個高質(zhì)量的PPG信號片段。PPG信號的一階導(dǎo)數(shù)速度光電容積脈搏波和二階導(dǎo)數(shù)加速度光電容積脈搏波中也包含了大量與血壓相關(guān)的生理信息[13，14]。為了豐富輸入的數(shù)據(jù)信息，本文將PPG及其一階導(dǎo)數(shù)速度光電容積脈搏波和二階導(dǎo)數(shù)加速度光電容積脈搏波共同納入輸入數(shù)據(jù)集，并按照4：1的比例劃分為訓(xùn)練集和測試集。

2.3" 特征提取

在提取特征之前，需要準(zhǔn)確定位每個PPG信號片段及其導(dǎo)數(shù)的基準(zhǔn)點(diǎn)，如波峰、波谷等。由于采集的PPG信號并不是完美的周期性波形，因此在定位基準(zhǔn)點(diǎn)時存在難度。本文采用HeartPy工具箱提供的自適應(yīng)峰值監(jiān)測算法[15]來定位波形的基準(zhǔn)點(diǎn)。

首先，采用不同的FIR濾波器和異常值檢測方案對PPG信號進(jìn)行預(yù)處理；然后，利用基于移動平均值的自適應(yīng)閾值和感興趣區(qū)域來檢測PPG信號的峰值，閾值根據(jù)瞬時心率和峰峰值間隔的標(biāo)準(zhǔn)偏差進(jìn)行調(diào)整；最后，通過離群值檢測來校正監(jiān)測的峰值。

PPG信號波形包含上升周期（Systolic Cycle）和下降周期（Diastolic Cycle）。PPG信號波形的形態(tài)學(xué)特征主要來自其振幅和寬度，如在原始的脈搏波上收縮壓的振幅與心脈搏輸出量有關(guān)[16]；PPG振幅一半處的寬度是總外周阻力的潛在指標(biāo)[17]；上升周期時間可用于區(qū)分心血管疾病等[18]。本文提取32個PPG信號及其導(dǎo)數(shù)的特征參數(shù)，特征參數(shù)的描述如表1所示。

2.4" 特征選擇

從PPG信號中提取的32個特征包括冗余特征和不相關(guān)特征，會增加模型的復(fù)雜度并引起過擬合的風(fēng)險。為平衡連續(xù)血壓估計模型的復(fù)雜度和準(zhǔn)確性，本文采用Pearson相關(guān)系數(shù)評估這32個特征。

Pearson相關(guān)系數(shù)可監(jiān)測兩個連續(xù)性變量之間的線性相關(guān)程度，其絕對值越大意味著線性相關(guān)程度越高。

式中：rx， y為x和y的相關(guān)系數(shù)，x和y分別為兩個連續(xù)性變量， 和" 分別為兩個連續(xù)性變量的均值。

Pearson相關(guān)系數(shù)排在前十的特征如圖2所示。

為了更好地篩選特征子集，根據(jù)特征的相關(guān)系數(shù)rx， y，利用啟發(fā)式搜索方法篩選最優(yōu)特征子集，特征選擇方法偽代碼如下：

輸入：數(shù)據(jù)集D = （x1，x2，…，xn），其中xi = （，，…，），特征集合為F = （ f1，f2，…，fd）

輸出：最優(yōu)特征子集S

1）初始化，，已選特征子集 ；

2）特征評估，對于每個特征f ∈ F，計算其Pearson相關(guān)系數(shù)，并根據(jù)相關(guān)系數(shù)值進(jìn)行降序排列，構(gòu)成的特征集合記為F′；

3）選擇Pearson相關(guān)系數(shù)值最大的特征fr max，令

F′ = F′ - { fr max}，S = S + { fr max}；

4）取F′中的下一個特征，如果為空，則算法停止，否則執(zhí)行下一步；

5）以所選擇的分類器的效果為判據(jù)J，從候選特征集合F′中按照評價標(biāo)準(zhǔn)排序選擇特征，假設(shè)當(dāng)前已選的特征子集為St，當(dāng)前判據(jù)值為Jt，依序從候選特征集合F′選中fi加入當(dāng)前特征子集St，即St+1 = St + {fi}，加入后所得的新判據(jù)值為Ji+1；若Jt+1＜Jt，則從St+1中刪除fi，并返回上一步；否則保留fi，并更新判據(jù)值，返回上一步繼續(xù)迭代；

