譚 霞,季 忠,2,張亞丹

(1.重慶大學(xué) 生物工程學(xué)院,重慶 400044；2.重慶市醫(yī)療電子工程技術(shù)中心,重慶 400044)

血壓是人體重要的生命體征之一，能直觀反映出人體心腦血管的功能狀況，是臨床上診斷疾病、觀察療效和預(yù)后判斷的重要依據(jù)。人體血壓受諸多因素如情緒、生理周期、身體狀況和外在環(huán)境等的影響，單次或間斷測(cè)量的結(jié)果存在較大差別，而連續(xù)測(cè)量可監(jiān)測(cè)每個(gè)心動(dòng)周期的血壓，因此其在臨床和醫(yī)學(xué)研究中具有極為重要的意義。

現(xiàn)有的無(wú)創(chuàng)連續(xù)血壓測(cè)量方法主要有動(dòng)脈張力法、容積補(bǔ)償法、脈搏波傳導(dǎo)時(shí)間法和脈搏波特征參數(shù)法，其中動(dòng)脈張力法[1]測(cè)量血壓時(shí)需長(zhǎng)時(shí)間保持壓力傳感器的精確定位，同時(shí)于傳感器上施加一個(gè)大小合適且持續(xù)可調(diào)的下壓力，由于測(cè)量的不便以及長(zhǎng)時(shí)間壓迫動(dòng)脈給被測(cè)者帶來(lái)極強(qiáng)的不適感，從而阻礙了動(dòng)脈張力法的發(fā)展[2]；容積補(bǔ)償法測(cè)量血壓，其預(yù)置參考?jí)毫Φ脑O(shè)置是一大難點(diǎn)，對(duì)被測(cè)者的持續(xù)施壓使靜脈充血，給被測(cè)者帶來(lái)痛苦，同時(shí)測(cè)量的血壓值離散性較大[3]；脈搏波傳導(dǎo)時(shí)間(Pulse Wave Transit Time，PWTT)法測(cè)量血壓對(duì)傳感器定位要求較低，不適感較少，PWTT與血壓存在一定的相關(guān)性，其中與收縮壓(Systolic Blood Pressure,SBP)的相關(guān)性較強(qiáng)，因而所建立的基于PWTT的收縮壓模型的預(yù)測(cè)精度較高，而與舒張壓(Diastolic Blood Pressure,DBP)的相關(guān)性較低，因此預(yù)測(cè)舒張壓值時(shí)誤差較大[4-5]；脈搏波特征參數(shù)(Pulse Wave Parameter，PWPs)能較好地反映血壓變化與脈搏波之間的關(guān)系，利用PWPs法測(cè)量血壓時(shí)操作方便且測(cè)量裝置簡(jiǎn)單，因此諸多學(xué)者[6-9]引入PWPs對(duì)脈搏波和血壓的相關(guān)性進(jìn)行探究，進(jìn)而進(jìn)行血壓測(cè)量，由于個(gè)體差異性，模型的測(cè)量精度還有待提高。

