葉青, 章祎楓, 沙金亮, 方樺, 余瑛*

(1.江西中醫(yī)藥大學(xué)計算機學(xué)院, 南昌 330004; 2.江西中醫(yī)藥大學(xué)中醫(yī)人工智能重點研究室, 南昌 330004;3.南昌大學(xué)教育技術(shù)與教學(xué)資源中心, 南昌 330004)

血壓檢測是評估心血管健康狀況的重要指標(biāo)之一,對于預(yù)防和治療多種心血管疾病具有重要意義。在最新的全球心血管疾病可歸因的危險因素排名當(dāng)中,高血壓排在首位[1]。中國是擁有高血壓病人群最多的國家之一,每年因高血壓病導(dǎo)致腦卒中、冠心病、心肌梗死等心腦血管疾病事件,甚至住院、死亡的發(fā)生率均處于“高位”[2]。此外,一些研究表明,雖然高血壓的發(fā)病率會隨著年齡的增長而升高,但如今越來越多的兒童和青少年受血壓異常的影響,許多人在成年早期就患上了高血壓[3],由血壓異常引起的心血管疾病已經(jīng)成為導(dǎo)致人類高致殘率和高死亡率的主要原因之一,因此,它通常被稱為“沉默的殺手”[4]。由于高血壓的沉默性質(zhì),持續(xù)監(jiān)測患者的血壓至關(guān)重要。

傳統(tǒng)血壓測量方法(如柯氏音聽診法、示波法等)是最常用的血壓監(jiān)測方法,但因其無法自動實時監(jiān)測血壓的連續(xù)變化,越來越多的國內(nèi)外學(xué)者在基于光電容積脈搏波描記法(photo plethysmo graphy,PPG)信號的血壓連續(xù)測量方法上做了大量研究。該方法因其具有無創(chuàng)、連續(xù)和實時監(jiān)測血壓的優(yōu)勢,對于那些需要長期監(jiān)測血壓的患者或健康人群來說,具有很大的實用價值。從最初研究脈搏傳導(dǎo)時間(pulse transit time, PTT)與血壓之間的理論關(guān)系,推算出兩者之間的數(shù)學(xué)物理關(guān)系模型,包括利用脈搏波傳導(dǎo)速度(pulse wave velocity, PWV)理論估算血壓都取得了一定的成功[5],但由于PTT與PWV會受到個體性差異的影響,此方法預(yù)測血壓需要頻繁校準(zhǔn)[6]。一些研究也從PPG波形分析出發(fā),從時頻域多角度提取相關(guān)波形特征,并融合機器學(xué)習(xí)算法來預(yù)測血壓[7],也是主流的血壓預(yù)測方法之一,但由于缺乏臨床數(shù)據(jù)驗證,特征的可解釋性不夠,關(guān)于波形的有效特征嚴(yán)重缺乏共識[8]。近年來,深度學(xué)習(xí)技術(shù)被廣泛應(yīng)用于血壓連續(xù)預(yù)測,從PPG時序上的原始波形自動提取特征,到融入波形的多階微分信號特征,避免了人工定義特征或淺層學(xué)習(xí)算法在估計血壓方面的不足[9],但由于個體之間血壓的差異,在大規(guī)模數(shù)據(jù)集上訓(xùn)練的深度學(xué)習(xí)模型也不能完全學(xué)習(xí)血壓,因此血壓預(yù)測仍有顯著的改進空間。

現(xiàn)對基于PPG信號的無創(chuàng)血壓連續(xù)測量研究進展進行系統(tǒng)性的綜述,主要包括:闡述傳統(tǒng)血壓測量方法的優(yōu)勢與局限;介紹PPG信號的理論背景與技術(shù)原理;回顧最新基于PPG信號的血壓連續(xù)測量的研究方法,對利用PPG信號進行血壓測量的基本原理與具體流程進行描述,包括現(xiàn)有的公開數(shù)據(jù)集、預(yù)處理方法、特征提取技術(shù)和預(yù)測模型的選擇;對基于PPG信號的傳統(tǒng)脈搏時延法、人工設(shè)計特征和深度學(xué)習(xí)3種分別預(yù)測連續(xù)血壓方法的優(yōu)缺點進行對比分析,以及在臨床應(yīng)用中的適用性;討論基于PPG信號的血壓連續(xù)測量方法未來研究方向。從以上5個方面分別進行詳細(xì)闡述,以便研究者們更好地了解該項技術(shù)的優(yōu)勢與不足,為今后的研究提供參考。

1 傳統(tǒng)血壓測量方法

傳統(tǒng)血壓測量方法有直接測量與間接測量兩種。前者實現(xiàn)血壓的連續(xù)實時監(jiān)測必須通過有創(chuàng)插管的方式,獲取人體瞬時和持續(xù)性的血壓動態(tài)變化[10]。由于可以連續(xù)生成整個血壓波形,有創(chuàng)直接測量是當(dāng)前血壓測量的金標(biāo)準(zhǔn)[11],但因其侵入特性,僅用于一些臨床研究和危重癥監(jiān)護等特殊場合[12]。間接測量測得的血壓基本接近主動脈內(nèi)壓力,同時也是臨床診療中最常用的測量方法之一[13]。關(guān)于間接血壓測量的傳統(tǒng)方法主要有柯氏音聽診法、示波法、容積補償法、張力測定法、超聲測壓法等[14]。

1.1 柯式音聽診法

柯氏音聽診法通過聽診器來辨別動脈血流受阻過程中的過流聲音,并找到相應(yīng)的壓力點,通過檢測這些聲音和壓力點,確定收縮壓(systolic blood pressure,SBP)和舒張壓(diastolic blood pressure,DBP)[15]。該方法由聽診器和血壓計袖帶組成,通過袖帶充氣逐漸增加壓力,聽診器在肘部內(nèi)側(cè)和橈動脈處聽取血流聲,最大搏動聲處即為收縮壓的讀數(shù),緩慢放氣直到聽不到搏動聲,即為舒張壓的讀數(shù)。于大騫等[15]利用柯式音法原理,采集這些聲音和壓力信號,擬合出靜壓力方程并識別壓力信號中的突變點,通過自適應(yīng)計算閾值完成特征點提取,并以心率作為搜索步長,提高了血壓測量的準(zhǔn)確性。但該方法受人為因素影響較大,測量結(jié)果可能會有較大誤差。

1.2 示波法

示波法是通過檢測袖帶內(nèi)血管壁搏動產(chǎn)生的氣體振蕩波來間接測量血壓[16]。袁森等[17]采集袖帶壓的同時獲取脈搏波,實時檢測最大脈搏波峰值點,計算出的心率為基準(zhǔn)達(dá)到智能充氣放氣的要求。該方法袖帶中脈沖波的形狀呈紡錘形,根據(jù)脈沖波和袖帶壓力之間的相應(yīng)關(guān)系構(gòu)建一個包絡(luò)曲線。包絡(luò)曲線的頂峰與平均動脈壓(mean artery pressure,MAP)的時相一致,通過包絡(luò)曲線可以確定MAP,然后計算出收縮壓和舒張壓[18]。該方法是測試大量人群而給出統(tǒng)一的測量依據(jù),因此不同人群測量可能會出現(xiàn)偏差。

