胡軍鋒，鄭彬

(北京工業(yè)大學(xué)理學(xué)部,北京 100022)

引言

在血液循環(huán)中，心臟周期性地跳動并進(jìn)行射血，血液沿著主動脈方向流動時對血管壁產(chǎn)生的壓力[1]，稱為血壓(blood pressure, BP)。血壓是人體最重要的生理參數(shù)之一，準(zhǔn)確的測量血壓可以監(jiān)測高血壓和低血壓，以及預(yù)防由此引發(fā)的腦梗塞、中風(fēng)、心力衰竭等心血管疾病。據(jù)2019年發(fā)布的《中國心血管病報告2018》指出,我國現(xiàn)有2.9億名心血管病患者，死亡率居首位[2]。通常使用的基于柯氏音法或示波法血壓計[3]只能獲得某一時刻的血壓值。近年來，基于光電容積脈搏波描記法(photoplethysmograph, PPG)或心電圖(electrocardiogram, ECG)信號的血壓測量方法使得準(zhǔn)確、便攜、連續(xù)測量血壓成為可能。

ECG信號是心臟電活動的外在反映，具有廣泛性、獨特性、速度快等特點[4]。心臟的跳動會產(chǎn)生一個連續(xù)的壓力波，此波能夠通過血管進(jìn)行傳遞，并且會略微改變血管的直徑。PPG信號就是基于該變化，利用光電方法檢測血管血液容積的變化，具有非平穩(wěn)、偽周期性的特點[5]。在檢測PPG信號過程中，進(jìn)入血液中的光大部分都被血紅蛋白吸收，而血紅蛋白又與含氧量有關(guān)，即包含呼吸信號。同時，血管血壓容積變化與心臟搏動有明顯的關(guān)系，即包含心臟信號。因此，PPG信號包含心臟信號和呼吸信號。ECG/PPG信號傳感器體積小、信號采集成本低，可集成在可穿戴設(shè)備上。ECG/PPG信號的采集過程噪聲較多，導(dǎo)致現(xiàn)有可穿戴設(shè)備的血壓檢測精度都不高。目前，市面上尚無精度能夠達(dá)到美國醫(yī)療器械促進(jìn)協(xié)會(Association for the Advancement of Medical Instrumentation, AAMI)或英國高血壓協(xié)會(British Hypertension Society, BHS)所制定的血壓計測量標(biāo)準(zhǔn)的可穿戴設(shè)備。為實現(xiàn)利用可穿戴設(shè)備準(zhǔn)確測量血壓，需要在硬件上提高ECG/PPG信號采集的精度，同時要構(gòu)建更為準(zhǔn)確的血壓檢測模型。

針對上述問題，本研究提出了一種基于深度學(xué)習(xí)的ECG/PPG信號處理技術(shù)，提高了血壓檢測精度。該技術(shù)基于小波包的模態(tài)分解技術(shù)和神經(jīng)網(wǎng)絡(luò)算法，可以從ECG/PPG信號中準(zhǔn)確估計出血壓值。

1 研究現(xiàn)狀

基于深度學(xué)習(xí)的ECG/PPG血壓測量方法較多，下面分別介紹基于PPG信號或ECG/PPG信號測量血壓的研究現(xiàn)狀。

1.1 采用PPG信號測量血壓的研究現(xiàn)狀

2003年，Teng等[6]較早地使用PPG信號的波形特征預(yù)測血壓。他們使用與血壓相關(guān)性較好的特征建立了預(yù)測血壓的線性回歸模型，為實現(xiàn)無創(chuàng)連續(xù)測量血壓提供了一種新的手段和方法。脈搏波從心臟部位傳遞到檢測部位的時間，稱為脈搏波傳播時間(pulse transit time, PTT)[7]。2019年，Lazazzera等[8]將PTT、心率和心率變異性輸入到線性模型中計算血壓值，只有舒張壓的檢測精度達(dá)到了AAMI標(biāo)準(zhǔn)。同年，Slapnicar等[9]采用殘差網(wǎng)絡(luò)模型分別基于原始PPG數(shù)據(jù)和PPG及其導(dǎo)數(shù)進(jìn)行訓(xùn)練，發(fā)現(xiàn)PPG的導(dǎo)數(shù)也包含有用的信息。2019年，雷蘇力[10]利用反饋神經(jīng)網(wǎng)絡(luò)建立了血壓預(yù)測模型，并在健康人群中取得了較好的結(jié)果。但是，該模型不適用于患高血壓、低血壓的人群。2021年，Liu等[11]提出了一種基于主成分分析的血壓檢測算法，可以有效地提取PPG信號中的有用信息。

