吳佳澤 梁昊 陳明**

（1）北京中醫(yī)藥大學(xué)中醫(yī)學(xué)院，北京 102488；2）湖南中醫(yī)藥大學(xué)中醫(yī)診斷研究所，長(zhǎng)沙 410208）

高血壓是常見(jiàn)的心血管疾病，其不僅會(huì)導(dǎo)致動(dòng)脈粥樣硬化、心肌梗死、腦卒中等嚴(yán)重的心血管疾病，而且會(huì)累及眼、腦、腎等全身器官，危害極大［1］。由于高血壓形成緩慢，民眾不夠重視，導(dǎo)致中國(guó)高血壓知曉率、控制率普遍不高［2］，因此造成了社會(huì)醫(yī)療資源的嚴(yán)重消耗，給個(gè)人和國(guó)家造成了嚴(yán)重負(fù)擔(dān)。黃錦榮等［3］研究得出，控制高血壓最有效的方法是社區(qū)防治，所以為了提高高血壓知曉率和治療率，除加強(qiáng)健康教育外，更需要一種方便快捷、可長(zhǎng)期連續(xù)進(jìn)行的無(wú)創(chuàng)血壓監(jiān)測(cè)方法。

目前臨床上常用的血壓監(jiān)測(cè)方法是直接血壓監(jiān)測(cè)法和間歇血壓監(jiān)測(cè)法［4］。相比直接血壓監(jiān)測(cè)法，間歇血壓監(jiān)測(cè)法無(wú)法持續(xù)監(jiān)測(cè)血壓，充氣袖帶也不適用于患有“淋巴水腫”等疾病的患者，并且血壓測(cè)量值會(huì)因肢體活動(dòng)或袖帶壓迫等原因受到影響；直接血壓監(jiān)測(cè)法雖然可以獲得動(dòng)脈血壓（arterial blood pressure，ABP）波而得以持續(xù)監(jiān)測(cè)血壓，并且其測(cè)量值也被定為“金標(biāo)準(zhǔn)”，但侵入式監(jiān)測(cè)方法對(duì)技法、設(shè)備和醫(yī)療專業(yè)知識(shí)要求較高，且有引發(fā)并發(fā)癥的可能，因此不適于家庭等環(huán)境，也無(wú)法大規(guī)模推廣應(yīng)用?；谝陨显?，連續(xù)無(wú)創(chuàng)血壓監(jiān)測(cè)越來(lái)越受到重視，尤其是容積脈搏波法［5］，容積脈搏波可以反映測(cè)量位置處的血容量變化，這與血壓密切相關(guān)。因此，可以利用其來(lái)監(jiān)測(cè)血壓，如聯(lián)合使用容積脈搏波和心電圖（electrocardiogram，ECG）信號(hào)的脈搏波傳遞時(shí)間（pulse transit time，PTT）［6］和脈搏波到達(dá)時(shí)間（pulse arrival time，PAT）［7］方法，以及基于PTT或PAT的脈搏波傳播速度（pulse wave velocity，PWV）［8］方法。雖然得到的結(jié)果令人滿意，但是PTT和PAT方法需要容積脈搏波和ECG兩種信號(hào)數(shù)據(jù)，PWV方法還需要測(cè)量體表動(dòng)脈節(jié)段間的距離，這不僅增加了操作復(fù)雜性和成本，而且難以保證信號(hào)間的同步性。因此，若能利用單一容積脈搏波信號(hào)進(jìn)行連續(xù)無(wú)創(chuàng)血壓監(jiān)測(cè)，那么就會(huì)因裝置簡(jiǎn)單、操作難度小等優(yōu)勢(shì)而有諸多臨床應(yīng)用價(jià)值。機(jī)器學(xué)習(xí)方法常用于該方向的研究，一些學(xué)者分別將自容積脈搏波信號(hào)中提取的特征信號(hào)［9-10］和容積脈搏波原始信號(hào)［11-12］作為模型輸入來(lái)進(jìn)行連續(xù)無(wú)創(chuàng)血壓監(jiān)測(cè)研究，其中原始信號(hào)因比特征信號(hào)包含更多信息而使模型效果較優(yōu)。然而，這些研究都只聚焦于收縮壓和舒張壓，而非ABP波［13］，這導(dǎo)致呈現(xiàn)的血壓信息不全面，有價(jià)值的心血管信息有所缺失。