1.3 容積補償法

容積補償法利用了血流量與血壓之間的關(guān)系,Samimi等[19]研究中描述了該方法的原理,通過測量手指套內(nèi)的容積變化,調(diào)節(jié)系統(tǒng)通過袖帶作用在血管壁上的外部壓力的不斷變化,使血管的血容量保持恒定,用標(biāo)定好的轉(zhuǎn)換系數(shù)將容積變化轉(zhuǎn)換成相應(yīng)的血壓值。該方法會對測試部位產(chǎn)生一定壓力,受試者會有較強的束縛感,在測量之前需要對被測者進行標(biāo)定,同時較長時間測試會引起測量部位的靜脈充血。

1.4 張力測定法

張力測定法通過在橈動脈部位的壓力換能器施加適當(dāng)?shù)耐鈮毫?得到內(nèi)部壓力等于外部壓力時的外壓力值,檢測動脈搏動的最大和最小信號,獲得相應(yīng)的收縮壓和舒張壓[15]。該方法需要測試者保持相對平穩(wěn)狀態(tài),外壓會隨內(nèi)壓的變化而變化,容易產(chǎn)生測量誤差。

1.5 超聲測壓法

超聲測壓法其原理是測量超聲波在經(jīng)過體內(nèi)血流循環(huán)系統(tǒng)時產(chǎn)生的多普勒頻移,當(dāng)袖帶壓力與動脈壓力相同時,超聲波會產(chǎn)生多普勒頻移,初次檢測到多普勒頻移時,可確定袖帶壓力即為動脈收縮壓,多普勒頻移明顯下降時,袖帶壓力即為動脈舒張壓,邢長洋[20]通過超聲成像準(zhǔn)確定位右房中心和頸內(nèi)靜脈塌陷點,能夠簡單快捷實現(xiàn)對右房壓的無創(chuàng)測量。但該方法需要高精度的儀器,并容易受到身體運動干擾。

直接測量與傳統(tǒng)間接測量都存在一定的局限性。前者因其測量侵入性,使得適用人群不夠廣泛,且會對身體造成一定創(chuàng)傷;后者因其測量間斷性與不適性,無法實時跟蹤動態(tài)血壓變化,因此難以獲得連續(xù)血壓[21]?？朔@些困難的一種血壓測量技術(shù)是光電容積脈搏波描記法(PPG),該方法是一種光學(xué)檢測技術(shù),可檢測出人體組織微血管當(dāng)中的血容量變化,近年來,由于對血壓連續(xù)無袖監(jiān)測的迫切需求,大量研究者們對光電容積脈搏波進行深入分析以實現(xiàn)無創(chuàng)血壓的監(jiān)測,并在可穿戴設(shè)備中應(yīng)用廣泛[22]。

2 PPG理論背景與技術(shù)原理

2.1 理論背景

PPG技術(shù)的理論背景涉及光的吸收和散射,以及人體血液的光學(xué)特性。它基于一個簡單的原理:血液可以吸收和反射不同波長的光。Morère[23]首次給出了光通過介質(zhì)傳播的理論解釋,該理論表明,當(dāng)光通過介質(zhì)傳播時,光的強度損失與光強和光路長度成正比。后來Beer[24]發(fā)現(xiàn)了另一種衰減關(guān)系,即如果濃度和路徑長度的乘積保持不變,光通過溶液的透光率保持不變。在此基礎(chǔ)上,朗伯比爾定律的推導(dǎo)結(jié)合這兩個定律,將吸光度量化為衰減物質(zhì)濃度和材料厚度的函數(shù)[25]。

2.2 技術(shù)原理

PPG是一種非侵入性的光電測量技術(shù),裝置簡單、易于攜帶且不會對人體造成損傷,用于測量每次脈沖的血容量變化[26]。在大多數(shù)PPG技術(shù)應(yīng)用中,傳感器或探針被放置在皮膚表面照射皮膚組織,透過皮膚組織的光線由組織層和亞層波長相關(guān)的光學(xué)特性進行調(diào)制[27]。其傳感器由兩部分組成:一個發(fā)光二極管用于照亮皮膚表面,另一個光電探測器用于測量一段時間內(nèi)光吸收的變化。對于肌肉、靜脈、骨骼以及其他連接組織,這些非脈動性以及相對連續(xù)的直流(DC)成分對光的吸收恒定不變;但血液因流動特性,對光的吸收會有所變化[28]。PPG信號的高頻部分,也稱為交流(AC)成分,包含有關(guān)心臟搏動的信息,與心跳同步變化。交流成分疊加在直流的低頻部分上,受呼吸、非血管組織、交感神經(jīng)系統(tǒng)活動和血壓控制等因素的影響[29],如圖1所示。通過光強變化記錄動脈血管中血流量的變化情況,便攜式或電子化的可穿戴的醫(yī)療設(shè)備可直接穿戴在人體,并可以用來感知、記錄、分析、管理和干預(yù)[30]。目前市場上各類智能手環(huán)、手表等脈搏信號采集端口用的就是此種方法[31]。

圖1 光源照射下PPG信號組成[29]

3 開源數(shù)據(jù)集

在利用PPG信號預(yù)測血壓的研究領(lǐng)域,研究人員已經(jīng)發(fā)布了一些開源數(shù)據(jù)集,包括:MIMIC-Ⅱ、MIMC-Ⅲ、UCI-BP、Queensland Vital Signs、Figshare、PPG-DaLiA和Real-World多個數(shù)據(jù)庫可供解析與下載。開放的數(shù)據(jù)集為研究者們提供了血壓預(yù)測實驗的數(shù)據(jù)基礎(chǔ),有助于不同算法間的公平比較。

3.1 MIMIC-Ⅱ

MIMIC-Ⅱ是由美國麻省理工學(xué)院計算機科學(xué)和人工智能實驗室開發(fā)的數(shù)據(jù)庫。包含了來自兩家波士頓醫(yī)院超過32 000名病人的詳細(xì)醫(yī)療信息,含有關(guān)生理信號、血壓和其他波形的記錄[32]。包括診斷、治療、生理監(jiān)測、實驗室測試結(jié)果、藥物治療和醫(yī)療過程中使用的設(shè)備等信息。這些數(shù)據(jù)通常用于研究臨床問題、構(gòu)建預(yù)測模型和評估治療方法等。

3.2 MIMIC-Ⅲ

MIMIC-Ⅲ是MIMIC-Ⅱ數(shù)據(jù)庫的更新版本,包含了更多病人數(shù)據(jù)和更豐富的信息。它提供了在不同醫(yī)院接受重癥治療超過46 000名病人的詳細(xì)醫(yī)療信息與數(shù)據(jù)。包含2001—2012年ICU收治的53 423名成年患者,它還包含了2001—2008年入住的7 870名新生兒的信息[33]。MIMIC-Ⅱ、MIMIC-Ⅲ的所有數(shù)據(jù)都免費公開,研究者們可以通過PhysioNet庫(http://physionet.org/)訪問。

3.3 UCI-BP

加州大學(xué)歐文分校機器學(xué)習(xí)數(shù)據(jù)庫(UCI-BP)中的血壓數(shù)據(jù)集來源于MIMIC-Ⅱ,該數(shù)據(jù)集由3個信號組成,存儲在矩陣單元陣列中[34]。其中PPG、動脈血壓(arterial blood pressure,ABP)、心電信號(electro cardio gram,ECG)采樣頻率均為125 Hz,該數(shù)據(jù)庫的數(shù)據(jù)集已經(jīng)進行了一些相應(yīng)的預(yù)處理與驗證,在大多數(shù)研究中也被廣泛采用。