現(xiàn)有的關(guān)于PWTT法或PWPs法的血壓測(cè)量大都采用統(tǒng)計(jì)分析的方法，先粗選出PWPs(其中不同學(xué)者粗選的PWPs不盡相同)，然后選取PWTT或與血壓相關(guān)性較好的PWPs，建立與血壓的回歸模型從而實(shí)現(xiàn)血壓的測(cè)量。但是，只有在血管彈性保持不變的情況下，血壓的變化才與PWTT成正比[10]；脈搏波波形變化不僅受血壓影響還受血液黏性和管壁彈性等因素的影響[11]，因此PWTT或PWPs與血壓值之間不僅是簡(jiǎn)單的線性關(guān)系，還具有非線性關(guān)系。而現(xiàn)有基于PWTT法或PWPs法所建立的線性回歸模型難以描述PWTT或PWPs與血壓之間復(fù)雜的非線性函數(shù)關(guān)系，導(dǎo)致模型的普適性差且不能很好地克服個(gè)體差異。針對(duì)上述基于PWTT法或PWPs法的血壓測(cè)量模型存在的不足，本文提出一種基于PWTT和PWPs相結(jié)合的連續(xù)血壓無(wú)創(chuàng)測(cè)量模型——GA-MIV-BP神經(jīng)網(wǎng)絡(luò)模型。本文在總結(jié)和分析前人經(jīng)驗(yàn)的基礎(chǔ)上，粗選了PWTT和時(shí)間及幅度類共16個(gè)PWPs，盡可能涵蓋更多的參數(shù)，利用平均影響值[12](Mean Impact Value，MIV)分別從提取的PWTT和PWPs中優(yōu)選出對(duì)收縮壓值和舒張壓值影響較大的參數(shù)作為輸入量，以血壓計(jì)測(cè)量得到的收縮壓值或舒張壓值為相應(yīng)的輸出量，訓(xùn)練得到MIV-BP神經(jīng)網(wǎng)絡(luò)收縮壓模型和MIV-BP神經(jīng)網(wǎng)絡(luò)舒張壓模型；由于人體各項(xiàng)生理參數(shù)對(duì)血壓值均有影響，而PWTT和PWPs能反映血壓的變化，并且每個(gè)個(gè)體的血壓值與相應(yīng)的PWPs和PWTT之間的函數(shù)關(guān)系是不同的，因此本文采用遺傳算法[13](Genetic Algorithm，GA)對(duì)模型的個(gè)性化參數(shù)進(jìn)行優(yōu)化，從而得到單個(gè)個(gè)體的連續(xù)血壓無(wú)創(chuàng)測(cè)量模型—GA-MIV-BP神經(jīng)網(wǎng)絡(luò)收縮壓模型和GA-MIV-BP神經(jīng)網(wǎng)絡(luò)舒張壓模型。

1 實(shí)驗(yàn)數(shù)據(jù)采集與處理

1.1 實(shí)驗(yàn)數(shù)據(jù)采集

根據(jù)脈搏波信號(hào)和心電信號(hào)的特點(diǎn)，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(HK-2000B型傳感器，合肥華科電子技術(shù)研究所)，心電電極和心電檢測(cè)導(dǎo)聯(lián)線，以及數(shù)據(jù)采集卡(USB-D1280型，上海聚星儀器)來(lái)實(shí)現(xiàn)脈搏波和心電信號(hào)的同步采集，其中脈搏波和心電信號(hào)的采樣頻率都設(shè)置為400 Hz，系統(tǒng)結(jié)構(gòu)框圖如圖1所示。

圖1 系統(tǒng)結(jié)構(gòu)框圖Fig.1 Diagram of the system structure

被測(cè)者為年齡在21～28歲之間的健康男性5名和女性7名，被測(cè)者的招募基于自愿和知情同意的原則，研究?jī)?nèi)容和研究結(jié)果與之不存在利益沖突。室溫下分別采集被測(cè)者運(yùn)動(dòng)前靜息數(shù)據(jù)和運(yùn)動(dòng)后數(shù)據(jù)，記錄被測(cè)者的脈搏波和心電信號(hào)，同時(shí)使用歐姆龍HEM-6131型電子血壓計(jì)測(cè)量被測(cè)者的收縮壓和舒張壓各三次，取平均值作為血壓計(jì)測(cè)量值。共采集記錄到294組數(shù)據(jù)，具體數(shù)據(jù)情況如表1所示。

表1 采集到的脈搏波和心電數(shù)據(jù)詳情Tab.1 Collected pulse wave and ECG data

1.2 實(shí)驗(yàn)信號(hào)處理

在脈搏波和心電信號(hào)的體表采集過(guò)程中，工頻干擾、肌電干擾等高頻噪聲和基線漂移等低頻噪聲嚴(yán)重地影響了信號(hào)的檢測(cè)結(jié)果；不同個(gè)體處于不同的生理病理狀態(tài)下，其脈搏波和心電信號(hào)波形特征變化復(fù)雜，本文在MATLAB R2014a平臺(tái)上，對(duì)實(shí)驗(yàn)室采集的脈搏波信號(hào)和心電信號(hào)進(jìn)行去噪和特征點(diǎn)識(shí)別，具體情況如下。