血流動(dòng)力學(xué)研究表明，ABP波相比收縮壓和舒張壓包含更多信息［14］。因此，有學(xué)者希望利用容積脈搏波重建ABP波，如此就得以方便、快捷地獲取ABP波以實(shí)現(xiàn)連續(xù)無(wú)創(chuàng)血壓監(jiān)測(cè)，并借以提高高血壓診斷的準(zhǔn)確性［15］。如Cheng等［16］構(gòu)建的ABP-Net模型，雖然其重建ABP波的性能較優(yōu)，但是模型輸入除容積脈搏波原始信號(hào)外，還包括其一階導(dǎo)數(shù)和二階導(dǎo)數(shù)，這顯然增加了計(jì)算復(fù)雜度；Li等［17］構(gòu)建的GRNN模型不僅可以重建ABP波，還可以計(jì)算其頻域特征，這為相關(guān)研究提供了基礎(chǔ)，但需額外構(gòu)建相應(yīng)的編碼器和解碼器，且GRNN模型的空間復(fù)雜度也較高。因此，本文構(gòu)建了卷積神經(jīng)網(wǎng)絡(luò)-長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（CNNLSTM）模型以從容積脈搏波重建ABP波，進(jìn)而實(shí)現(xiàn)連續(xù)無(wú)創(chuàng)血壓監(jiān)測(cè)。該模型的輸入僅為容積脈搏波原始信號(hào)，無(wú)需ECG等其他信號(hào)數(shù)據(jù)，并且也無(wú)需對(duì)其進(jìn)行人工特征提??；該模型的輸出為ABP波，除可從中獲得收縮壓和舒張壓外，還可借以提高高血壓診斷的準(zhǔn)確性。

1 光學(xué)體積描記術(shù)和ABP波

脈搏波是由心臟搏動(dòng)向動(dòng)脈血管和血流傳播形成的。圖1所示為光學(xué)體積描記術(shù)（photoplethysmography，PPG）、ABP波的測(cè)量及典型波形，其中PPG波是由光電傳感器檢測(cè)血管容積隨時(shí)間變化而得到的［18］，光電傳感器會(huì)測(cè)量經(jīng)血流吸收和反射后的衰減光，將不易測(cè)量的光信號(hào)轉(zhuǎn)換成易測(cè)量的電信號(hào)來(lái)檢測(cè)血流容積變化，ABP波是將導(dǎo)管直接置入動(dòng)脈內(nèi)測(cè)量ABP隨時(shí)間變化而得到的。

Fig.1 Measurement and typical waveforms of arterial blood pressure wave（a） and PPG（b）

從波形采集來(lái)看，PPG波的采集相對(duì)簡(jiǎn)便，光電傳感器對(duì)靈敏度和體位的要求較低，可長(zhǎng)時(shí)間無(wú)創(chuàng)采集［19］，ABP波的采集較為復(fù)雜，且可能引發(fā)并發(fā)癥，多于重癥監(jiān)護(hù)室內(nèi)采集。從波形形態(tài)來(lái)看，PPG波相比ABP波缺失了潮波，又稱重搏前波，即FGC段。從各波段代表的生理意義來(lái)看：AB段為快速射血期，此時(shí)主動(dòng)脈瓣開(kāi)放，微血管的容積增大，形成上升支，因此主波波峰B為收縮壓，波谷A為舒張壓；BC段為減慢射血期，此時(shí)微血管流向周圍的血量大于流向微血管的血量，微血管的容積回縮，形成下降前支；CE段為心室舒張期，此時(shí)微血管中的血量進(jìn)一步減少，形成下降后支，下降后支中出現(xiàn)的小波為重搏波，重搏波是由于心室擴(kuò)張，主動(dòng)脈瓣關(guān)閉，主動(dòng)脈內(nèi)血液向心室方向反流而使主動(dòng)脈根部容積增大，血流沖擊主動(dòng)脈瓣形成反射脈搏波并再次傳遞至微血管處形成的［20］；FGC段是由主動(dòng)脈根部的初始波向外周傳播時(shí)受外周因素而產(chǎn)生的折返波多次疊加形成的［21］。