3.4 Queensland Vital Signs

昆士蘭大學(xué)的生命體征數(shù)據(jù)集記錄了32例病例,每個病例的信號長度為13 min～5 h不等,其中包含無創(chuàng)血壓記錄和原始PPG信號波形[35]。然而,該數(shù)據(jù)集存在一些局限性,因病例數(shù)量有限,在常規(guī)外科手術(shù)不涉及重大關(guān)鍵事件時,數(shù)據(jù)在異常事件識別中的應(yīng)用受到限制。

3.5 PPG-BP Figshare

該數(shù)據(jù)集在中國桂林人民醫(yī)院記錄,可在Figshare數(shù)據(jù)庫中下載,并建立了一個由PPG傳感器樣品、微控制器和相應(yīng)應(yīng)用程序組成的定制移動硬件平臺[36]。它包括入院患者的血壓信號和PPG信號,采樣頻率為1 000 Hz,包含219名21～86歲的患者記錄,還涵蓋了高血壓和糖尿病等疾病。

3.6 PPG-DaLiA

該數(shù)據(jù)集由德國卡爾斯魯厄理工學(xué)院的研究人員收集,并由PhysioNet平臺托管,PPG-DaLiA數(shù)據(jù)集包含約42名受試者超過5 000 h的生理記錄[37]。每個受試者的數(shù)據(jù)包括脈搏波形和心率等生理數(shù)據(jù),以及個人特征(年齡、性別、身高和體重)和活動數(shù)據(jù)(步數(shù)、活動類型)。該數(shù)據(jù)庫在數(shù)據(jù)收集中,有15人接受了與日?；顒宇愃频捏w育活動,但PPG-DaLiA數(shù)據(jù)集提供的年齡信息有限。

3.7 Real-World

該數(shù)據(jù)集包含35名健康受試者記錄的2 074個PPG信號。每個PPG信號包含300個樣本,分為訓(xùn)練組和測試組,整個數(shù)據(jù)集66%的組別可用于訓(xùn)練與驗證,測試組約占總數(shù)據(jù)集的34%[38]。

除了上述幾個常用的開源數(shù)據(jù)集以外,也有一些研究者們對自采集的數(shù)據(jù)集進行相應(yīng)研究,雖然一定程度上能夠提取出PPG特征,實現(xiàn)血壓的預(yù)測,但由于采集設(shè)備和成本等原因,這些數(shù)據(jù)集規(guī)模大多很小。如表1所示,總結(jié)了大多文獻中常用的公開數(shù)據(jù)集,為了適應(yīng)算法的處理需求,對于采集時間較長的數(shù)據(jù)集,需要將其進行分段處理,將長序列轉(zhuǎn)化為短序列,這些短序列被稱為樣本。

表1 公開數(shù)據(jù)集

4 PPG信號預(yù)處理

無論是開源數(shù)據(jù)集或自采集數(shù)據(jù)集,獲取的PPG信號都容易受到噪聲的影響。這種噪聲源有可能干擾信號的高頻成分,此外,采集的數(shù)據(jù)可能包含一些缺失的序列和異常值,會導(dǎo)致PPG信號丟失原本的信息。特別是患病人群,其身體狀況對PPG信號的影響比較復(fù)雜。因此,在進行后續(xù)的特征分析和模型建立之前,對PPG信號進行預(yù)處理以獲得高質(zhì)量的信號是準(zhǔn)確預(yù)測血壓的關(guān)鍵步驟。通常PPG信號的預(yù)處理流程包括濾波、周期劃分、信號質(zhì)量評估與篩選、歸一化4個部分。

4.1 濾波

脈搏信號由心臟搏動產(chǎn)生,檢測時采集的PPG信號比較微弱,容易受到多種噪聲干擾,降低信號的純度,主要有設(shè)備產(chǎn)生的電磁干擾、工頻干擾,人體的呼吸、身體位移以及傳感器的偏移等干擾,需要濾波去除高低頻噪聲和基線漂移等影響,以獲得更干凈的PPG信號。

4.2 周期劃分

4.3 信號質(zhì)量與評估篩選

開源數(shù)據(jù)庫與自采集PPG數(shù)據(jù)集中,信號的質(zhì)量可能受到如運動偽影、信號噪聲等多種因素的影響。目前關(guān)于PPG信號質(zhì)量的評估還沒有建立一致的標(biāo)準(zhǔn),往往需要經(jīng)驗或?qū)嶒瀬砗Y選出質(zhì)量較高的信號序列。

Shirbani等[48]計算高于上四分位數(shù)或低于下四分位數(shù)的異常值,識別并去除它們的1.5倍四分位數(shù)區(qū)間。由于純凈的PPG序列應(yīng)該保持高度的周期性,因此當(dāng)序列隨著周期長度的倍數(shù)偏移時,信號的自相關(guān)性很高。Leitner等[49]利用這一經(jīng)驗設(shè)計了一個自相關(guān)濾波器,自相關(guān)信號中的峰值被用來確定每個PPG片段的質(zhì)量,最大自相關(guān)的經(jīng)驗閾值為0.7。師榮堃[45]獲得每個脈搏周期波峰、起點的數(shù)值和位置,尋找相關(guān)數(shù)據(jù)指標(biāo)的上四分位數(shù),并計算每個脈搏周期與平均脈搏周期的相似度,該PPG質(zhì)量評估算法復(fù)雜度較低、魯棒性較高。劉麗佳[50]提出一種基于Chauvenet準(zhǔn)則的PPG信號質(zhì)量檢測方法,通過自適應(yīng)閾值算法檢測尖峰噪聲信號并計算信號標(biāo)準(zhǔn)差,利用該閾值的Chauvenet準(zhǔn)則對標(biāo)準(zhǔn)差進行判別,以檢測并剔除不良信號。

4.4 歸一化

將PPG信號的幅值轉(zhuǎn)換為[0,1]范圍,可以簡化和增強PPG信號的分析過程,并確保提取的特征對后續(xù)血壓預(yù)測過程更加公平。歸一化的方法有線性歸一化、標(biāo)準(zhǔn)差歸一化和非線性歸一化等。朱凌建等[51]使用線性歸一化對數(shù)據(jù)等比縮放使結(jié)果映射到[0,1]的范圍內(nèi),公式為

(1)

式(1)中:x為原始數(shù)據(jù);xmax、xmin分別為x的最大值與最小值。

陳曉等[52]對樣本數(shù)據(jù)進行歸一化操作,消除數(shù)據(jù)間量綱影響,其歸一化公式為

(2)

式(2)中:M(t)為原始數(shù)據(jù);Mmax、Mmin分別為數(shù)據(jù)中最大值和最小值。

線性歸一化會受到離群點數(shù)據(jù)的影響,數(shù)據(jù)極值可能會導(dǎo)致數(shù)據(jù)在歸一化過程中出現(xiàn)丟失精度的問題;標(biāo)準(zhǔn)差歸一化對于數(shù)據(jù)較小的情況,標(biāo)準(zhǔn)差可能會較小,會放大噪聲的影響;非線性歸一化對于數(shù)據(jù)較為均勻分布的情況,轉(zhuǎn)換后的效果不明顯。因此需要根據(jù)數(shù)據(jù)的特點和具體需求選擇合適的歸一化方法。