1.2.1 脈搏波信號(hào)去噪和特征點(diǎn)識(shí)別

人體脈搏波一般被認(rèn)為有六個(gè)特征點(diǎn)分別為b、c、d、e、f、g，如圖2所示。本文提出雙樹復(fù)小波[14]和三次樣條插值法[15]相結(jié)合的脈搏波信號(hào)去噪方法，首先采用雙樹復(fù)小波閾值法濾除信號(hào)中的高頻噪聲；然后將得到的濾除了高頻噪聲的脈搏波信號(hào)采用三次樣條插值法擬合出近似基線漂移曲線，最后用濾除了高頻噪聲的脈搏波信號(hào)減去擬合出的基線漂移曲線，從而得到濾除了高頻噪聲和基線漂移的脈搏波信號(hào)。

圖2 脈搏波信號(hào)特征Fig.2 Characteristics of pulse wave signal

不同個(gè)體處于不同生理狀態(tài)下的脈搏波形特征不盡相同，采用單一方法不能準(zhǔn)確可靠地識(shí)別脈搏波的特征信息。因此本文結(jié)合雙樹復(fù)小波、微分法和滑窗法的脈搏波特征點(diǎn)識(shí)別方法，根據(jù)脈搏波特征點(diǎn)位置信息，逐步縮小脈搏波特征點(diǎn)的識(shí)別范圍。首先采用滑窗法識(shí)別b、c點(diǎn)，再采用微分法在一定范圍內(nèi)識(shí)別f、g點(diǎn)，然后采用微分法在c和f點(diǎn)之間識(shí)別d點(diǎn)，最后根據(jù)雙樹復(fù)小波d5層信號(hào)d、f點(diǎn)之間對(duì)應(yīng)的最大值點(diǎn)識(shí)別e點(diǎn)。圖3(a)為一段含噪脈搏波信號(hào)，圖3(b)為去噪后脈搏波信號(hào)的特征點(diǎn)識(shí)別情況。

(a)原始脈搏波信號(hào)

(b)去噪后脈搏波信號(hào)

1.2.2 心電信號(hào)去噪和特征點(diǎn)識(shí)別

結(jié)合雙樹復(fù)小波變換對(duì)心電信號(hào)高頻波段和形態(tài)學(xué)濾波對(duì)心電信號(hào)低頻波段[16]的處理優(yōu)勢(shì)，本文首先采用形態(tài)學(xué)濾波器濾除含噪心電信號(hào)中的基線漂移等低頻噪聲，進(jìn)而對(duì)信號(hào)進(jìn)行雙樹復(fù)小波閾值去噪濾除信號(hào)中的高頻噪聲，從而實(shí)現(xiàn)心電信號(hào)中高頻噪聲和基線漂移的濾除。

雙樹復(fù)小波變換具有突出信號(hào)奇異點(diǎn)或瞬變點(diǎn)的能力，經(jīng)過(guò)實(shí)驗(yàn)探索發(fā)現(xiàn)，雙樹復(fù)小波變換的d4層小波系數(shù)模極大值的最大值點(diǎn)對(duì)應(yīng)原始心電信號(hào)的R波。采用滑窗法識(shí)別出d4層心電信號(hào)的模極大值的最大值點(diǎn)，對(duì)應(yīng)回原心電信號(hào)中，從而實(shí)現(xiàn)心電信號(hào)R波的識(shí)別。圖4(a)為一段含噪心電信號(hào)，圖4(b)為去噪后心電信號(hào)的雙數(shù)復(fù)小波變換的d4層小波系數(shù)，圖4(c)為去噪后心電信號(hào)R波的識(shí)別情況。

(a)原始心電信號(hào)

(b)d4層信號(hào)

(c)去噪后心電信號(hào)

1.3 PWTT和PWPs的提取

通過(guò)計(jì)算同一心動(dòng)周期中ECG信號(hào)的R波到脈搏波信號(hào)主波波峰c點(diǎn)的時(shí)間得到PWTT，如圖5所示。為減小各種變化的影響以及比較不同被測(cè)對(duì)象之間的參數(shù)，本文采用歸一化的方法對(duì)脈搏波特征參數(shù)進(jìn)行處理，脈搏波時(shí)域特征參數(shù)如圖2所示。

圖5 基于心電信號(hào)和脈搏波信號(hào)測(cè)量PWTTFig.5 PWTT measurement from ECG and pulse wave signals