2 模擬實(shí)驗(yàn)

2.1 數(shù)據(jù)集

本文實(shí)驗(yàn)使用的數(shù)據(jù)集來(lái)自無(wú)袖血壓估算數(shù)據(jù)集（cuff-less blood pressure estimation data set）［22］，該數(shù)據(jù)集包含以125 Hz的頻率在不同時(shí)間采集的多位患者PPG、ABP同步信號(hào)數(shù)據(jù)。該數(shù)據(jù)集的原始數(shù)據(jù)來(lái)自重癥監(jiān)護(hù)醫(yī)學(xué)信息集（medical information mart for intensive care，MIMIC）［23］，該數(shù)據(jù)集作者對(duì)原始數(shù)據(jù)進(jìn)行了預(yù)處理和驗(yàn)證，從而得到了一個(gè)相對(duì)干凈有效的數(shù)據(jù)集，本文從中共選取263 000組PPG和ABP采樣點(diǎn)數(shù)據(jù)。圖2展示了該數(shù)據(jù)集正常血壓、高血壓前期、高血壓3部分的PPG與ABP同步數(shù)據(jù)，并根據(jù)Pearson相關(guān)系數(shù)計(jì)算了PPG與ABP波間的形態(tài)相關(guān)性，結(jié)果均為r>0.9，表明PPG與ABP波在形態(tài)上具有強(qiáng)相關(guān)性。

Fig.2 Morphological correlation between PPG and arterial blood pressure waves

2.1.1 預(yù)處理

PPG信號(hào)微弱，在采集過(guò)程中不可避免會(huì)受到工頻干擾［24］、基線漂移［25］、運(yùn)動(dòng)偽跡［26］等噪聲的影響，因此，數(shù)據(jù)集作者使用小波對(duì)PPG進(jìn)行降噪處理［27］。首先以1 000 Hz的固定頻率對(duì)原始信號(hào)重新采樣，并使用Daubechies8（db8）小波將重采樣后的信號(hào)分解到10個(gè)分解層；然后通過(guò)歸零極低頻率（0~0.25 Hz）的分解系數(shù)以消除基線漂移，歸零極高頻率（250~500 Hz）的分解系數(shù)以消除工頻干擾和運(yùn)動(dòng)偽跡；接著對(duì)剩余分解系數(shù)采用Rigrsure軟閾值算法進(jìn)行常規(guī)小波降噪；最終重構(gòu)分解后的信號(hào)得到降噪信號(hào)。

2.1.2 數(shù)據(jù)集劃分、歸一化和滑窗

預(yù)處理后，該數(shù)據(jù)集作者剔除了部分錯(cuò)誤數(shù)據(jù)并對(duì)信號(hào)進(jìn)行了重新拼接，因此為避免訓(xùn)練集和測(cè)試集重疊，且使模型更加泛化，本文將數(shù)據(jù)集的前80%劃分為訓(xùn)練集，后20%劃分為測(cè)試集，其中選取訓(xùn)練集的10%作為驗(yàn)證集進(jìn)行十折交叉驗(yàn)證，選擇指標(biāo)最佳的模型，然后用其評(píng)估測(cè)試集。考慮到奇異樣本的不良影響和模型的收斂速度，需將訓(xùn)練集和測(cè)試集中PPG和血壓值歸一化至區(qū)間［0，1］。然后對(duì)其進(jìn)行數(shù)據(jù)滑窗（圖3），單位時(shí)間內(nèi)大致可采樣兩個(gè)PPG周期，為了充分使用序列數(shù)據(jù)，本文使用窗口步長(zhǎng)為1，窗口長(zhǎng)度分別為62、125、187、250、312、375采樣點(diǎn)的窗口對(duì)PPG進(jìn)行滑窗。

