基于多波長脈搏波的血壓預(yù)測方法

摘要：為便于對高血壓患者進(jìn)行長期血壓監(jiān)測，提出一種基于多波長脈搏波的血壓預(yù)測方法。首先，利用多波長脈搏波信號(hào)采集系統(tǒng)獲取多波長脈搏波信號(hào)，并從中推導(dǎo)出脈搏傳導(dǎo)時(shí)間；然后，結(jié)合多波長脈搏波的其他特征構(gòu)建特征向量矩陣；并利用Lasso回歸先對特征向量矩陣進(jìn)行篩選，再進(jìn)行血壓預(yù)測。實(shí)驗(yàn)結(jié)果表明，該方法準(zhǔn)確性較高，預(yù)測收縮壓、舒張壓的平均絕對誤差分別為4.92、5.68"mmHg，標(biāo)準(zhǔn)差分別為6.15、6.68"mmHg，可作為血壓測量的有效補(bǔ)充方法。

關(guān)鍵詞：多波長脈搏波；血壓預(yù)測；Lasso回歸；脈搏傳導(dǎo)時(shí)間

中圖分類號(hào)：R318; TP181"""""""""文獻(xiàn)標(biāo)志碼：A""""""""文章編號(hào)：1674-2605（2025）01-0007-06

DOI：10.3969/j.issn.1674-2605.2025.01.007"""""""""""""""""""""開放獲取

Blood Pressure Prediction Method Based on Multi-wavelength Pulse Wave

GUO"Bin""YANG"Qiyu

（Guangdong University of Technology， Guangzhou 510006， China）

Abstract： To facilitate long-term blood pressure monitoring of hypertensive patients， a blood pressure prediction method based on multi wavelength pulse wave is proposed. Firstly， using a multi wavelength pulse wave signal acquisition system to obtain multi wavelength pulse wave signals， and deriving pulse transit time from them. Then， a feature vector matrix is constructed by combining other features of multi wavelength pulse wave， and use Lasso regression to screen the feature vector matrix first， and then perform blood pressure prediction. The experimental results show that this method has high accuracy， with average absolute errors of 4.92 and 5.68 mmHg in predicting systolic and diastolic blood pressure， and standard deviations of 6.15 and 6.68 mmHg， respectively. It can be used as an effective supplementary method for blood pressure measurement.

Keywords："multi-wavelength pulse wave; blood pressure prediction; Lasso regression; pulse transit time

0 引言

心血管疾病嚴(yán)重危害人類的生命健康，每年造成約1"040萬人死亡^[1]。高血壓不僅是心血管疾病的主要病因之一，還可能對心臟、大腦、腎臟、視網(wǎng)膜等器官造成傷害，甚至引發(fā)心肌梗死、腦出血、腎衰竭等危重癥狀^[2]。近年來，隨著人口老齡化、肥胖等因素的影響，全球高血壓患者數(shù)量呈上升趨勢。根據(jù)世界衛(wèi)生組織的報(bào)告，在過去30年里，高血壓患者的數(shù)量翻了一番，目前已超過12億人^[3]。對高血壓患者進(jìn)行長期、準(zhǔn)確的血壓監(jiān)測，可以幫助臨床醫(yī)生更好

地診斷病情。

脈搏波是心臟收縮引起的血液脈沖在動(dòng)脈傳播過程中產(chǎn)生的波動(dòng)。光電容積脈搏波描記法（photo plethysmo graphy，"PPG）是一種低成本、無創(chuàng)、簡單的生理信號(hào)檢測方法，用于獲取外周部位（指尖、耳垂和腳趾等）的動(dòng)脈心血管信號(hào)。通過PPG信號(hào)可獲得與血壓相關(guān)的重要臨床參數(shù)，如心率（heart rate，"HR）、脈搏傳導(dǎo)時(shí)間（pulse transit"time，"PTT）、脈沖波速（pulse wave velocity， PWV）等。

近年來，PPG信號(hào)表征和分析的相關(guān)研究已有報(bào)