另外，還有一些研究者在人體兩個與心臟不同距離的部位(如左手和右手)同時采集PPG信號，并將時間間隔(PTT)作為特征參數(shù)計算收縮壓和舒張壓。經(jīng)研究發(fā)現(xiàn)，該方法雖然收縮壓的計算誤差較小，但是舒張壓的計算誤差較大，無法達(dá)到相關(guān)醫(yī)學(xué)標(biāo)準(zhǔn)[12-14]。

1.2 采用ECG/PPG信號測量血壓的研究現(xiàn)狀

2016年，Ghosh等[15]為了更容易地提取PPG信號的特征，對PPG信號進(jìn)行稀疏化處理，并結(jié)合ECG信號，采用最小二乘法建立血壓檢測模型。該模型只有在靜止?fàn)顟B(tài)下的預(yù)測結(jié)果符合AAMI標(biāo)準(zhǔn)，在運動狀態(tài)下的檢測結(jié)果較差。2017年，Lo等[16]使用兩級零階保持算法對ECG/PPG信號降噪，采用長短期記憶(long short-term memory, LSTM)神經(jīng)網(wǎng)絡(luò)建立血壓檢測模型。相對于基于PTT檢測血壓的回歸模型，LSTM模型對收縮壓和舒張壓的檢測精度分別提升了1.317 mmHg和0.656 mmHg。2018年，Ertugrul等[17]利用ECG/PPG信號在時域、頻域的統(tǒng)計特性，采用極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)計算血壓，在較小數(shù)據(jù)集上的計算結(jié)果達(dá)到了AAMI標(biāo)準(zhǔn)和BHS標(biāo)準(zhǔn)的A級別。同年，Wang等[18]分別使用支持向量回歸方法和人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)建立血壓檢測模型，采用了多個評估函數(shù)均表明ANN更好。ANN模型的收縮壓檢測精度為(7.09±1.80) mmHg，舒張壓檢測精度為(3.98±1.21) mmHg。

PPG信號具有較強(qiáng)的多變性，特征點提取難。因此，本研究采用基于小波包的模態(tài)分解技術(shù)對PPG信號進(jìn)行處理。

2 血壓測量算法實現(xiàn)

血壓測量的基本流程見圖1。首先，對ECG和PPG信號按照篩選規(guī)則進(jìn)行篩選。然后，采用模態(tài)分解技術(shù)對PPG信號進(jìn)行處理，提取出其中的心臟信號和呼吸信號。接下來，將PPG、心臟信號、呼吸信號、ECG和BP信號同步，對其進(jìn)行截取，得到實驗數(shù)據(jù)。最后，建立血壓測量模型，得到人體血壓值。

圖1 血壓測量算法基本流程

2.1 數(shù)據(jù)來源

本研究中的實驗數(shù)據(jù)來自MIMIC-Ⅲ數(shù)據(jù)集[19]。MIMIC-Ⅲ數(shù)據(jù)集是美國麻省理工學(xué)院提供的一個基于重癥監(jiān)護(hù)室患者監(jiān)測情況的醫(yī)學(xué)開源數(shù)據(jù)集，涵蓋了健康者、老年人、高血壓患者和其他疾病患者的PPG、ECG和BP信號，且患者的平均年齡大約為65.8歲，其中55.9%的患者為男性，44.1%的患者為女性。選取其中同時具有PPG、ECG和BP信號的數(shù)據(jù)作為實驗數(shù)據(jù)，其數(shù)據(jù)示例見圖2。