Fig.3 Sliding windows with different window lengths

2.2 模型構(gòu)建

2.2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）是一種帶有卷積結(jié)構(gòu)且能進(jìn)行卷積計(jì)算的神經(jīng)網(wǎng)絡(luò)，其由卷積層、池化層和全連接層交叉堆疊組成［28］。其特有的卷積計(jì)算核心可以根據(jù)局部相關(guān)性原理對(duì)數(shù)據(jù)進(jìn)行鄰域間采樣，故經(jīng)常用來(lái)進(jìn)行特征提取［29］。

2.2.2 時(shí)序神經(jīng)網(wǎng)絡(luò)

時(shí)序神經(jīng)網(wǎng)絡(luò)，又名循環(huán)神經(jīng)網(wǎng)絡(luò)或遞歸神經(jīng)網(wǎng)絡(luò)（recurrent neural networks，RNN），其能夠提取并分析數(shù)據(jù)中的序列特征且具有短期或長(zhǎng)期記憶，是處理序列數(shù)據(jù)的首選神經(jīng)網(wǎng)絡(luò)［30］。RNN由輸入層、隱藏層、輸出層3部分組成，隱藏層即循環(huán)層，為RNN的核心所在，RNN的輸入層接受序列數(shù)據(jù)，經(jīng)隱藏層處理后輸出序列數(shù)據(jù)。經(jīng)典RNN模型可以處理短期記憶問(wèn)題，但無(wú)法處理長(zhǎng)期記憶問(wèn)題，因?yàn)楫?dāng)輸入序列較長(zhǎng)時(shí)，會(huì)遇到梯度消失問(wèn)題。長(zhǎng)短期記憶（long short-term memory，LSTM）［31］神經(jīng)網(wǎng)絡(luò)引入“細(xì)胞狀態(tài)”和“門控制”的概念解決了梯度消失問(wèn)題，因此可以很好地處理長(zhǎng)期記憶問(wèn)題。

2.2.3 CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)

波形數(shù)據(jù)具有空間和時(shí)間兩個(gè)方面的特征，單純應(yīng)用CNN會(huì)丟失波形的時(shí)間特征，單純應(yīng)用RNN會(huì)丟失波形的空間特征。因此本文提出基于CNN和LSTM的混合神經(jīng)網(wǎng)絡(luò)，其中CNN用以提取波形的空間特征，LSTM用以提取波形的時(shí)間特征。

本文實(shí)現(xiàn)的CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)以PPG的滑動(dòng)窗口數(shù)據(jù)為輸入，以與之窗口長(zhǎng)度對(duì)應(yīng)的ABP波為輸出，輸入和輸出的維度均為(n，1)(n為窗口長(zhǎng)度)。其模型結(jié)構(gòu)（圖4）主要由2層一維卷積層（Convolution1D）、1層一維最大池化層（MaxPoo1D）、2層LSTM層、2層全連接層（Dense）組成。第一層卷積層的卷積核大小為3，數(shù)目為64，采用ReLU激活函數(shù)，其維度為(n，64)(n為窗口長(zhǎng)度)。第二層卷積層的卷積核大小為3，數(shù)目為96，采用ReLU激活函數(shù)，其維度為(n，96)(n為窗口長(zhǎng)度)。最大池化層的池化核大小為2，其維度為(n/2，96)(n為窗口長(zhǎng)度)。卷積計(jì)算主要提取PPG波形的空間特征，池化層對(duì)卷積層提取的特征進(jìn)行降維處理以減少神經(jīng)網(wǎng)絡(luò)的計(jì)算量，并增強(qiáng)特征的不變性；池化層提取的特征向量經(jīng)Flatten和RepeatVector操作后得以匹配至窗口長(zhǎng)度，其維度為(n，n/2×96)(n為窗口長(zhǎng)度)，便于后續(xù)輸入LSTM層；LSTM層是尋找波形的空間特征在時(shí)間序列上的關(guān)系，第一層LSTM層擁用100個(gè)記憶單元，采用Tanh激活函數(shù)，其維度為(n，100)(n為窗口長(zhǎng)度)，第二層LSTM層擁用200個(gè)記憶單元，采用Tanh激活函數(shù)，其維度為(n，200)(n為窗口長(zhǎng)度)，為防止過(guò)擬合，Dropout正則化會(huì)在訓(xùn)練過(guò)程中隨機(jī)“拋棄”20%的神經(jīng)元；最后兩層全連接層經(jīng)TimeDistributed處理后，其維度被壓為(n，1)(n為窗口長(zhǎng)度)，得以使網(wǎng)絡(luò)輸出，即ABP波的窗口長(zhǎng)度匹配至網(wǎng)絡(luò)輸入，即經(jīng)滑窗操作后的PPG。網(wǎng)絡(luò)訓(xùn)練時(shí)，損失函數(shù)為均方誤差（mean square error，MSE），優(yōu)化器為Adam，學(xué)習(xí)率為0.000 1，迭代次數(shù)為10。