道^[4-6]，文獻(xiàn)[7]采用嵌入式設(shè)備從單個(gè)傳感器節(jié)點(diǎn)獲取多波長光電容積脈搏波（multi-wavelength PPG， MVPPG）信號(hào)，并從中提取小動(dòng)脈PTT來預(yù)測血壓，相較于傳統(tǒng)基于PTT的血壓預(yù)測方法準(zhǔn)確性更高；但該方法需要對每個(gè)個(gè)體建立模型，應(yīng)用范圍較為局限。文獻(xiàn)[8]采用與文獻(xiàn)[7]相同的方法獲取MVPPG信號(hào)，利用不同波長PPG信號(hào)之間的相位不相干特性建立血壓線性模型，但該模型使用的特征較為單一，其預(yù)測準(zhǔn)確性還有較大提升空間。

針對現(xiàn)有研究存在的問題，本文提出一種基于多波長脈搏波的血壓預(yù)測方法。該方法將從MVPPG信號(hào)中提取出的PTT特征、PPG信號(hào)特征與Lasso回歸相結(jié)合，對血壓進(jìn)行長期、準(zhǔn)確地預(yù)測。

1 相關(guān)理論基礎(chǔ)

1.1 "MVPPG信號(hào)

MVPPG信號(hào)是指利用多個(gè)波長的光獲取的脈搏波信號(hào)。因?yàn)槠つw具有層狀結(jié)構(gòu)，所以不同波長的光進(jìn)入皮膚的穿透深度不同，導(dǎo)致光學(xué)接收器產(chǎn)生的PPG信號(hào)也不同。將不同的PPG信號(hào)在時(shí)間軸上對齊，即可獲取MVPPG信號(hào)。一組典型的MVPPG信號(hào)如圖1所示。

如圖1所示，MVPPG信號(hào)不僅存在信號(hào)強(qiáng)度差異，還存在相位差，這是因?yàn)樾呐K產(chǎn)生的血液脈沖沿血管傳播時(shí)，在不同時(shí)間依次到達(dá)外周動(dòng)脈、小動(dòng)脈和毛細(xì)血管。因此，MVPPG信號(hào)相較于PPG信號(hào)，可以從更多維度來反映人體的信息，在醫(yī)療監(jiān)測和生理學(xué)研究中具有重要意義。

1.2""PTT模型

2 預(yù)測方法及原理

2.1 MVPPG信號(hào)采集

MAX30101是一款用于監(jiān)測脈搏血氧飽和度與HR的集成模塊。本文將2個(gè)MAX30101模塊分別置于右手食指的近掌骨指節(jié)和遠(yuǎn)掌骨指節(jié)處，用于獲取這2個(gè)位置的MVPPG信號(hào)。每個(gè)位置的MVPPG信號(hào)均包括紅外光PPG信號(hào)、紅光PPG信號(hào)和綠光PPG信號(hào)。

STM32F103主控芯片用于數(shù)據(jù)的緩存及傳輸，其通過I²C通信協(xié)議與MAX30101模塊連接，通過串口將緩存數(shù)據(jù)傳輸至QT上位機(jī)。

QT上位機(jī)在Intel i5 13600KF上搭建Windows 10操作系統(tǒng)，并采用QT 5.12.10軟件編寫界面，能夠可視化采集的MVPPG信號(hào)，丟棄波動(dòng)較大的MV-PPG信號(hào)。

2.2 MVPPG信號(hào)預(yù)處理及特征選取

通過對MVPPG信號(hào)進(jìn)行預(yù)處理，可提取有用特征，去除噪聲干擾。本文采用0.5～5 Hz的二階Butter-worth帶通濾波器，去除采集MVPPG信號(hào)時(shí)，因呼吸或肌肉震顫而引起的基線漂移和高頻噪聲。

血壓預(yù)測采用的特征主要分為三部分：第一部分主要包括年齡、BMI指數(shù)、HR、血氧值，如表1所示；第二部分主要包括由MVPPG信號(hào)獲取的PTT，以及其與HR相關(guān)的數(shù)學(xué)運(yùn)算，如表2所示；第三部分主要包括MVPPG信號(hào)及其一階導(dǎo)數(shù)、二階導(dǎo)數(shù)的重要特征，如表3所示，特征獲取示意圖如圖4所示。