選取PWTT和時(shí)間及幅度類共16個(gè)PWPs為研究對(duì)象，具體包括：PWTT、升支相對(duì)時(shí)間(tc/T)、特征點(diǎn)d相對(duì)時(shí)間(td/T)、特征點(diǎn)e相對(duì)時(shí)間(te/T)、特征點(diǎn)f相對(duì)時(shí)間(tf/T)、特征點(diǎn)g相對(duì)時(shí)間(tg/T)、周期T、特征點(diǎn)d相對(duì)高度(Hd/Hc)、特征點(diǎn)e相對(duì)高度(He/Hc)、特征點(diǎn)f相對(duì)高度(Hf/Hc)、特征點(diǎn)g相對(duì)高度(Hg/Hc)、波形特征量K、主波上升斜率V、心輸出量Z、收縮期相對(duì)面積(S1/S)、舒張期相對(duì)面積(S2/S)、收縮期與舒張期面積之比(S1/S2)。

2 MIV-BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

在MATLAB R2014a中，利用神經(jīng)網(wǎng)絡(luò)工具箱中提供的函數(shù)以及圖形用戶界面完成MIV-BP網(wǎng)絡(luò)的訓(xùn)練和仿真，具體步驟如下。

2.1 單純BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練

BP神經(jīng)網(wǎng)絡(luò)[17]是MIV-BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的基礎(chǔ)，是一種包含輸入層、中間層(隱層)和輸出層的多層前向神經(jīng)網(wǎng)絡(luò)。由于BP神經(jīng)網(wǎng)絡(luò)既能很好地刻畫線性關(guān)系，又能很好地刻畫非線性關(guān)系，因此本文以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)建立血壓模型。

分別選取數(shù)據(jù)量較多的被測(cè)者Test_1、Test_4和Test_7的數(shù)據(jù)，共129組數(shù)據(jù)，提取相應(yīng)的PWTT和PWPs共17個(gè)參數(shù)為輸入量，以血壓計(jì)測(cè)量得到的SBP或DBP為輸出量，分別訓(xùn)練出一個(gè)關(guān)于收縮壓的BP神經(jīng)網(wǎng)絡(luò)(Nets0)和一個(gè)關(guān)于舒張壓的BP神經(jīng)網(wǎng)絡(luò)(Netd0)，具體步驟如下。

由BP神經(jīng)網(wǎng)絡(luò)的原理可知：三層前饋人工神經(jīng)網(wǎng)絡(luò)可任意精度逼近任意連續(xù)函數(shù)[18]，為了提高網(wǎng)絡(luò)的訓(xùn)練速度，簡(jiǎn)化網(wǎng)絡(luò)的結(jié)構(gòu)，本文采用單隱含層。

(1)輸入?yún)?shù)和輸出參數(shù)的初步確定，如表2所示。

表2 Nets0和Netd0網(wǎng)絡(luò)輸入和輸出參數(shù)的確定Tab.2 Determination of the input and output parameters of Nets0 and Netd0 networks

輸入?yún)?shù)(17個(gè)) 輸出參數(shù)(1個(gè))Nets0PWTT和PWPsSBPNetd0PWTT和PWPsDBP

(2)BP神經(jīng)網(wǎng)絡(luò)參數(shù)的設(shè)置，包括學(xué)習(xí)速率、激勵(lì)函數(shù)和學(xué)習(xí)算法等。學(xué)習(xí)速率設(shè)置為0.03，隱含層和輸出層的激勵(lì)函數(shù)分別設(shè)置為TANSIG和PURELIN，學(xué)習(xí)算法采用收斂性較好的Scaled Conjugate Gradient算法[19]。

(3)隱含層節(jié)點(diǎn)數(shù)的設(shè)置，根據(jù)經(jīng)驗(yàn)公式，如式(1)所示，確定BP網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)的范圍為[5，15]，然后采用嘗試法以網(wǎng)絡(luò)的均方根誤差和復(fù)雜度確定各網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)。

(1)

式中:m為隱含層節(jié)點(diǎn)數(shù)，n為輸入層節(jié)點(diǎn)數(shù)，l為輸出層節(jié)點(diǎn)數(shù)，?為1～10之間的常數(shù)。