5 血壓預(yù)測方法

許多研究學(xué)者正從PPG信號中尋找多種特征信息,用于連續(xù)血壓檢測,以獲得更精確的結(jié)果,其特征提取技術(shù)已經(jīng)被廣泛研究,并在使用方法上有了顯著改進。目前,基于PPG信號實現(xiàn)的血壓檢測方法主要有以下類型,分別為:基于脈沖傳導(dǎo)速度(PWV)、脈沖傳導(dǎo)時間(PTT)、脈沖到達(dá)時間(pulse arrival time,PAT)實現(xiàn)血壓檢測,基于PPG波形特征實現(xiàn)血壓檢測,基于PPG原始信號實現(xiàn)血壓檢測。詳細(xì)闡述以上血壓估計的原理與預(yù)測方法,通過對PPG信號特征、模型選擇等方面分析,總結(jié)并比較基于不同血壓估計方法的各自優(yōu)勢與不足。

5.1 評估標(biāo)準(zhǔn)

血壓預(yù)測是回歸分析,通常用均方誤差(mean square error,MSE)、均方根誤差(root mean square error,RMSE)、平均誤差(mean error,ME)、平均絕對誤差(mean absolute error,MAE)、標(biāo)準(zhǔn)誤差(standard deviation,STD)等標(biāo)準(zhǔn)進行評估。

(1) 均方誤差(MSE)。

(3)

(2) 均方根誤差(RMSE)。

(4)

(3) 平均誤差(ME)。

(5)

(4) 平均絕對誤差(MAE)。

(6)

(5) 標(biāo)準(zhǔn)誤差(STD)。

(7)

常用血壓預(yù)測評估標(biāo)準(zhǔn)為美國醫(yī)療儀器先進協(xié)會(Association for the Advancement of Medical Instrumentation,AAMI)規(guī)定的血壓測量儀器的MAE與ME應(yīng)小于5 mmHg,STD與RMSE應(yīng)小于8 mmHg;英國高血壓學(xué)會(British Hypertension Society,BHS)制定的分級標(biāo)準(zhǔn)[53],如表2所示,達(dá)到A級或B級則符合臨床使用條件。

表2 BHS累積誤差百分比

5.2 基于PWV、PTT、PAT的血壓檢測

5.2.1 理論基礎(chǔ)

脈搏波傳導(dǎo)速度(PWV)公式[54]為

(8)

式(8)中:E為血管壁的彈性模量;h為血管壁的厚度;ρ為血液的濃度;D為平衡狀態(tài)下彈性血管的內(nèi)徑。對流體波傳導(dǎo)速度公式進行修正,得到可以適用于動脈血管流體的傳導(dǎo)速度公式[54]為

(9)

式(9)中:K為莫恩斯常數(shù),動脈壁彈性越大(彈性模量E越小),脈搏波的傳導(dǎo)速度(PWV)越慢,反之越快。Hughes對動脈壁彈性模量模型深入研究,提出彈性模量與血管跨壁壓(Ptm)之間的物理公式[55]為

E=E0exp(αPtm)

(10)

式(10)中:E0為無壓環(huán)境下的血管彈性模量;α為血管的特征量;Ptm為血管跨壁壓。當(dāng)動脈血管中的脈搏波傳遞距離(L)一定時,脈搏波傳導(dǎo)速度與其傳導(dǎo)時間(T)成反比,代入式(10)最終得到血壓的計算公式[55]為

(11)

5.2.2 檢測方法

Geddes等[56]首次提出利用心電圖(electrocardiogram,ECG)的R波和脈搏波傳導(dǎo)時間間隔(PTT)來預(yù)測收縮壓和舒張壓。該方法需要在兩個不同部位放置兩個信號傳感器,測量兩個部位的脈搏傳播時間差, PTT、PWV是脈搏波在動脈兩個部位之間傳播所需的時間或速度[57]。兩個位置的信號其中一個可以從心電圖中獲取,另一個從PPG中獲取,此外,還可以通過使用兩個PPG傳感器來計算PTT、PWV。因此,可以通過從PPG和其他動脈波形計算PTT、PWA并將其校準(zhǔn)來檢測血壓。放置傳感器最常見的身體部位通常是耳朵、手指、腳趾和胸部等。

不同PTT的檢測方式也有所區(qū)別,Lin等[58]使用ECG和PPG的不同特征點,計算出不同PTT參數(shù),并與血壓進行相關(guān)性分析,如圖2所示。

圖2 不同PTT計算方法[58]

PTT計算為從ECG的R峰、Q谷或S谷到PPG的一階導(dǎo)數(shù)的峰或谷的時間間隔,Lin等[58]計算了所選13個數(shù)據(jù)集的心跳間血壓與不同心跳間 PTT參數(shù)的相關(guān)性,共3 910個心跳數(shù)據(jù),當(dāng)PTT作為從心電圖Q谷到PPG一階導(dǎo)數(shù)峰值的時間間隔時,與收縮壓、舒張壓相關(guān)性最高,有助于提高血壓估計的準(zhǔn)確性。Nabeel等[47]開發(fā)了一種具有雙模態(tài)探頭布置的原型裝置來估計頸動脈血壓,建立了動脈段BP與PWV的數(shù)學(xué)模型,通過同時測量頸動脈局部PWV、頸動脈到手指脈搏通過時間(PTT)和頸動脈脈沖到達(dá)時間(PAT),并對模型進行校準(zhǔn),研究局部PWV、PAT和PTT的無袖帶血壓估計精度。結(jié)果顯示使用局部PWV通過受試者特異性模型能實現(xiàn)更準(zhǔn)確的動脈血壓測量,并證明了在高血壓檢查和動脈硬度指數(shù)評估中的潛在效用。陸一乾[59]提出一種基于LMS的多波長算法來獲得小動脈PTT,在多波長PPG信號中,重建動脈和毛細(xì)血管的PPG信號,排除其他血管層的干擾,以精確提取小動脈的PTT信號,驗證了小動脈 PTT對于連續(xù)血壓模型的預(yù)測結(jié)果提升,且高血壓人群收縮壓的MAE降低了0.34 mmHg(1 mmHg=133.322 Pa)。

脈沖到達(dá)時間(PAT)是另一種預(yù)測血壓的參數(shù),PAT定義為在同一心跳周期內(nèi),不僅包括脈沖傳輸時間,還包括心臟血液預(yù)射期(pre-ejection peri-od,PEP),即收縮的心肌將心室內(nèi)壓力增加至足以打開主動脈瓣并將血液壓出心室的時間間隔[60]。Heimark等[61]研究了受試者參加等長和動態(tài)的運動測試,包括在之前、期間和之后的坐姿休息時間。結(jié)果證實PAT是跟蹤SBP變化的潛在主要特征,DBP和PAT之間的關(guān)系因運動方式而異,不同運動方式之間的相關(guān)性會從負(fù)變正。如表3所示,總結(jié)了最新研究中利用PWV、PAT、PTT實現(xiàn)血壓預(yù)測的研究果與不足之處。

表3 基于PWV、PTT、PAT的血壓檢測

基于PWV、PTT、PAT實現(xiàn)血壓預(yù)測存在一定的局限性。一方面,PWV、PTT、PAT因動脈硬化等疾病的生理因素影響,從而影響動脈壓或脈搏波在整個動脈中的傳輸,例如衰老會改變動脈壁的組成,年齡的增長會使得血管中的彈性蛋白被膠原蛋白取代,降低動脈順應(yīng)性,進而降低了PWV、PTT、PAT[69],因此基于該方法的血壓檢測需要頻繁校準(zhǔn)。同時大多數(shù)利用該方法的研究都采用較為簡單的線性模型進行血壓預(yù)測,在不同的數(shù)據(jù)集上的預(yù)測效果不太理想。另一方面,PWV、PTT、PAT的測量需要近端和遠(yuǎn)端動脈波形,在兩個波形測量PTT的情況下,最好將傳感器放置在盡可能遠(yuǎn)的位置,從便捷性的角度來看,使用PPG等其他傳感器時,希望將多個傳感器封裝到單個設(shè)備中。綜上,基于PWV、PTT、PAT的血壓測量需要在預(yù)測精度和便捷性之間進行提升與改善。