6）最終所選的特征集合S即為最優(yōu)特征子集。

采用基于Pearson相關(guān)系數(shù)以及啟發(fā)式搜索方法篩選出的最優(yōu)特征子集包括13個特征，除圖2中的10個特征外，還有V、VW_VPG、VW_APG。

2.5" 機(jī)器學(xué)習(xí)模型

隨機(jī)森林可整合多棵決策樹并用來預(yù)測最終結(jié)果，模型示意圖如圖3所示。

隨機(jī)森林回歸（RFR）是隨機(jī)森林的重要應(yīng)用分支，它能夠建立輸入和輸出間的非線性關(guān)系、具有較強(qiáng)的抗過擬合能力、對訓(xùn)練的噪聲不敏感。針對以上特點(diǎn)并綜合項目的實(shí)際需求，本文采用RFR構(gòu)建血壓模型。

3" 實(shí)驗(yàn)結(jié)果

本文以最優(yōu)特征子集為輸入，采用隨機(jī)森林模型進(jìn)行連續(xù)血壓估計，得到的收縮壓和舒張壓預(yù)測結(jié)果分別如表2和表3所示。

美國醫(yī)療器械促進(jìn)協(xié)會（American association for the advancement of medical instrumentation， AAMI）制定的血壓誤差標(biāo)準(zhǔn)：收縮壓和舒張壓平均誤差小于5 mmHg，標(biāo)準(zhǔn)差小于8 mmHg [19]。但由于平均誤差和標(biāo)準(zhǔn)差易受異常值的影響，英國高血壓協(xié)會（British hypertension society， BHS）采用誤差介于5 mmHg、10 mmHg和15 mmHg范圍內(nèi)的累計百分比來評價血壓的監(jiān)測結(jié)果[20]。

由表2可以看出，本文算法預(yù)測的血壓值滿足了AAMI標(biāo)準(zhǔn)。由表3可以看出，本文算法預(yù)測的DBP達(dá)到了BHS標(biāo)準(zhǔn)的A等級，SBP達(dá)到了BHS標(biāo)準(zhǔn)的B等級。

此外，從實(shí)驗(yàn)結(jié)果可以看出，DBP的預(yù)測效果比SBP更好。因?yàn)镾BP的波動范圍比DBP大得多，導(dǎo)致了更高的預(yù)測誤差。

4" 結(jié)" 論

本文提出了一種基于PPG信號的無袖帶式連續(xù)血壓估計算法。通過從PPG信號及其導(dǎo)數(shù)中提取32個特征，深度挖掘與血壓相關(guān)的因素；采用Pearson相關(guān)系數(shù)對32個特征進(jìn)行評價，并結(jié)合啟發(fā)式搜索方法篩選出最優(yōu)特征子集；利用隨機(jī)森林模型對血壓值進(jìn)行估計。所提出的算法滿足AAMI標(biāo)準(zhǔn)，且DBP達(dá)到了BHS標(biāo)準(zhǔn)的A等級，SBP達(dá)到了BHS標(biāo)準(zhǔn)的B等級。所提出的算法僅使用有潛力的PPG信號，不需要同步采集兩路信號，減少了硬件的消耗，且所采用的模型易于部署在可穿戴設(shè)備上，為將來利用便攜式可穿戴設(shè)備進(jìn)行血壓預(yù)測提供了簡單有效的解決方案。

參考文獻(xiàn)：

[1] 鐘秀英.腦卒中患者的臨床護(hù)理 [J].中國校醫(yī)，2015，29（11）：864+866.

[2] KEI A，MICHIHIRO S，MASAHIRO K. Diurnal Blood Pressure Changes [J].Hypertens Res，2018，41（9）：669-678.

[3] KHAN M，PRETTY C G，AMIES A C，et al. Peripheral Venous Blood Oxygen Saturation can be Non-Invasively Estimated Using Photoplethysmography [J].Conf Proc IEEE Eng Med Biol Soc，2015，2015：6405-6408.

[4] SHAHID I，IMRAN S，USMAN A. Heart Rate Estimation in PPG Signals Using Convolutional-Recurrent Regressor A [J/OL].Comput Biol Med，2022，145：105470[2023-07-19].https：//doi.org/10.1016/j.compbiomed.2022.105470.

[5] JARCHI D，SALVI D，TARASSENKO L，et al. Validation of Instantaneous Respiratory Rate Using Reflectance PPG from Different Body Positions [J/OL].Sensors （Basel），2018，18（11）：3705（2018-10-31）.https：//doi.org/10.3390/s18113705.