經(jīng)過(guò)多次實(shí)驗(yàn)在隱含層節(jié)點(diǎn)數(shù)范圍內(nèi)尋找合適的節(jié)點(diǎn)數(shù)，表3為隱含層節(jié)點(diǎn)數(shù)不同時(shí)，Nets0和Netd0網(wǎng)絡(luò)的預(yù)測(cè)均方根誤差。以均方根誤差和復(fù)雜度為選擇指標(biāo)，最后確定Nets0和Netd0網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)分別為：14和13。

表3 Nets0和Netd0網(wǎng)絡(luò)的均方根誤差Tab.3 RMSE of Nets0 and Netd0 networks

2.2 基于MIV的BP神經(jīng)網(wǎng)絡(luò)模型輸入?yún)?shù)的選擇

利用PWPs和PWTT與血壓值訓(xùn)練模型時(shí)，由于過(guò)多地輸入?yún)?shù)會(huì)使得BP網(wǎng)絡(luò)的輸入數(shù)據(jù)龐雜，系統(tǒng)的負(fù)荷增加以及網(wǎng)絡(luò)的性能下降，因此選取適當(dāng)數(shù)量的輸入?yún)?shù)有利于簡(jiǎn)化模型的結(jié)構(gòu)并提高網(wǎng)絡(luò)的效率。本文采用平均影響值(Mean Impact Value，MIV)法對(duì)輸入數(shù)據(jù)作降維處理，具體過(guò)程如下：①在訓(xùn)練好BP神經(jīng)網(wǎng)絡(luò)后，將訓(xùn)練樣本(設(shè)為X)中每個(gè)輸入變量分別在原值的基礎(chǔ)上做加10%與減10%運(yùn)算，構(gòu)成兩個(gè)新的訓(xùn)練樣本X1和X2；②分別將X1和X2輸入到訓(xùn)練好的網(wǎng)絡(luò)中進(jìn)行仿真，得到兩個(gè)仿真結(jié)果Y1和Y2；③計(jì)算Y1與Y2的差值，即為該變量變化后對(duì)輸出的影響變化值(Impact Value，IV)；④將IV按觀測(cè)數(shù)目平均求出該自變量對(duì)因變量的平均影響值(MIV)。

按照上述步驟分別計(jì)算各自變量的MIV值。最后根據(jù)式(2)計(jì)算出第i個(gè)自變量對(duì)于因變量的相對(duì)貢獻(xiàn)率。

(2)

以2.1構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，通過(guò)MIV分析各輸入?yún)?shù)對(duì)輸出結(jié)果的影響程度，選出對(duì)輸出影響累計(jì)貢獻(xiàn)率大于85%的前幾個(gè)輸入?yún)?shù)，作為BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)。收縮壓模型和舒張壓模型的各輸入?yún)?shù)的MIV值大小排序如表4和表5所示。經(jīng)過(guò)MIV方法篩選后，選出收縮壓計(jì)算模型的輸入?yún)?shù)為：K、PWTT、Hg/Hc、tg/T、T、te/T、td/T、Hd/Hc、He/Hc和S2/S，舒張壓計(jì)算模型的輸入?yún)?shù)為：He/Hc、te/T、S2/S、PWTT、tf/T、Hd/Hc、S1/S、tg/T、T和K。

表4 各輸入?yún)?shù)對(duì)收縮壓的MIV值大小排序Tab.4 Ordered MIVs for SBP value input parameters

表5 各輸入?yún)?shù)對(duì)舒張壓的MIV值大小排序Tab.5 Ordered MIVs for DBP value input parameters

2.3 MIV-BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練和評(píng)價(jià)

以MIV優(yōu)選的輸入?yún)?shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入量，設(shè)置學(xué)習(xí)速率、隱含層和輸出層的激勵(lì)函數(shù)分別為0.03、TANSIG和PURELIN。根據(jù)經(jīng)驗(yàn)公式(1)和嘗試法以均方根誤差和復(fù)雜度為選擇指標(biāo)，最終確定NETs0和NETd0網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)分別為10和11。這兩個(gè)網(wǎng)絡(luò)的訓(xùn)練時(shí)間均少于5 s。