5.3 基于人工設(shè)計特征機器學(xué)習(xí)的血壓檢測

血壓波動會引起PPG信號的變化,其波形中蘊含著大量生理病理信息,與心血管系統(tǒng)密切相關(guān),對脈搏波波形分析(pulse wave analysis, PWA)是另一種血壓預(yù)測的研究方法。不同于利用PWA、PTT、PAT建立具有生物醫(yī)學(xué)意義的血壓檢測方法,基于PPG波形特征的血壓檢測是通過提取和選擇PPG波形的特征,并形成復(fù)雜的校準(zhǔn)方程,將大量的特征參數(shù)回歸間接估測血壓。該方法通常篩選與血壓相關(guān)性最高的信號特征,結(jié)合人工智能算法來建立血壓估計模型,該方法也可與PTT一起使用,提高血壓測量的準(zhǔn)確性。相對于只利用PWV、PTT、PAT的方法,基于PPG波形特征的血壓檢測模型通常不需要進行參數(shù)校正。

5.3.1 波形特征提取

許多研究人員正在從PPG信號中尋找更多特征信息,以獲得用于血壓估計的可靠結(jié)果。Teng等[70]在利用脈搏波分析技術(shù)估計血壓的可行性進行了前瞻性研究,在沒有使用袖帶的情況下,從單個PPG波形中提取4個特征:1/2的寬度、2/3的脈搏幅度和收縮時間以及舒張時間,進行血壓預(yù)測的實用性分析。目前大量文獻中已經(jīng)研究了許多PPG信號特征提取技術(shù),通常有時域、頻域、人口信息、熵、混沌等特征,并在使用的方法上提出了相應(yīng)的改進[71]。

1)時域特征

時域特征是指在時間軸上對PPG信號進行統(tǒng)計分析,通常先對原始PPG信號進行關(guān)鍵特征點的識別,包括波形的波谷、波峰、重搏切跡等,PPG信號的脈沖寬度(pulse width)可以用來反映心臟的收縮和舒張過程中的血液量變化情況,從而反映出心臟的功能,如圖3所示。

圖3 PPG信號常見脈沖寬度[7]

其中收縮寬度分別為10%、25%、33%、50%、66%和75%,舒張寬度分別為10%、25%、33%、50%、66%和75%。同時PPG的一階導(dǎo)數(shù)和二階導(dǎo)數(shù)在檢測PPG的特征點和分析PPG波形的特征方面也發(fā)揮著重要作用[72],如圖4所示。

起始和結(jié)束分別表示波形的開始和結(jié)束;sys和dia分別表示收縮和舒張峰值;dic表示重搏切跡;ms表示最大斜率點;a、b、c、d和e為二階導(dǎo)數(shù)的5個關(guān)鍵特征點

由圖4已知的重要波形特征點,可計算出相關(guān)時域特征,主要包括時間參數(shù)、波形幅值參數(shù)、波形面積參數(shù)、時間對比參數(shù)與幅值對比參數(shù)等[73]。

2)頻域特征

3)熵

PPG信號的信息熵、樣本熵、近似熵、排列熵等可以反映其復(fù)雜度和不規(guī)則程度[75]。計算快速傅里葉變換分量大小并歸一化可得信息熵,可以評估信號的復(fù)雜度與信息量;樣本熵是基于相鄰信號點之間的距離來確定PPG信號的復(fù)雜性,而不是直接計算信號的波形形狀[76]。近似熵也是基于相鄰信號點之間的距離來衡量PPG信號的規(guī)則性。根據(jù)排列熵準(zhǔn)則判斷信號的閾值范圍能夠濾除高頻噪聲和基線漂移[77]。

4)個人體征信息

在PPG信號特征分析中,個人體征信息(身高、體重、性別、年齡等)可以用于研究不同人群的生理差異和疾病風(fēng)險等問題,也可以作為血壓預(yù)測模型的輸入。此外,個人體征信息還可以用于PPG信號的人群分類和個性化識別[78]。將PPG信號的特征與不同人群的生理差異聯(lián)系起來,實現(xiàn)對個體的識別和分類,進一步提高血壓監(jiān)測的準(zhǔn)確性和有效性。

5)其他特征

混沌方法非線性特征可以直觀地為血壓估計提供可靠的框架[79]。此外,還有一些能夠反映生理狀態(tài)的特征參數(shù),都可以通過PPG信號進行相應(yīng)計算,脈搏波波形特征系數(shù)K值與血管結(jié)構(gòu)、血液循環(huán)特性等多種參數(shù)有關(guān),可以反映微循環(huán)中的優(yōu)劣程度[80]。光容量描記強度比能反映動脈內(nèi)徑的變化,與血壓的變化相關(guān)[81]。

5.3.2 特征選擇

在PPG信號特征分析中,特征選擇是一個重要的環(huán)節(jié),其目的是從眾多特征中篩選出對血壓估計最具有優(yōu)勢的特征,避免特征的冗余,得到全局最優(yōu)解。該過程通常會根據(jù)特征與血壓的相關(guān)性、PPG特征維數(shù)和分析方法等因素選取其中數(shù)個特征進行分析。此外,李勐等[82]還提出一種支持包括脈搏信號在內(nèi)的多種生理指標(biāo)特征的融合分析方法。常用的特征選擇方法包括相關(guān)性分析、主成分分析、嵌入式特征選擇等。將特征選擇作為機器學(xué)習(xí)算法的一部分,通過訓(xùn)練模型選擇最優(yōu)特征組合。該過程需要注意避免特征過多、特征之間相關(guān)性過強等問題,以提高特征分析的可靠性和有效性。

5.3.3 機器學(xué)習(xí)算法

許多機器學(xué)習(xí)算法可以識別和分析PPG信號與血壓之間的復(fù)雜映射關(guān)系,從而建立有效的血壓預(yù)測模型。利用PPG進行血壓的預(yù)測是一種回歸方法,通常有多元線性回歸模型(multiple linear regression,MLR),隨機森林回歸(random forest regression,RFR),人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks,ANN)等,故討論基于機器學(xué)習(xí)方法實現(xiàn)PPG信號與血壓之間的預(yù)測。