Fig.4 CNN-LSTM hybrid neural network model

3 結(jié)果

圖5所示為CNN-LSTM神經(jīng)網(wǎng)絡(luò)分別采用不同窗口長(zhǎng)度時(shí)的ABP波重建情況，其可以直觀地表明重建ABP值的準(zhǔn)確性及與實(shí)際ABP值的擬合情況。可以看出，除圖5c，f外，其余圖中的重建ABP值和實(shí)際ABP值大致擬合，沒(méi)有出現(xiàn)較明顯偏差。其中，圖5b，e擬合精度較高，重建波形中的收縮壓和舒張壓基本準(zhǔn)確，并且不同程度地放大了重搏波這一特征，表明神經(jīng)網(wǎng)絡(luò)中的卷積計(jì)算很好地學(xué)習(xí)到了該特征。圖5e比圖5b的擬合精度要更好，體現(xiàn)了LSTM長(zhǎng)期記憶的優(yōu)勢(shì)。重建波形中的收縮壓與實(shí)際值略有差異，并且出現(xiàn)多次明顯重搏波（圖5a，d）；重建波形中的重搏波擬合較為準(zhǔn)確，但是收縮壓明顯高于實(shí)際值（圖5c）；重建波形中的收縮壓明顯高于實(shí)際值，并且重搏波不明顯（圖5f），表明采用窗口長(zhǎng)度為375的神經(jīng)網(wǎng)絡(luò)并未很好地學(xué)習(xí)到該特征。

表1通過(guò)平均絕對(duì)誤差（mean absolute error，MAE）（公式1）和均方根誤差（root mean square error，RMSE）（公式2）評(píng)價(jià)指標(biāo)展示了該神經(jīng)網(wǎng)絡(luò)使用不同窗口長(zhǎng)度時(shí)，重建ABP波形與實(shí)際ABP波形間的誤差情況。可以看出，使用窗口長(zhǎng)度312的神經(jīng)網(wǎng)絡(luò)時(shí)誤差最小，MAE和RMSE分別為2.79 mmHg和4.24 mmHg，符合美國(guó)醫(yī)療器械促進(jìn)協(xié)會(huì)（Association for the Advancement of Medical Instrumentation，AAMI）標(biāo)準(zhǔn)。

余弦相似度（cosine similarity），又稱余弦距離（公式3，其中A，B為n維向量），其使用n維空間中兩個(gè)n維向量之間角度的余弦值作為指標(biāo)來(lái)衡量數(shù)據(jù)間的差異大小，取值范圍為［-1，1］，余弦值越接近1，表明兩組數(shù)據(jù)越接近，反之則越不接近。表2所示為使用不同窗口長(zhǎng)度時(shí)，重建動(dòng)脈血壓值與實(shí)際動(dòng)脈血壓值的余弦相似度，可以看出，當(dāng)使用窗口長(zhǎng)度312的神經(jīng)網(wǎng)絡(luò)時(shí)，重建ABP值和實(shí)際ABP值間的余弦相似度最大，為0.999 61，表明兩者最接近。

Table 1 Reconstruction errors of arterial blood pressure waves in models with different window lengths

Table 2 Cosine similarity between reconstructed arterial blood pressure values and actual arterial blood pressure values when using different window lengths

Fig.5 Reconstruction of arterial blood pressure waves in models with different window lengths

Fig.6 Histogram of error distribution between reconstructed arterial blood pressure values and actual arterial blood pressure values