[6] LI J J，QU Z P，WANG Y W，et al. Research on Multi-Parameter Fusion Non-Invasive Blood Glucose Detection Method Based on Machine Learning [J].Eur Rev Med Pharmacol Sci，2022，26（17）：6040-6049.

[7] 李嘉瑋，張勁，白中博，等.基于多波長光電容積脈搏波采集系統(tǒng)的連續(xù)血壓測量方法 [J].計算機(jī)應(yīng)用，2021，41（S2）：351-356.

[8] KIM S C，CHO S H. Blood Pressure Estimation Algorithm Based on Photoplethysmography Pulse Analyses [J/OL].Applied Sciences，2020，10（12）：4068（2020-06-12）.https：//doi.org/10.3390/app10124068.

[9] SAGIROVA Z，KUZNETSOVA N，GOGIBERIDZE N，et al. Cuffless Blood Pressure Measurement Using a Smartphone-Case Based ECG Monitor with Photoplethysmography in Hypertensive Patients [J/OL].Sensors （Basel），2021，21（10）：3525（2021-05-19）.https：//doi.org/10.3390/s21103525.

[10] CHEN S，JI Z，WU H，et al. A Non-Invasive Continuous Blood Pressure Estimation Approach Based on Machine Learning [J].Sensors （Basel），2019，19（11）：2585（2019-06-06）.https：//www.mdpi.com/1424-8220/19/11/2585.

[11] THAMBIRAJ G，GANDHI U，MANGALANATHAN U，et al. Investigation on the Effect of Womersley Number， ECG and PPG Features for Cuff Less Blood Pressure Estimation Using Machine Learning [J/OL].Biomedical Signal Processing and Control，2020，60：101942（2020-05-07）.https：//doi.org/10.1016/j.bspc.2020.101942.

[12] EL-HAJJ C，KYRIACOU P A. Cuffless Blood Pressure Estimation From PPG Signals and its Derivatives Using Deep Learning Models [J].Biomedical Signal Processing and Control，2021，70（8）：102984（2021-08-02）.https：//doi.org/10.1016/j.bspc.2021.102984.

[13] AHN J M. New Aging Index Using Signal Features of Both Photoplethysmograms and Acceleration Plethysmograms [J].Healthcare Informatics Research，2017，23（1）：53-59.

[14] BAEK H J，KIM J S，KIM Y S，et al. Second Derivative of Photoplethysmography for Estimating Vascular Aging [C]//2007 6th International Special Topic Conference on Information Technology Applications in Biomedicine.Tokyo：IEEE，2007：70-72.

[15] VAN GENT P，F(xiàn)ARAH H，VAN NES N，et al.HeartPy： a Novel Heart Rate Algorithm for the Analysis of Noisy Signals [J].TransportationResearchPartF： PsychologyandBehaviour，2019，66：368-378.

[16] MURRAY W B，F(xiàn)OSTER P A. The Peripheral Pulse Wave： Information Overlooked [J]. J. Clin. Monit，1996，12（5）：365-377.

[17] AWAD A A，HADDADIN A S，TANTAWY H，et al. The Relationship Between the Photoplethysmographic Waveform and Systemic Vascular Resistance [J].Journal of Clinical Monitoring and Computing，2007，21（6）：365-372.

[18] ALTY S，MILLASSEAU S，CHOWIENCZYK P，et al. Cardiovascular Disease Prediction Using Support Vector Machines [C]//2003 46th Midwest Symposium on Circuits and Systems.Cairo：IEEE，2003：376-379.

[19] Association for the Advancement of Medical Instrumentation. Manual， Electronic or Automated Sphygmomanometers ANSI：SP10-2002 [S].Arlington：AAMI，2003.

[20] EOIN O'B，JAMES P，WILLIAM L，et al. The British Hypertension Society Protocol for the Evaluation of Blood Pressure Measuring Devices [J].Journal of Hypertension，1993，11（6）：677-679.

作者簡介：黎鐘德（2000—），男，漢族，海南海口人，本科在讀，主要研究方向：人工智能；秦彩杰（1982—），女，漢族，山東煙臺人，副教授，碩士，主要研究方向：人工智能；李勇（1979—），男，漢族，山東濟(jì)南人，實(shí)驗(yàn)師，碩士，主要研究方向：多媒體技術(shù)與應(yīng)用、人工智能交叉應(yīng)用。