訓(xùn)練好NETs0和NETd0網(wǎng)絡(luò)后，選取12名受試者的數(shù)據(jù)作為測(cè)試集，以均方根誤差(RMSE)和平均相對(duì)誤差(MRE)來(lái)對(duì)比分析原輸入?yún)?shù)組(17個(gè)輸入?yún)?shù))所訓(xùn)練的 Nets0和Netd0網(wǎng)絡(luò)，與MIV優(yōu)選輸入?yún)?shù)所訓(xùn)練的NETs0和NETd0網(wǎng)絡(luò)的性能，具體結(jié)果如圖6和圖7所示，圖6和圖7的橫軸“T-i”，表示受試者Test_i的數(shù)據(jù)。通過(guò)對(duì)比原輸入?yún)?shù)組和MIV優(yōu)選輸入?yún)?shù)組所訓(xùn)練網(wǎng)絡(luò)的輸出結(jié)果誤差，以及簡(jiǎn)化模型結(jié)構(gòu)的角度，本文選取MIV優(yōu)選的輸入?yún)?shù)組所訓(xùn)練的預(yù)測(cè)誤差更小的NETs0和NETd0網(wǎng)絡(luò)來(lái)分別構(gòu)建收縮壓預(yù)測(cè)模型和舒張壓預(yù)測(cè)模型。

圖6 BP神經(jīng)網(wǎng)絡(luò)和MIV-BP神經(jīng)網(wǎng)絡(luò)模型的血壓預(yù)測(cè)均方根誤差對(duì)比Fig.6 Comparison of the predictive RMSE of blood pressure model based on BP neural network and MIV-BP neural network

圖7 BP神經(jīng)網(wǎng)絡(luò)和MIV-BP神經(jīng)網(wǎng)絡(luò)模型的血壓預(yù)測(cè)平均相對(duì)誤差對(duì)比Fig.7 Comparison of the predictive MRE of blood pressure model based on BP neural network and MIV-BP neural network

3 GA-MIV-BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建與分析

3.1 GA-MIV-BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

圖8 基于GA優(yōu)化的MIV-BP神經(jīng)網(wǎng)絡(luò)連續(xù)血壓無(wú)創(chuàng)監(jiān)測(cè)模型Fig.8 Flow chart of the non-invasive continuous blood pressure measurement models based on the GA-MIV-BP neural network

表6 不同測(cè)試者GA-MIV-BP收縮壓和舒張壓模型的優(yōu)化參數(shù)Tab.6 Optimization parameters for GA-MIV-BP neural network SBP and DBP model for different subjects

3.2 與其他血壓模型的對(duì)比

利用GA-MIV-BP神經(jīng)網(wǎng)絡(luò)模型、文獻(xiàn)[8]中的線性回歸模型和文獻(xiàn)[20]中基于PWTT的人工神經(jīng)網(wǎng)絡(luò)模型對(duì)12名被測(cè)者的血壓值進(jìn)行預(yù)測(cè)，三個(gè)模型的血壓預(yù)測(cè)值與血壓計(jì)測(cè)量值的對(duì)比情況如圖10和圖11所示，圖10和圖11的橫軸“i-j”，表示受試者Test_i的第j組數(shù)據(jù)。從圖10和圖11可以看出，使用GA-MIV-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果比使用線性回歸模型和基于PWTT的人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果更加逼近真實(shí)的血壓測(cè)量值,可以初步得出結(jié)論：GA-MIV-BP模型的預(yù)測(cè)性能優(yōu)于線性回歸模型和基于PWTT的人工神經(jīng)網(wǎng)絡(luò)模型。

為了進(jìn)一步分析本文所提出模型相比其它幾種模型的預(yù)測(cè)性能，本文使用均方根誤差(RMSE)、平均相對(duì)誤差(MRE)來(lái)比較分別使用GA-MIV-BP模型、回歸模型和基于PWTT的神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果。

圖9 遺傳算法均方根誤差曲線圖Fig.9 RMSE curve using the GA

(a)

(b)

(c)

使用三種模型的血壓預(yù)測(cè)值與血壓計(jì)測(cè)量值的RMSE和MRE如表7和表8所示，可以看出使用GA-MIV-BP模型所計(jì)算的收縮壓和舒張壓的RMSE和MRE均低于回歸模型和基于PWTT的神經(jīng)網(wǎng)絡(luò)模型。因此，可以得出相對(duì)于回歸模型和基于PWTT的神經(jīng)網(wǎng)絡(luò)模型，GA-MIV-BP模型所計(jì)算的收縮壓和舒張壓的預(yù)測(cè)精度更高，其MRE均在5%以內(nèi)。