圖6所示為使用窗口長(zhǎng)度312的神經(jīng)網(wǎng)絡(luò)時(shí)，將重建ABP值與實(shí)際ABP值間的誤差值四舍五入到其最接近的整數(shù)生成的離散化誤差分布直方圖，用以直觀地顯示重建ABP值與實(shí)際ABP值間的誤差分布情況?？梢钥闯觯`差分布直方圖整體表現(xiàn)為“窄”而“高”，呈正態(tài)分布趨勢(shì)，其中誤差0 mmHg占比最多，誤差絕對(duì)值大于10 mmHg占比非常低，表明重建ABP值與實(shí)際ABP值整體上較為接近，擬合情況較好。

圖7所示為使用窗口長(zhǎng)度312的神經(jīng)網(wǎng)絡(luò)時(shí)，根據(jù)重建ABP值與實(shí)際ABP值的平均值及誤差值生成的Bland-Altman圖，其通過(guò)計(jì)算兩者的一致性界限，并以圖形方式直觀反映，可用于評(píng)價(jià)重建ABP值和實(shí)際ABP值的一致性。可以看出，高密度點(diǎn)集中于平均線附近，大部分點(diǎn)也落于95%一致性區(qū)間內(nèi)（即1.96個(gè)標(biāo)準(zhǔn)差范圍內(nèi)），偏倚程度為-8.08~9.21 mmHg，表明重建ABP值與實(shí)際ABP值間的一致性情況良好，該模型的重建精度比較理想。

Fig.7 Bland-Altman diagram of reconstructed arterial blood pressure values and actual arterial blood pressure values

圖8所示為使用窗口長(zhǎng)度312的神經(jīng)網(wǎng)絡(luò)時(shí)，根據(jù)重建ABP值與實(shí)際ABP值生成的回歸圖，用以表明兩者間的一致性。其Pearson相關(guān)系數(shù)r=0.975，較接近于1，可以看出，大部分點(diǎn)集中于回歸線附近，兩者之間具有強(qiáng)線性相關(guān)性，表明重建ABP值與實(shí)際ABP值間一致性較好，整體上相關(guān)度高。

4 討論

目前基于PPG波的連續(xù)無(wú)創(chuàng)血壓測(cè)量研究主要分為人工特征參數(shù)分析和機(jī)器學(xué)習(xí)兩個(gè)方面，焦學(xué)軍等［32］分析了PPG波傳導(dǎo)時(shí)間、K值、面積、降中狹高度、重搏波高度、脈率等特征參數(shù)，并根據(jù)受試者自身特點(diǎn)建立特征方程來(lái)計(jì)算受試者的收縮壓與平均壓，結(jié)果表明PPG波法較其他連續(xù)無(wú)創(chuàng)血壓監(jiān)測(cè)法有更高的測(cè)量精度。吳丹［33］研究得出，通過(guò)神經(jīng)網(wǎng)絡(luò)建立的血壓估算模型的精度要高于線性和非線性回歸方法，并且神經(jīng)網(wǎng)絡(luò)模型可以在無(wú)人工提取特征的情況下自動(dòng)學(xué)習(xí)特征并分析關(guān)聯(lián)特征，這些特征分布得更加客觀，涵蓋的血壓信息也更加豐富，這是人工特征參數(shù)分析無(wú)法相比的。因此，基于PPG波及機(jī)器學(xué)習(xí)的連續(xù)無(wú)創(chuàng)血壓監(jiān)測(cè)法相比其他基于動(dòng)脈導(dǎo)管、袖帶等的血壓監(jiān)測(cè)法具有諸多優(yōu)勢(shì)，如非侵入式操作、測(cè)壓簡(jiǎn)便快捷、可長(zhǎng)期連續(xù)監(jiān)測(cè)等。然而，既往研究只專注于通過(guò)PPG波獲取單一收縮壓和舒張壓，而非ABP波。李嘉瑋等［34］使用多波長(zhǎng)光電傳感器采集PPG波以擬合Rossmax電子血壓計(jì)測(cè)量的血壓，進(jìn)而分析二者相關(guān)性以預(yù)測(cè)血壓；彭莉等［35］同步采集了II導(dǎo)ECG和食指PPG波，使用醫(yī)用臂式電子血壓計(jì)測(cè)量的血壓作為參考值，通過(guò)建立血壓的偏最小二乘回歸模型以預(yù)測(cè)血壓；譚志堅(jiān)等［36］使用的血壓數(shù)據(jù)集也只包含收縮壓和舒張壓，而非ABP波。因此，如果可以通過(guò)PPG波重建ABP波，則在獲得收縮壓和舒張壓的同時(shí)還能獲得更為豐富的循環(huán)生理信息。