王夢婷[73]根據(jù)PPG波形特征點與其生理學(xué)意義,對提取出時域波形特征與血壓進行相關(guān)性分析和多元線性回歸,實現(xiàn)群體和個體標(biāo)定的血壓測量。但該研究僅采用了PTT和時域特征來計算血壓,可增加頻域等其他特征進一步提高血壓檢測的準(zhǔn)確性。趙彥峰等[83]利用偏最小二乘法對50名志愿者的200組PTT和脈搏特征訓(xùn)練建模,分析了個體脈搏波特征參數(shù)與血壓值的相關(guān)性,并將與血壓高度相關(guān)的參數(shù)作為優(yōu)化脈搏波特征參數(shù)加入PTT與血壓的校正模型中,克服在基于PTT的無創(chuàng)血壓檢測中個體差異對測量準(zhǔn)確度的影響,預(yù)測出舒張壓、收縮壓的MAE均小于5 mmHg。黃曉祥[84]在被試者不同的實驗狀態(tài)下(平躺、坐立、深呼吸等),利用支持向量回歸和隨機森林回歸兩種方法建立血壓預(yù)測模型。測試集的預(yù)測結(jié)果滿足AAMI標(biāo)準(zhǔn),并展望了建立端到端的無需人工提取特征的深度學(xué)習(xí)模型。Mahmud等[85]探討了自動編碼器在根據(jù)PPG和ECG信號自動提取特征預(yù)測血壓方面的適用性,對 MIMIC-Ⅱ數(shù)據(jù)集的12名患者的942個實例進行了實驗,在自采集數(shù)據(jù)集與MIMIC-Ⅱ數(shù)據(jù)集上的預(yù)測結(jié)果均達(dá)到了英國高血壓協(xié)會(BHS)的A級。

除了傳統(tǒng)的機器學(xué)習(xí)算法,近年來基于深度學(xué)習(xí)的血壓預(yù)測研究也在逐年增加。Dey等[78]開發(fā)出基于人口統(tǒng)計學(xué)和生理劃分的血壓預(yù)測模型,收縮壓與舒張壓的MAE測試精度為6.9 mmHg 和5 mmHg。這種方法驗證了基于單個PPG傳感器的方法也可以較高精度預(yù)測血壓。此外,卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)可以對高維特征進行學(xué)習(xí),雙向長短記憶網(wǎng)絡(luò)(BiLSTM)可以雙向提取特征并在時間序列上進行建模分析,注意力機制(Attention)可以根據(jù)關(guān)鍵性來為特征分配權(quán)重。楊瑤[86]利用這些網(wǎng)絡(luò)特性,構(gòu)建出CNN-BiLSTM-Attention的新模型結(jié)構(gòu),該模型在訓(xùn)練過程中的收斂速度快,測量更加精準(zhǔn),在輸入人工提取的5個特征后,與長期遞歸卷積網(wǎng)絡(luò)和Attention-BiLSTM網(wǎng)絡(luò)進行比較,該方法在少量數(shù)據(jù)集上得到的血壓測量結(jié)果優(yōu)勢明顯。Senturk等[74]介紹了一種基于PPG信號特征的新型血壓估計技術(shù),該研究使用LSTM和主成分分析,從原始PPG信號中提取了12個時域特征,對PPG信號主成分分析提取了10個特征。使用LSTM模型形成22個特征用于血壓估計,結(jié)果證明基于LSTM和主成分分析相結(jié)合的模型在提高血壓預(yù)測精度上明顯提升。Yao等[87]實現(xiàn)一種基于特征組合和人工神經(jīng)網(wǎng)絡(luò)的便攜式血壓預(yù)測系統(tǒng),提取并融合多維特征,包括2 010組基于PPG的特征和2組基于人口統(tǒng)計學(xué)的特征,最后,采用兩層前饋人工神經(jīng)網(wǎng)絡(luò)算法進行回歸,該模型對兩名受試者的血壓進行了半個月的跟蹤,為日常血壓監(jiān)測奠定了基礎(chǔ)。

PPG二階衍生物可以治療血管老化,其包含了與血壓高度相關(guān)的主動脈順應(yīng)性與血管硬度等信息。Liu等[88]利用這一新發(fā)現(xiàn),提出了14個新的基于二階導(dǎo)數(shù)特征,將其與21個時域PPG特征相結(jié)合,開發(fā)出一種基于支持向量回歸的BP預(yù)測方法,該方法能將傳統(tǒng)基于PPG時域特征的BP估計精度提高40%。此外Park等[89]設(shè)計了模擬電路來采集心肺復(fù)蘇術(shù)期間的 PPG 信號,在心肺復(fù)蘇過程中使用耳垂PPG信號結(jié)合LSTM模型用于血壓測量,并展望了僅使用單耳PPG通過LSTM來估計BP的前景,即使在心肺復(fù)蘇術(shù)期間也可以估計血壓。Landry等[90]研究了中等強度和重度運動期間的血壓監(jiān)測方法,通過將基于人群的非線性自回歸模型與前饋人工神經(jīng)網(wǎng)絡(luò)(ANN)模型和脈沖到達(dá)時間(PAT)模型進行了比較,結(jié)果顯示基于人群的非線性自回歸模型比其他模型表現(xiàn)更好,并在估計平均動脈壓(MAP)的較大變化時效果顯著,但該方法需要定期校準(zhǔn)以解釋勞累期間血管阻力的變化。Aguet等[91]對基于PPG的方法以準(zhǔn)確跟蹤麻醉誘導(dǎo)過程中產(chǎn)生的血壓變化,通過LASSO回歸自動識別最能反映血壓變化的特征子集,并進行特征相關(guān)性分析,使用三種模型回歸,結(jié)果表明與侵入性血壓參考值的一致性超過99%。此基礎(chǔ)上,Chang等[92]將PPG的原始波形、快速傅里葉變換計算的頻譜圖和連續(xù)小波變換計算得到的標(biāo)度圖視為3種輸入特征類型,使用CNN模型訓(xùn)練,當(dāng)沒有其他參考信號源時,降低了運動偽影的影響。

大多數(shù)BP預(yù)測模型側(cè)重于PPG信號的波形特征,而ECG中R波的峰值僅用作時間參考,很少有參考研究ECG波形。Ma等[93]評估了心電圖中7種特征波形對血壓估計改善的影響,PPG是主要信號,通過添加ECG、P波、QRS波、T波和無形成5種輸入組合,在比較結(jié)果中,可視化了卷積神經(jīng)網(wǎng)絡(luò)對PPG和ECG每個波形的關(guān)注分布,其中QRS波和T波對最小化誤差的貢獻大于P波。表4總結(jié)了近幾年基于PPG波形特征(PWA)實現(xiàn)血壓檢測的研究成果與不足。

表4 基于脈搏波波形特征的血壓檢測

基于PPG波形特征的方法在大多研究中展現(xiàn)出良好的預(yù)測效果,但其也存在如下局限性。一是PPG信號的特征提取算法雖然從生理學(xué)的角度探討了特征與血壓、心血管狀態(tài)之間的關(guān)系,但并未經(jīng)過臨床數(shù)據(jù)驗證,難以確定血壓與脈搏波形參數(shù)之間的數(shù)學(xué)物理關(guān)系。二是基于脈搏波波形特征的血壓檢測方法需要充分挖掘PPG波形中包含的信息,其結(jié)果高度依賴于PPG波形基準(zhǔn)點檢測的準(zhǔn)確性。三是對于與血壓監(jiān)測相關(guān)的PPG波形的有效特征,嚴(yán)重缺乏共識,證明其有效性的生理基礎(chǔ)不足,文獻中大多沒有闡明。四是絕大多數(shù)利用PPG波形特征預(yù)測血壓的實驗結(jié)果中,收縮壓的預(yù)測誤差大于舒張壓的預(yù)測誤差。