3.3 GA-MIV-BP模型預(yù)測(cè)值與血壓計(jì)測(cè)量之間的Bland-Altman一致性分析

對(duì)GA-MIV-BP模型血壓預(yù)測(cè)值與歐姆龍血壓計(jì)測(cè)量值進(jìn)行Bland-Altman分析，如圖12和圖13所示。從圖12可以看出96.26%的點(diǎn)在95%一致性范圍內(nèi)，一致性范圍內(nèi)的所有差值絕對(duì)值的最大值為6.805 9 mmHg；從圖13可以看出95.92%的點(diǎn)在95%一致性范圍內(nèi)，一致性范圍內(nèi)的所有差值絕對(duì)值的最大值為7.107 9 mmHg。從實(shí)際測(cè)量考慮和臨床要求出發(fā)這種差異是可以接受的，因此GA-MIV-BP模型的血壓預(yù)測(cè)值與歐姆龍血壓計(jì)測(cè)量值具有較好的一致性，可互換使用。

(a)

(b)

(c)

表7 收縮壓預(yù)測(cè)結(jié)果的均方根誤差和平均相對(duì)誤差Tab.7 RMSE and MRE of the SBP prediction results from different models

3.4 GA-MIV-BP神經(jīng)網(wǎng)絡(luò)模型的優(yōu)勢(shì)與不足

對(duì)比本文提出的血壓模型與其它血壓模型對(duì)12名被測(cè)者的血壓預(yù)測(cè)結(jié)果，該模型本身與血壓計(jì)測(cè)量值的差異性比較，該模型具有以下優(yōu)勢(shì)：

(1)GA-MIV-BP模型相比于文獻(xiàn)[8]中的線性回歸模型，不僅擬合了PWTT和PWPs與血壓之間的線性關(guān)系，還刻畫了其與血壓之間的非線性關(guān)系，更符合實(shí)際情況；

表8 舒張壓預(yù)測(cè)結(jié)果的均方根誤差和平均相對(duì)誤差Tab.8 RMSE and MRE of the DBP prediction results from different models

測(cè)試者GA-MIV-BP模型回歸模型PWTT-ANN模型RMSEMRERMSEMRERMSEMRETest_13.437 33.97%6.859 37.35%5.508 76.03%Test_23.862 04.94%8.672 211.64%6.550 48.73%Test_34.483 64.62%8.346 68.76%9.433 110.56%Test_42.588 33.04%5.261 46.12%5.727 76.88%Test_53.790 63.44%8.193 88.61%7.919 38.46%Test_63.671 04.98%5.562 58.67%5.157 78.48%Test_72.942 43.74%5.092 16.68%3.739 54.77%Test_82.673 23.24%4.253 65.54%2.756 43.79%Test_94.337 74.80%6.372 28.56%6.010 57.55%Test_103.103 64.88%5.637 77.23%3.896 95.29%Test_114.554 04.95%5.626 86.84%4.746 76.49%Test_125.307 74.92%8.228 610.36%6.359 77.18%

圖12 收縮壓預(yù)測(cè)值與測(cè)量值的Bland-Altman分析Fig.12 Bland-Altman analysis of predicted and measured SBP values

圖13 舒張壓預(yù)測(cè)值與測(cè)量值的Bland-Altman分析Fig.13 Bland-Altman analysis of predicted and measured DBP values

(2)GA-MIV-BP模型相比于文獻(xiàn)[20]中提出的基于PWTT的神經(jīng)網(wǎng)絡(luò)模型，除了PWTT還引入了更多對(duì)血壓值影響較大的參數(shù)作為輸入量，增加了模型的精度和穩(wěn)健性；另外分別將收縮壓或舒張壓作為輸出量所訓(xùn)練的GA-MIV-BP收縮壓模型和GA-MIV-BP舒張壓模型更能刻畫輸入?yún)?shù)與輸出參數(shù)之間的關(guān)系，因此相比文獻(xiàn)[20]將收縮壓和舒張壓作為輸出量訓(xùn)練的單個(gè)神經(jīng)網(wǎng)絡(luò)模型的血壓預(yù)測(cè)效果更好；