綜上，本文基于CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)，利用MIMIC數(shù)據(jù)庫(kù)中的同步記錄信號(hào)數(shù)據(jù)，通過(guò)PPG波重建ABP波，進(jìn)而實(shí)現(xiàn)連續(xù)無(wú)創(chuàng)血壓監(jiān)測(cè)。實(shí)驗(yàn)結(jié)果表明，當(dāng)窗口長(zhǎng)度為312時(shí)，該神經(jīng)網(wǎng)絡(luò)的重建ABP波與實(shí)際ABP波擬合最佳，其MAE和RMSE最小，分別為2.79 mmHg和4.24 mmHg，余弦相似度值最大，為0.999 61。誤差分布直方圖、Bland-Altman圖和回歸圖顯示重建ABP值和實(shí)際ABP值間誤差較小，一致性和相關(guān)性情況良好。表3為本文研究與既往研究的對(duì)比。Kachuee等［27］人工提取了ECG和PPG信號(hào)波的特征參數(shù)，并通過(guò)機(jī)器學(xué)習(xí)模型AdaBoost進(jìn)行血壓預(yù)測(cè)，結(jié)果收縮壓MAE為8.21 mmHg，舒張壓MAE為4.31 mmHg，均高于本文結(jié)果2.79 mmHg，表明神經(jīng)網(wǎng)絡(luò)對(duì)波形的特征提取及擬合能力相比人工特征提取及傳統(tǒng)機(jī)器學(xué)習(xí)方法有較大優(yōu)勢(shì)；成剛等［37］基于BP神經(jīng)網(wǎng)絡(luò)使用PPG波特征參數(shù)預(yù)測(cè)血壓，結(jié)果為收縮壓BP神經(jīng)網(wǎng)絡(luò)的RMSE為5.92 mmHg，舒張壓BP神經(jīng)網(wǎng)絡(luò)的RMSE為6.11 mmHg，而本文CNNLSTM神經(jīng)網(wǎng)絡(luò)的RMSE為4.24 mmHg，重建結(jié)果明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，表明CNN對(duì)波形特征的提取能力和LSTM對(duì)序列特征的提取能力均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)；胡軍鋒等［38］基于CNN使用ECG與PPG同步采集數(shù)據(jù)預(yù)測(cè)血壓，結(jié)果平均脈壓MAE和RMSE分別為3.25 mmHg和4.68 mmHg，高于本文結(jié)果，表明將CNN提取的波形特征輸入LSTM會(huì)進(jìn)一步提取序列特征，減小誤差值，提高準(zhǔn)確率；李帆等［39］分別使用RNN和LSTM神經(jīng)網(wǎng)絡(luò)對(duì)同一數(shù)據(jù)集進(jìn)行訓(xùn)練，結(jié)果RNN的MAE和RMSE分別為11.58 mmHg和17.03 mmHg，LSTM神經(jīng)網(wǎng)絡(luò)的MAE和RMSE為4.05 mmHg和8.78 mmHg，表明在處理長(zhǎng)序列數(shù)據(jù)時(shí)，LSTM神經(jīng)網(wǎng)絡(luò)要優(yōu)于RNN，同時(shí)表明本文CNN-LSTM神經(jīng)網(wǎng)絡(luò)中的CNN較好地提取了波形特征，效果要優(yōu)于單一LSTM神經(jīng)網(wǎng)絡(luò)。關(guān)于既往使用CNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)血壓的研究，Baker等［40］基于CNNLSTM神經(jīng)網(wǎng)絡(luò)使用ECG與PPG同步采集數(shù)據(jù)預(yù)測(cè)血壓，結(jié)果MAE為3.66 mmHg，高于本文結(jié)果MAE，且其輸出為收縮壓和舒張壓，而非動(dòng)脈血壓波，Mou等［11］基于CNN-LSTM神經(jīng)網(wǎng)絡(luò)使用PPG預(yù)測(cè)血壓，其平均脈壓的MAE和RMSE分別為4.42 mmHg和6.01 mmHg，均高于本文結(jié)果，究其原因，可能是其網(wǎng)絡(luò)結(jié)構(gòu)較簡(jiǎn)單，僅一層32卷積核的卷積層和兩層50記憶單元的LSTM層，導(dǎo)致其網(wǎng)絡(luò)擬合能力較弱。綜上，既往對(duì)連續(xù)無(wú)創(chuàng)血壓監(jiān)測(cè)的研究多基于PPG和ECG兩種傳感器的同步數(shù)據(jù)，對(duì)數(shù)據(jù)的采集較繁瑣，要求也較高，且結(jié)果為收縮壓和舒張壓的離散值。而本文研究只需PPG一種傳感器數(shù)據(jù)，采集簡(jiǎn)便，且輸出結(jié)果為ABP波的連續(xù)值，可以方便、快捷地獲得完整心血管信息。Cheng等［16］的研究也明確了連續(xù)ABP波相較于單一收縮壓和舒張壓包含更多的生理病理信息，其基于FCNN構(gòu)建了ABP-Net模型以從PPG信號(hào)波重建ABP波信號(hào)波，其結(jié)果MAE和RMSE分別為3.20 mmHg和4.38 mmHg，略高于本文結(jié)果，且其模型輸入除PPG外，還包括PPG的一階導(dǎo)數(shù)和二階導(dǎo)數(shù)，這無(wú)疑增加了計(jì)算成本；Li等［17］采用GRNN模型自PPG信號(hào)波重建ABP波信號(hào)，結(jié)果平均脈壓的MAE和RMSE分別為3.18 mmHg和4.50 mmHg，略高于本文結(jié)果，可能是GRNN的結(jié)構(gòu)和參數(shù)較LSTM簡(jiǎn)化所致的擬合不足，但其訓(xùn)練成本也大大降低，為本文模型的優(yōu)化提供了參考。