圖2 BP、PPG、ECG信號示例圖Fig.2 Schematic diagram of BP,PPGand ECG signals

由圖2可知，BP、PPG和ECG都是動態(tài)信號，會隨著每次心跳而發(fā)生變化，采樣頻率均為125 Hz。

2.2 數(shù)據(jù)處理

2.2.1數(shù)據(jù)篩選 MIMIC-Ⅲ中的每條數(shù)據(jù)所對應(yīng)的時間序列信號可表示為A={X(t)|t=0,1,...,n},其中X(t)=(x1(t),x2(t),x3(t))為三維向量，其分量分別對應(yīng)t時刻的PPG、ECG和BP信號的值。本研究對原始數(shù)據(jù)進(jìn)行了如下的篩選。

篩選規(guī)則：(1)考慮到數(shù)據(jù)的完整性，以及模型構(gòu)建的需要，選擇采集時間超過1 min(樣本大小大于213)的原始信號，即|A|≥213；(2) 為了增加數(shù)據(jù)種類的多樣性，選擇脈壓差小于等于80 mmHg的數(shù)據(jù)，即|max(x3(t))-min(x3(t))|≤80。

數(shù)據(jù)處理步驟：

(1)選擇滿足篩選規(guī)則的數(shù)據(jù)。

(2)考慮到所檢測信號的穩(wěn)定性，截取212～213之間的信號片段。

(3)確定目標(biāo)值。檢測血壓信號BP中的波峰和波谷點，確定每個周期的收縮壓和舒張壓。

2.2.2模態(tài)分解 由于PPG信號具有較強(qiáng)的多變性，提取特征難。本研究利用基于小波包的模態(tài)分解技術(shù)對PPG信號進(jìn)行處理。該模態(tài)分解技術(shù)包含(synchrosqueezed wave packet transforms，SSWPT)算法[20]、(recursive diffeomorphism-based regression，RDBR)算法[21]和(multiresolution mode decomposition，MMD)算法[22]。

SSWPT算法是一種基于小波包變換的模態(tài)分解算法，能夠從復(fù)雜信號中準(zhǔn)確地估計各分量信號的瞬時信息，在時頻域的分辨率優(yōu)于小波變換。RDBR算法是一種基于微分和非參數(shù)回歸估計波形函數(shù)的算法，可以精確地估計各分量信號的形狀函數(shù)。MMD算法是一種自適應(yīng)時間序列分析方法，擅長處理非線性和非平穩(wěn)的時間序列數(shù)據(jù)，可以較好地體現(xiàn)出信號隨時間的變化情況。上述算法在生物醫(yī)學(xué)信號、雷達(dá)信號和地震波等領(lǐng)域已經(jīng)取得了一定的成果[23-25]。

2.2.2.1模態(tài)分解原理 假設(shè)一個復(fù)雜信號f(t)由K個振蕩信號疊加組成，寫成如下形式：

(1)

其中，

(2)

顯然，任意周期信號都可由不同頻率的正余弦信號疊加而成。當(dāng)計算信號fk(t)的正弦分量時，其余弦分量會作為噪聲影響其計算。因此，對信號fk(t)進(jìn)行三角變換，分別提取出特定頻率的正弦信號和余弦信號。如下：

(3)

(4)

對于信號fk(t)而言，其頻率并不是固定的。接下來，我們假設(shè)Ml為計算頻率寬度為l的多分辨率算子，則

(5)

基于上述原理，當(dāng)頻率為某一固定值n0時，對式(5) 使用RDBR算法，可以得到多分辨率展開系數(shù){αno,k}和{bn0,k}，以及形狀函數(shù){scn0,k}和{ssn0,k}。由于信號在采集過程中會受到不同噪聲的擾動，導(dǎo)致各頻率下的信號都可能含有噪聲。因此，對當(dāng)前頻率的剩余信號重復(fù)執(zhí)行RDBR算法，直至殘差信號中無明顯的信號成分存在。此外，信號fk(t)的頻率并非固定不變，故遍歷信號fk(t)的頻率寬度，得到信號fk(t)在每一個頻率下的多分辨率展開系數(shù)和形狀函數(shù)，進(jìn)而得到信號fk(t)。MMD算法正是基于上述原理，準(zhǔn)確描述非線性和非平穩(wěn)時間序列。