5.4 基于深度學(xué)習(xí)的血壓檢測

機器學(xué)習(xí)是一種淺層學(xué)習(xí)模型,通常需要人工提取特征,難以應(yīng)對海量高維數(shù)據(jù)和復(fù)雜函數(shù)表征[100]。近年來,深度學(xué)習(xí)在PPG信號預(yù)測血壓的應(yīng)用上正在不斷增長,包括利用深度學(xué)習(xí)算法從原始PPG信號中提取血壓信息。許多研究人員傾向于將原始PPG信號與導(dǎo)數(shù)信號作為輸入,利用深度學(xué)習(xí)提取復(fù)雜高維特征,通過卷積計算能力的優(yōu)勢進行連續(xù)血壓監(jiān)測。整個過程,從輸入原始數(shù)據(jù)到獲取所需的計算結(jié)果,都在網(wǎng)絡(luò)內(nèi)進行,包括訓(xùn)練和推理階段[101]。如卷積神經(jīng)網(wǎng)絡(luò)(CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)、長短記憶網(wǎng)絡(luò)(LSTM)等網(wǎng)絡(luò)模型的應(yīng)用。

5.4.1 基于PPG原始序列信號的血壓檢測

大多基于PPG原始信號的血壓檢測方法已經(jīng)在研究中得到驗證,與傳統(tǒng)血壓監(jiān)測方法的準(zhǔn)確性相當(dāng)。師榮堃等[102]構(gòu)建出循環(huán)神經(jīng)網(wǎng)絡(luò)層、上下文連接層及全連接層三層合一的模型,分別在RNN層與上下文連接層輸入PPG信號和個人體征信息,預(yù)測結(jié)果達(dá)到AAMI標(biāo)準(zhǔn)的測試精度。CNN+LSTM模型也是該項研究中應(yīng)用最廣泛的模型之一。在Tazarv等[103]的研究中,CNN被用作特征提取模塊,LSTM負(fù)責(zé)對時間序列進行建模,在MIMIC-Ⅱ數(shù)據(jù)集隨機選擇的20名受試者身上驗證了CNN+LSTM模型,收縮壓和舒張壓的MAE和STD分別為(3.70±3.07) mmHg和(2.02±1.76) mmHg,而在昆士蘭數(shù)據(jù)集上的驗證結(jié)果也達(dá)到了BHS標(biāo)準(zhǔn)的A級。熊嘉豪等[104]提出一種基于嵌入SE注意力機制的時域卷積網(wǎng)絡(luò)(TCN-SE)模型,使得模型能摒棄一些雜質(zhì)信息,關(guān)注PPG信號內(nèi)的細(xì)微特征,不僅可以有效地解決梯度消失問題,在防止模型過擬合的同時,增加模型的感受野,加強了模型對于不同通道信息的關(guān)注度,測試得到收縮壓誤差為(5.09±7.04) mmHg,舒張壓的誤差為(2.96±4.23) mmHg。蒲彥安[105]通過分階段的方式構(gòu)建多模態(tài)多階段血壓預(yù)測模型,通過裁剪方法對訓(xùn)練集進行數(shù)據(jù)增強,并加入ECG信號特征,對比采用CNN、VGG19和LSTM的血壓預(yù)測模型,實驗結(jié)果表明VGG19預(yù)測性能高于CNN,遠(yuǎn)高于LSTM,且基于深度學(xué)習(xí)的血壓預(yù)測模型普遍比基于人工特征的非線性模型性能更高,結(jié)果不光滿足AAMI標(biāo)準(zhǔn)同時達(dá)到了BHS的A級標(biāo)準(zhǔn)。Leitner等[49]提出了一種混合神經(jīng)網(wǎng)絡(luò)架構(gòu),由卷積層、循環(huán)層和全連接層組成,直接對原始PPG時間序列進行操作,每5 s提供一次BP估計,并提出一種遷移學(xué)習(xí)技術(shù)解決個人PPG和BP數(shù)據(jù)有限的問題,對預(yù)先訓(xùn)練的網(wǎng)絡(luò)的特定層進行個性化,對收縮壓和舒張壓預(yù)測的MAE分別為3.52 mmHg和2.20 mmHg,優(yōu)于現(xiàn)有方法。Tanveer等[9]提出了一種ANN+LSTM網(wǎng)絡(luò),該網(wǎng)絡(luò)由用于提取特征的ANN和用于對序列信號建模的兩個堆疊LSTM層組成,所提出的模型在39名MIMIC數(shù)據(jù)集的受試者身上進行了測試,收縮壓和舒張壓的MAE為1.10 mmHg和0.58 mmHg。王軍昂等[106]提出了基于MultiRes+Unet模型的連續(xù)無創(chuàng)動脈血壓測量方法,將原始光電容積脈搏波(PPG)信號作為輸入,使用U-net網(wǎng)絡(luò)重構(gòu)動脈血壓信號,為進一步提高預(yù)測血壓波形精度,將重構(gòu)的血壓信號作為網(wǎng)絡(luò)的輸入,采用MultiRes模塊學(xué)習(xí)不同特征,計算出的收縮壓、舒張壓和平均壓的MAE均在3 mmHg以下。Huang等[107]出了一種基于MLP-Mixer的新型深度神經(jīng)網(wǎng)絡(luò)估計血壓,通過多濾波器到多通道的方法對PPG和ECG信號進行預(yù)處理,沒有任何人工特征提取操作,研究了3種不同輸入信號(PPG,ECG或PPG和ECG)的性能,在自采集數(shù)據(jù)集與公開數(shù)據(jù)集上,所提出的方法均取得了優(yōu)異的效果。Yen等[108]采用由多尺度卷積網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)組成的改進型長期循環(huán)卷積網(wǎng)絡(luò),采用PPG+ECG數(shù)據(jù)作為輸入,得到所提模型的最佳預(yù)測結(jié)果。該研究中開發(fā)的深度學(xué)習(xí)模型僅需要較少的層數(shù)便能夠準(zhǔn)確估計血壓和心率,驗證了所提模型在估計生理信息方面的有效性。

除了對PPG信號提取復(fù)雜的高維特征,一些研究人員還從PPG信號提取出其他信號參與血壓的預(yù)測,研究表明這類方法具有一定可行性。胡軍鋒等[109]采用基于小波包的模態(tài)分解技術(shù),從PPG信號中提取出心臟信號和呼吸信號,并將其與ECG信號同步。然后采用卷積神經(jīng)網(wǎng)絡(luò)對上述信號建立血壓檢測模型,從MIMIC-Ⅲ數(shù)據(jù)集中篩選出的5 776條數(shù)據(jù)作為實驗數(shù)據(jù)。結(jié)果顯示模態(tài)分解技術(shù)與ECG信號結(jié)合后,可以有效提高血壓的檢測精度。Chuang等[110]在MIMIC數(shù)據(jù)集中篩選了45名受試者的11 000個PPG和ECG片段,并將注意力機制引入CNN-LSTM模型中,以識別更有效的特征。Treebopachatsakul等[111]對開放數(shù)據(jù)集中的PPG和ECG信號進行傅立葉變換,并使用PPG和心電信號的幅度和相位作為上下文聚合網(wǎng)絡(luò)的輸入。此外,Rastegar等[112]提出一種新型混合模型,將卷積神經(jīng)網(wǎng)絡(luò)(CNN)集成為可訓(xùn)練特征提取器,支持向量回歸(SVR)作為回歸模型,結(jié)果表明該混合模型在預(yù)測收縮壓方面更有優(yōu)勢。

PPG信號是一維生理信號,一些研究將它們轉(zhuǎn)換為二維圖像,通過在ImageNet上預(yù)訓(xùn)練的模型進行遷移學(xué)習(xí)。Wang等[113]通過使用可見性圖(visibility graphs,VG)方法將一維PPG信號轉(zhuǎn)換為圖像。這種創(chuàng)新的方法保留了PPG信號中的時頻信息,并允許使用在大型數(shù)據(jù)庫ImageNet上預(yù)訓(xùn)練的CNN模型進行變換學(xué)習(xí)。所提出的想法在UCI_BP數(shù)據(jù)集的348條記錄上得到了驗證,預(yù)訓(xùn)練的AlexNet模型得出收縮壓和舒張壓的MAE分別為6.17 mmHg和3.66 mmHg。