(3)不同的個(gè)體由于其生理系統(tǒng)等的差異性，其與PWTT或PWPs的函數(shù)關(guān)系存在一定的差異性。本文提出的模型相比于傳統(tǒng)的線性回歸模型和基于PWTT的神經(jīng)網(wǎng)絡(luò)模型，增加了對(duì)個(gè)體差異性進(jìn)行校正的方法，只需調(diào)節(jié)兩個(gè)參數(shù)便可對(duì)收縮壓或舒張壓模型進(jìn)行校正，對(duì)血壓的預(yù)測(cè)精度更高。

但本文的模型也存在一定的不足：

(1)實(shí)驗(yàn)受試者的數(shù)量較少，年齡分布范圍較窄，且實(shí)驗(yàn)數(shù)據(jù)都是來(lái)自于健康個(gè)體，因而該模型對(duì)不同年齡段以及血壓異常(比如高血壓或動(dòng)脈粥樣硬化)等受試者的適用性有待進(jìn)一步驗(yàn)證；

(2)本文模型的輸入?yún)?shù)PWTT和PWPs的準(zhǔn)確提取是血壓預(yù)測(cè)的關(guān)鍵。實(shí)際測(cè)量中，對(duì)脈搏波或心電信號(hào)嚴(yán)重變形或失真的情況，難以有效提取PWTT和PWPs，從而造成模型的預(yù)測(cè)誤差較大。除了PWTT和PWPs這17個(gè)參數(shù)，接下來(lái)的研究將會(huì)引入更多反應(yīng)個(gè)體生理差異性的參數(shù)，比如年齡、身高、體重、體溫和身體質(zhì)量指數(shù)等參數(shù)，來(lái)進(jìn)一步提高血壓預(yù)測(cè)的準(zhǔn)確性，克服模型的個(gè)體差異性；

(3)相比于傳統(tǒng)的血壓模型，本文的模型訓(xùn)練時(shí)間更長(zhǎng)，運(yùn)算復(fù)雜度增加。但是GA-MIV-BP模型的具體運(yùn)用中，MIV-BP模型的結(jié)構(gòu)、權(quán)值和閾值確定后就是一個(gè)固化的模型，后續(xù)無(wú)須再訓(xùn)練。對(duì)受試者進(jìn)行血壓預(yù)測(cè)時(shí)，只需采用GA校正個(gè)體差異性系數(shù)，其中對(duì)單個(gè)個(gè)體的GA-MIV-BP收縮壓或舒張壓模型的優(yōu)化時(shí)間均少于2分鐘。

4 結(jié) 論

本文提出了GA-MIV-BP神經(jīng)網(wǎng)絡(luò)連續(xù)血壓無(wú)創(chuàng)監(jiān)測(cè)模型，相比于文獻(xiàn)[8]中的回歸模型和文獻(xiàn)[20]中基于PWTT的神經(jīng)網(wǎng)絡(luò)模型，其血壓預(yù)測(cè)值的均方根誤差和平均相對(duì)誤差更小，模型的預(yù)測(cè)性能更好。利用Bland-Altman一致性分析對(duì)GA-MIV-BP模型預(yù)測(cè)值與血壓計(jì)測(cè)量值進(jìn)行一致性檢驗(yàn)，結(jié)果表明兩種測(cè)量方法具有很好的一致性，可以替代使用。GA-MIV-BP神經(jīng)網(wǎng)絡(luò)連續(xù)血壓無(wú)創(chuàng)監(jiān)測(cè)模型是基于PWTT和PWPs對(duì)血壓進(jìn)行測(cè)量，徹底擺脫了袖帶的束縛，增強(qiáng)了被測(cè)者的舒適感。GA-MIV-BP模型有效降低了個(gè)體差異性對(duì)模型預(yù)測(cè)精度的影響，可保證具有良好的預(yù)測(cè)性能，因而為連續(xù)血壓無(wú)創(chuàng)監(jiān)測(cè)設(shè)備的臨床應(yīng)用提供了有力的算法支持。