2.2.2.2模態(tài)分解流程 PPG信號模態(tài)分解具體流程如下：

第二步：設(shè)定頻率寬度M。利用MMD算法計算信號fk(t)在不同頻率下的正弦、余弦信號分量。

第三步：利用RDBR算法，計算各頻率下的正、余弦信號分量的形狀函數(shù)和振幅函數(shù)。

第四步：重復(fù)執(zhí)行第三步，直到達(dá)到指定迭代次數(shù)或滿足終止條件。

第五步：將信號fk(t)在所有頻率下的正、余弦信號分量組合到一起，得到信號fk(t)。

ECG和PPG信號的頻率較低，在采集過程中容易受噪聲影響，如周圍環(huán)境的光噪聲、檢測儀器的工頻噪聲、以及儀器和皮膚接觸面發(fā)生位移產(chǎn)生的運動偽差等，這些噪聲對測量血壓有一定程度的影響。因此，需要削弱原始信號中的噪聲干擾。通過模態(tài)分解技術(shù)提取各分量信號，起到了降噪的作用。

圖3 心臟信號

圖4 呼吸信號

圖5 殘差信號

圖6 殘差信號的自相關(guān)

由圖3、圖4中可知，所提取的心臟信號和呼吸信號可以精確地體現(xiàn)出個體在某一時刻的真實狀態(tài)。由圖5、圖6可知，殘差信號的自相關(guān)系數(shù)在非0處接近0，且殘差信號的均值為0，表明殘差信號接近隨機(jī)白噪聲。說明已較好地提取出心臟信號和呼吸信號。

2.2.3數(shù)據(jù)同步 首先確定BP信號第一個波峰點的時刻，由于PPG信號是在手指進(jìn)行采集的，從心臟到手指有一定的距離(大約1 m)，會導(dǎo)致所采集的同一時刻PPG信號有一定的延遲?？紤]到動脈血液速度大約0.35 m/s，故在第一個波峰點的時刻延遲375個點(約3 s)作為PPG信號的起始點，這也是心臟信號和呼吸信號的起始點。由于ECG是心臟活動的電信號表達(dá)形式，且采集距離較近，故采用BP信號第一個波峰點的時刻作為ECG信號的起始點。樣本數(shù)據(jù)的各分量信號示例見圖7。

2.2.4數(shù)據(jù)截取 確定了同一時刻的心臟信號、呼吸信號、ECG信號和BP信號，即可對數(shù)據(jù)進(jìn)行截取，作為本研究的實驗數(shù)據(jù)。本研究將截取各信號的前520個采樣點作為訓(xùn)練數(shù)據(jù)，由于收縮壓和舒張壓在較短時間內(nèi)的變化較小，因此，選取BP信號片段的最小值為舒張壓、最大值為收縮壓。

2.3 模型建立

一維CNN可以有效地從時間序列中學(xué)習(xí)到數(shù)據(jù)間的相互依存關(guān)系，從較短的數(shù)據(jù)片段中獲得有用的特征。當(dāng)該特征在數(shù)據(jù)片段中的位置相關(guān)性較低甚至不相關(guān)時，一維CNN會體現(xiàn)出非常好的性能[26]。與循環(huán)神經(jīng)網(wǎng)絡(luò)類似，一維CNN同樣可以在固定時間段內(nèi)分析任意種類的時間序列數(shù)據(jù)，并有良好的預(yù)測性能[27]。

考慮到本研究的輸入數(shù)據(jù)為ECG信號、呼吸信號和心臟信號等時間序列數(shù)據(jù)，可采用一維CNN建立血壓檢測模型。本研究構(gòu)造的CNN模型框架見圖8，模型輸入層的維度大小是(520，3)。其中，520是時間序列的長度，即每一條信號有520個包含特定信息的數(shù)值點，3是輸入數(shù)據(jù)的維數(shù)，即每條輸入數(shù)據(jù)包含呼吸信號、心臟信號和ECG信號。CNN模型的隱藏層中包含8個卷積層和4個池化層，即每兩個卷積層之間連接一個池化層(以減少輸出的復(fù)雜性并防止過擬合)，輸出層采用線性函數(shù)來輸出預(yù)測值。