第三部分特征分別提取2個(gè)采集點(diǎn)的紅外光PPG信號(hào)、紅光PPG信號(hào)和綠光PPG信號(hào)等6種PPG信號(hào)的10個(gè)特征，共60個(gè)特征。將這60個(gè)特征與表1、2的13個(gè)特征融合，形成73維的特征向量矩陣X，用于血壓預(yù)測。

2.3""Lasso回歸

最小絕對收縮和選擇算法（least absolute shrink-age and selection operator， Lasso）回歸是一種線性回歸的正則化方法，可解決線性回歸面臨的過擬合問題。MVPPG信號(hào)比PPG信號(hào)增加了更多維度，引入了更多特征。Lasso回歸通過在損失函數(shù)中引入L1正則化項(xiàng)，使模型權(quán)重向量中的部分權(quán)重為零，從而實(shí)現(xiàn)多重特征選擇。

本文利用Lasso回歸模型來完成特征篩選和血壓預(yù)測。采用兩次迭代的方法生成Lasso回歸模型參數(shù)用于最終的血壓預(yù)測：第一次迭代記錄Lasso回歸生成的參數(shù)向量，保留權(quán)重系數(shù)較大的特征向量，移除權(quán)重系數(shù)較小的特征向量；第二次迭代使用第一次迭代更新后的特征向量矩陣，重新訓(xùn)練Lasso模型參數(shù)，完成對SBP、DBP的預(yù)測，并計(jì)算SBP、DBP的預(yù)測值與實(shí)際值的平均絕對誤差，得到最終的實(shí)驗(yàn)結(jié)果。血壓預(yù)測流程圖如圖5所示。

3 "實(shí)驗(yàn)

3.1 "實(shí)驗(yàn)設(shè)置

本實(shí)驗(yàn)數(shù)據(jù)來源于MVPPG信號(hào)采集系統(tǒng)采集的實(shí)驗(yàn)室人員26組MVPPG信號(hào)，采樣率為500 Hz。DBP范圍為62～96 mmHg，SBP范圍為96～134 mmHg，血壓值分布如圖6所示。

實(shí)驗(yàn)硬件環(huán)境為Intel i5 13600KF處理器，操作系統(tǒng)為Windows 10，內(nèi)存為32 GB，軟件環(huán)境為MATLAB R2021a版本。本實(shí)驗(yàn)利用歐姆龍血壓計(jì)測量的SBP、DBP作為參考血壓。

3.2""實(shí)驗(yàn)結(jié)果及分析

為驗(yàn)證本文提出的基于多波長脈搏波的血壓預(yù)測方法的有效性，將其與多元線性回歸^[12]、決策樹^[13]、基于PPG信號(hào)的Lasso回歸^[14]3種方法進(jìn)行血壓預(yù)測對比實(shí)驗(yàn)。血壓預(yù)測常用的評價(jià)指標(biāo)有平均絕對誤差（mean absolute error，"MAE）和標(biāo)準(zhǔn)差（standard deviat-ion，"STD），其值越小，代表預(yù)測值越接近于真實(shí)值。美國醫(yī)療器械發(fā)展協(xié)會(huì)規(guī)定，血壓測量儀器的MAE應(yīng)小于5"mmHg，STD應(yīng)小于8"mmHg^[5]。

由于數(shù)據(jù)樣本較少，為確保實(shí)驗(yàn)結(jié)果的可靠性，采用26折交叉驗(yàn)證，并取其平均值作為最終結(jié)果，如表4所示。

由表4可以看出：本文方法相較于多元線性回歸、決策樹與基于PPG信號(hào)的Lasso回歸方法，SBP的預(yù)測準(zhǔn)確性更高，DBP的預(yù)測準(zhǔn)確性還有提升空間；且與基于PPG信號(hào)的Lasso回歸采用233個(gè)特征進(jìn)行血壓預(yù)測相比，本文方法在特征數(shù)（73）更少的情況下，SBP的預(yù)測準(zhǔn)確性更高，證明了本文方法的有效性。