Table 3 Comparison of this study with previous studies

MIMIC數(shù)據(jù)庫(kù)的采集頻率只有125 Hz，要想獲得更加豐富的波形特征，就必須提高采集頻率。同時(shí)，為獲得更高準(zhǔn)確率的重建結(jié)果和更加泛化的模型能力，使模型應(yīng)用于生產(chǎn)環(huán)境，還需要更大的樣本量，以及參數(shù)量和結(jié)構(gòu)更復(fù)雜的神經(jīng)網(wǎng)絡(luò)。此外，MIMIC數(shù)據(jù)庫(kù)主要采集自重癥患者，其血壓數(shù)據(jù)較常人有所差異，因此為獲得更高準(zhǔn)確率，樣本覆蓋范圍也需擴(kuò)大。

5 結(jié)論

本文基于CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)和MIMIC Ⅱ數(shù)據(jù)集，通過(guò)PPG波重建了ABP波，重建ABP波與實(shí)際ABP波間一致性較好，在相位和振幅方面擬合度較高，符合AAMI標(biāo)準(zhǔn)，可用于連續(xù)無(wú)創(chuàng)血壓監(jiān)測(cè)。同時(shí)，相較于收縮壓和舒張壓，ABP波蘊(yùn)含更多信息，希望有助于提高高血壓診斷的準(zhǔn)確性。

數(shù)據(jù)可用性聲明本論文的關(guān)聯(lián)數(shù)據(jù)（DOI:10.57760/sciencedb. 06337/CSTR: 31253.11.sciencedb. 06337）可在Science Data Bank數(shù)據(jù)庫(kù)（https://www.scidb.cn/）中訪問(wèn)獲取。其中*.ims文件的打開(kāi)軟件為Imaris，*.pzfx文件的打開(kāi)軟件為Graphpad Prism。