圖7 樣本數(shù)據(jù)各分量信號示例

3 實驗結(jié)果

根據(jù)上節(jié)所給篩選規(guī)則和處理方法，從MIMIC-Ⅲ數(shù)據(jù)集中獲得5 776條數(shù)據(jù)。每條數(shù)據(jù)包含原始PPG、ECG和血壓信號，以及提取出的心臟信號和呼吸信號。血壓值范圍為50～198 mmHg，其中，收縮壓范圍為60～198 mmHg，舒張壓范圍為50～154 mmHg，且收縮壓大于180 mmHg、小于 100 mmHg的百分比分別為 0.24%、 8.00%，舒張壓大于 100 mmHg、小于 60 mmHg的百分比分別為 1.60%、 43.30%。在訓(xùn)練模型過程中，輸入序列數(shù)據(jù)長度為520，Epoch設(shè)置為100，學(xué)習(xí)率為0.01，優(yōu)化方法選擇Adam，損失函數(shù)為MSE。另外，本研究采用5折交叉驗證方法，用于評估模型的穩(wěn)定性。

接下來，使用ECG/呼吸/心臟信號估計血壓。為了評價所提出的血壓測量方法，本研究計算了CNN血壓檢測模型在AAMI標(biāo)準(zhǔn)下的計算結(jié)果，見表1。

表1 血壓檢測模型誤差 Table 1 Error of blood pressure detection model

表1顯示了CNN模型的收縮壓、舒張壓檢測結(jié)果誤差在AAMI標(biāo)準(zhǔn)下的結(jié)果。由表1可知，舒張壓比收縮壓更容易預(yù)測。根據(jù)AAMI標(biāo)準(zhǔn)，預(yù)測值和實際值之間的平均絕對差值必須小于5 mmHg，標(biāo)準(zhǔn)偏差必須小于8 mmHg。在本研究中，收縮壓的檢測精度為(4.6852±6.0730) mmHg，舒張壓的檢測精度為(2.5340±3.9860) mmHg，均達(dá)到了AAMI標(biāo)準(zhǔn)。

為了與BHS標(biāo)準(zhǔn)[28]做比較，本研究計算了CNN血壓檢測模型的檢測誤差分別小于等于5、10、15 mmHg的占比，結(jié)果見表2。

表2 血壓檢測模型誤差占比 Table 2 Error ration of blood pressure detection model

由表2可知，當(dāng)使用ECG/呼吸/心臟信號估計血壓時，CNN模型的收縮壓/舒張壓檢測結(jié)果均達(dá)到了BHS標(biāo)準(zhǔn)的A級別。

由于PPG信號與血壓有較強(qiáng)的相關(guān)性，下面僅使用從PPG信號中提取出的呼吸和心臟信號作為訓(xùn)練數(shù)據(jù)，所得CNN模型在測試集上的誤差結(jié)果見表3。

圖8 一維卷積神經(jīng)網(wǎng)絡(luò)模型框架

由表3可知，CNN模型的舒張壓檢測精度達(dá)到了AAMI標(biāo)準(zhǔn)和BHS標(biāo)準(zhǔn)的A級別，但是其收縮壓檢測精度并未達(dá)到AAMI標(biāo)準(zhǔn)。另外，與表1、表2比較可知，僅使用呼吸/心臟信號估計血壓時，CNN模型對于收縮壓/舒張壓的檢測精度在AAMI標(biāo)準(zhǔn)和BHS標(biāo)準(zhǔn)下均有明顯的降低，這表明ECG信號在提高測量血壓精度方面的作用顯著。