4 "結(jié)論

本文提出一種基于多波長脈搏波的血壓預(yù)測方法。該方法將MVPPG信號(hào)與Lasso回歸相結(jié)合，有效提高了血壓預(yù)測的準(zhǔn)確性，可用于無袖套、長期血壓預(yù)測。但本文使用的數(shù)據(jù)集數(shù)據(jù)量較少，未來需要包含更多MVPPG信號(hào)的數(shù)據(jù)集進(jìn)行進(jìn)一步驗(yàn)證。

?The author（s） 2024. This is an open access article under the CC BY-NC-ND 4.0 License （https：//creativecommons.org/licenses/ by-nc-nd/4.0/）

參考文獻(xiàn)

[1] ZHOU B， PEREL P， MENSAH G A， et al. Global epidemiology， health burden and effective interventions for elevated blood pressure and hypertension[J]. Nature Reviews Cardiology， 2021， 18（11）：785-802.

[2] SUVILA K， NIIRANEN T J. Interrelations between high blood pressure， organ damage， and cardiovascular disease： no more room for doubt[J]. Hypertension， 2022，79（3）：516-517.

[3] ZHOU B， CARRILLO-LARCO R M， DANAEI G， et al. Worldwide trends in hypertension prevalence and progress in treatment and control from 1990 to 2019： a pooled analysis of 1201 population-representative studies with 104 million partici-pants[J]. The Lancet， 2021，398（10304）：957-980.

[4] LOH H W， XU S， FAUST O， et al. Application of photoplethys-mography signals for healthcare systems： An in-depth review[J]. Computer Methods and Programs in Biomedicine， 2022，216： 106677.

[5] QIN C， WANG X， XU G， et al. Advances in Cuffless Continu-ous Blood Pressure Monitoring Technology Based on PPG Signals[J]. BioMed Research International， 2022，2022（1）：809-4351.

[6] CHARLTON P H， PALIAKAIT? B， PILT K， et al. Assessing hemodynamics from the photoplethysmogram to gain insights into vascular age： A review from VascAgeNet[J]. American Journal of Physiology-Heart and Circulatory Physiology， 2022， 322（4）：493-522.

[7] LIU J， YAN B P， ZHANG Y T， et al. Multi-wavelength photoplethysmography enabling continuous blood pressure measurement with compact wearable electronics[J]. IEEE Tran-sactions on Biomedical Engineering， 2018，66（6）：1514-1525.

[8]"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(jì)算機(jī)應(yīng)用，2021.41（S2）：351-356.

[9] LAZAZZERA R， BELHAJ Y， CARRAULT G. A new wearable device for blood pressure estimation using photoplethysmo-gram[J]. Sensors， 2019，19（11）：2557.

[10] KIM S C， CHO S H. Blood pressure estimation algorithm based on photoplethysmography pulse analyses[J]. Applied Sciences， 2020，10（12）：4068.

[11] BOTE J M， RECAS J， HERMIDA R. Evaluation of blood pressure estimation models based on pulse arrival time[J]. Computers amp; Electrical Engineering， 2020，84：106616.

[12] HADDAD S， BOUKHAYMA A， CAIZZONE A. Continuous PPG-based blood pressure monitoring using multi-linear re-gression[J]. IEEE Journal of Biomedical and Health Informa-tics， 2021，26（5）：2096-2105.

[13] HASANZADEH N， AHMADI M M， MOHAMMADZADE H. Blood pressure estimation using photoplethysmogram signal and its morphological features[J]. IEEE Sensors Journal， 2019，20（8）：4300-4310.

[14] DEY J， GAURAV A， TIWARI V N. InstaBP： Cuff-less blood pressure monitoring on smartphone using single PPG sensor [C]//2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society （EMBC）. IEEE， 2018：5002-5005.

作者簡介：

郭彬，男，1999年生，碩士研究生，主要研究方向：生物醫(yī)藥信號(hào)處理。E-mail： 2300795815@qq.com

楊其宇，男，1977年生，博士研究生，副教授，主要研究方向：生物醫(yī)藥信號(hào)處理。E-mail："yangqiyu@gdut.edu.cn