5.4.2 基于PPG導(dǎo)數(shù)序列信號的血壓檢測

表5 基于深度學(xué)習(xí)的血壓檢測

綜上所述,目前基于PPG信號實現(xiàn)血壓檢測在已有研究中已經(jīng)取得了一定成就,但在數(shù)據(jù)分類、特征解釋與模型檢測方面還存在一些不足:一是對于不同人群的PPG與血壓信號的數(shù)據(jù)庫急需搭建,同時與血壓相關(guān)的PPG波形有效特征的可解釋性不夠。二是由于個體之間血壓的差異,即使是在大規(guī)模數(shù)據(jù)集上訓(xùn)練的深度學(xué)習(xí)模型也不能完全學(xué)習(xí)血壓。三是在通用模型的基礎(chǔ)上需要針對個體找到比較簡單的單點校準(zhǔn)方法,實現(xiàn)人體個性化血壓建模技術(shù)研究。以上都是基于PPG信號實現(xiàn)血壓預(yù)測的未來發(fā)展與實驗研究的重要環(huán)節(jié)。

6 未來研究方向

PPG在無袖帶連續(xù)血壓監(jiān)測中具有巨大的應(yīng)用潛力,從早期基于多路信號的簡單回歸,到結(jié)合人工智能算法的PPG特征提取,再到最近使用原始PPG信號的深度學(xué)習(xí)模型,連續(xù)無袖帶血壓估計的研究取得了巨大進展。然而,盡管當(dāng)前多種血壓估計方法已經(jīng)出現(xiàn)并取得了一些成果,但要達(dá)到商業(yè)與臨床應(yīng)用的標(biāo)準(zhǔn),基于PPG的連續(xù)血壓監(jiān)測技術(shù)未來還需要在以下方面進行深入研究。

6.1 數(shù)據(jù)有效分類

大多數(shù)研究人員通常使用開源數(shù)據(jù)集進行研究,詳細(xì)的個人體征信息與合適的生理信號血壓數(shù)據(jù)集較難同時獲取。例如MIMIC-Ⅱ、MIMIC-Ⅲ數(shù)據(jù)集,該數(shù)據(jù)集的采樣人群幾乎都是ICU重癥監(jiān)護室的患者,其中包含復(fù)雜的身體狀況存在對血壓的不同影響,不同人群之間的血壓變化存在差異,因此需要大規(guī)模的異構(gòu)數(shù)據(jù)集來提高模型的適應(yīng)性。一些研究人員也使用自己收集的數(shù)據(jù)集進行研究,但是由于數(shù)據(jù)量較小,研究中很少對不同采樣數(shù)據(jù)進行有效分類,導(dǎo)致血壓預(yù)測模型建立的對象較為混亂,實驗的驗證結(jié)果置信度不高。因此,建立大規(guī)模的異構(gòu)數(shù)據(jù)集進行有效分類,有助于提高模型的魯棒性和泛化能力,以應(yīng)對不同人群的血壓預(yù)測情況。

6.2 特征可解釋性

PPG信號的特征提取算法在探索特征與血壓、心血管狀態(tài)之間的關(guān)系方面存在一些挑戰(zhàn),尤其是缺乏臨床數(shù)據(jù)驗證和共識,特征的可解釋性不夠。特征提取算法雖然從生理學(xué)的角度探討了特征與血壓、心血管狀態(tài)之間的關(guān)系,但并未經(jīng)過現(xiàn)有臨床病人的數(shù)據(jù)驗證,難以確定血壓與脈搏波形參數(shù)之間的數(shù)學(xué)物理關(guān)系。對于與血壓監(jiān)測相關(guān)的PPG波形的有效特征,研究中大多沒有闡明,嚴(yán)重缺乏共識。未來需要更深入探究波形特征與心血管系統(tǒng)之間的內(nèi)在聯(lián)系,證明其有效性的生理基礎(chǔ),可能涉及更大規(guī)模的臨床數(shù)據(jù)驗證,與其他生理參數(shù)的關(guān)聯(lián)研究,以及更全面的生理學(xué)理論研究。

6.3 數(shù)據(jù)增強

一般通過可穿戴式設(shè)備或傳感器來檢測獲取PPG信號,但初步獲得的PPG信號因易受到噪聲影響,使得獲取的信號較為復(fù)雜,這些噪聲對于后期的波形特征提取具有嚴(yán)重影響。未來研究可以探索更好的信號測量方式與處理方法,得到高質(zhì)量、低干擾PPG信號,同時根據(jù)信號質(zhì)量的好壞動態(tài)調(diào)整硬件采集的刷新時間,以補償運動偽影對PPG信號的影響。設(shè)計復(fù)雜的動態(tài)模型應(yīng)用于穿戴式血壓監(jiān)護產(chǎn)品中,提高血壓連續(xù)監(jiān)測系統(tǒng)的健壯性,解決可穿戴設(shè)備生理參數(shù)預(yù)測不準(zhǔn)確的難題。

6.4 個性化建模技術(shù)研究

一方面在采用同一種預(yù)測模型對收縮壓和舒張壓進行預(yù)測時,大多估計的收縮壓誤差大于舒張壓誤差。由于兩種壓力產(chǎn)生的生理機制不同,因此在基于PPG信號的血壓預(yù)測中,可能需要使用不同的特征和算法,才能更好地預(yù)測收縮壓和舒張壓。另一方面,大多研究公開數(shù)據(jù)集都只是使用ICU病人的數(shù)據(jù),對于不同的人群測出的血壓誤差較大。人體的生理特征因人而異,不同人群的PPG信號特征、心血管系統(tǒng)等方面存在差異,這些差異性可能會影響到基于PPG信號預(yù)測血壓的模型的準(zhǔn)確性和有效性。未來需要引入個性化校準(zhǔn)技術(shù),實現(xiàn)輕量級模型的特征挖掘和優(yōu)化,提高血壓預(yù)測模型的準(zhǔn)確性與泛化能力。

7 總結(jié)

通過文獻檢索回顧了最新基于PPG信號無袖帶血壓連續(xù)預(yù)測技術(shù)的研究工作,包括其技術(shù)原理、數(shù)據(jù)集、評估標(biāo)準(zhǔn)、預(yù)處理方法、特征提取和建模方法等。匯總當(dāng)前研究者最常使用的公開數(shù)據(jù)集和評估標(biāo)準(zhǔn),闡述其各自優(yōu)點、局限性及適用范圍;突出采用深度學(xué)習(xí)模型在血壓預(yù)測中的應(yīng)用,以及這些模型相對于傳統(tǒng)方法的優(yōu)勢;強調(diào)基于PPG信號進行血壓測量時所面臨的潛在研究難點與挑戰(zhàn),特別是個體差異與特征可解釋性不夠的影響;最后討論基于PPG信號血壓連續(xù)測量的潛在應(yīng)用前景,總結(jié)該研究領(lǐng)域未來的研究方向與重點。以期為研究人員和學(xué)者們提供這一領(lǐng)域關(guān)鍵技術(shù)的全面理解,闡明最顯著的研究進展,為今后的研究提供參考。