表3 基于呼吸/心臟信號的CNN模型檢測誤差

圖9—圖12為基于ECG/呼吸/心臟信號測量血壓時，收縮壓、舒張壓的結(jié)果偏差的散點圖和測量誤差的統(tǒng)計直方圖。

圖9 收縮壓測量結(jié)果偏差Fig.9 Deviation of systolic blood pressure measurement results

圖10 舒張壓測量結(jié)果偏差Fig.10 Deviation of diastolic blood pressure measurement

圖9、圖10分別表示收縮壓、舒張壓的所有測量結(jié)果偏差的散點圖，橫坐標(biāo)表示樣本數(shù)量，縱坐標(biāo)表示偏差值。由圖可知，數(shù)據(jù)分布較為均勻，集中分布在0值附近，表明實驗結(jié)果誤差較小。

圖11、圖12分別表示收縮壓、舒張壓測量誤差的統(tǒng)計直方圖，橫坐標(biāo)表示誤差分布，縱坐標(biāo)表示樣本數(shù)量。圖中體現(xiàn)了收縮壓、舒張壓的所有測量誤差分布情況，誤差小于等于5 mmHg樣本數(shù)占比分別達(dá)到了71.21%、87.17%，表明該模型有較好的測量精度。

圖11 收縮壓測量誤差Fig.11 Systolic pressure measurement error

圖12 舒張壓測量誤差Fig.12 Diastolic blood pressure measurement error

國際高血壓協(xié)會于2020年發(fā)布了新的血壓標(biāo)準(zhǔn)[29]，SBP/DBP高于140/90 mmHg為高血壓，SBP/DBP低于90/60 mmHg為低血壓，介于其中的為正常血壓。根據(jù)該標(biāo)準(zhǔn)，可將5 776條數(shù)據(jù)劃分為三類人群：高血壓人群(1 022條)、低血壓人群(2 523條)，健康人群(2 231條)。對不同人群的檢測結(jié)果見表4。

表4 不同人群的CNN模型檢測誤差 Table 4 Detection error of CNN model of different populations

由表4可知，當(dāng)基于ECG/呼吸/心臟信號測量血壓時，CNN模型對于健康人群的檢測得了較好的結(jié)果，其SBP和DBP的檢測精度均達(dá)到了AAMI標(biāo)準(zhǔn)。對于高血壓、低血壓人群的檢測，只有DBP的檢測精度達(dá)到了AAMI標(biāo)準(zhǔn)，但是對于SBP的檢測也取得了較好的結(jié)果，其高血壓檢測精度為(5.9014±6.2057) mmHg，低血壓檢測精度為(6.0501±5.7678) mmHg。

4 結(jié)論

本研究的基于深度學(xué)習(xí)的ECG/PPG血壓測量方法，利用基于小波包的模態(tài)分解技術(shù)對PPG信號進(jìn)行處理，提取出呼吸信號和心臟信號，并與ECG信號相結(jié)合，經(jīng)數(shù)據(jù)同步與截取后，使用學(xué)習(xí)特征較為全面的深度學(xué)習(xí)方法建立血壓檢測的CNN模型，提高了血壓檢測精度。當(dāng)使用ECG/呼吸/心臟信號估計血壓時，CNN模型的檢測精度最高，其SBP與DBP檢測精度分別為(4.6852±6.0730) mmHg和(2.5340±3.9860) mmHg，均達(dá)到了AAMI標(biāo)準(zhǔn)和BHS標(biāo)準(zhǔn)的最高級別。當(dāng)使用呼吸/心臟信號預(yù)測血壓時，CNN模型的舒張壓檢測精度達(dá)到了AAMI標(biāo)準(zhǔn)和BHS標(biāo)準(zhǔn)的最高級別，但是收縮壓檢測精度未達(dá)到AAMI標(biāo)準(zhǔn)。此外，本研究還對該模型在健康、高血壓、低血壓等人群中的檢測精度分別進(jìn)行了研究。其中，對于健康人群的檢測取得了最好的結(jié)果，達(dá)到了AAMI標(biāo)準(zhǔn)；對于高血壓、低血壓人群的檢測，只有DBP的檢測精度達(dá)到了AAMI標(biāo)準(zhǔn)。

本研究結(jié)果表明，模態(tài)分解技術(shù)能夠有效地提取出與血壓密切相關(guān)的心臟信號和呼吸信號，減少原始PPG信號中的噪聲，與ECG信號結(jié)合后可以有效提高對血壓的檢測精度。