基于脈搏波傳導時間的ICU急性低血壓預測方法研究

張光亮，何史林，陳廣飛，李蓓，黎檀實，諸強

1.北京交通大學計算機與信息技術學院 生物醫學工程系，北京 100044；2.解放軍總醫院 生物醫學工程研究室，北京 100853

基于脈搏波傳導時間的ICU急性低血壓預測方法研究

張光亮1，何史林2，陳廣飛2，李蓓2，黎檀實2，諸強1

1.北京交通大學計算機與信息技術學院 生物醫學工程系，北京 100044；2.解放軍總醫院 生物醫學工程研究室，北京 100853

重癥監護室（ICU）患者在急性低血壓發生時需要采取及時有效的干預措施，否則會引起昏厥、休克甚至死亡等嚴重后果。本文研究ICU患者的脈搏波傳導時間與急性低血壓發作的相關關系，并建立基于人工神經網絡的急性低血壓發作預測模型。研究結果表明，脈搏波傳導時間與急性低血壓發作具有較高相關性，可以作為急性低血壓預測的特征指標。

心電圖儀；ICU；急性低血壓；脈搏波傳導時間；BP神經網絡

0 前言

在醫學上，當血壓從正常的水平突然下降、并明顯低于正常值時，稱為急性低血壓（Acute Hypotensive Episodes，AHE)。急性低血壓通常會在血液透析、脊髓麻醉[1]、孕婦剖宮產[2]、心血管介入手術后[5]等情況下發生，也經常發生在重癥監護室（Intensive Care Units，ICU）的危重病人身上[3]。引起急性低血壓發生的因素較多，包括敗血癥、心肌梗死、心律失常、肺栓塞、病理性出血、脫水、血容量過低、心輸出量不足或血管舒張性休克等[4]，同時，也與病人自身的基礎臨床狀態及病史有關。AHE會導致全身器官血流灌注不足，如果不采取及時有效的應對措施，會造成患者不可逆性的器官損傷，導致患者昏厥或休克，甚至死亡[5]。根據美國復雜生理信號研究網站PhysioNet2008年12月統計的數據顯示，ICU中發生AHE患者的死亡率達37.8%。我國各大醫院的臨床數據表明，心血管病介入術后的AHE并發癥，是一種少見卻極其兇險的急癥，對它的及時發現和處理是介入術后處理中的一個重要問題。

現階段對發生急性低血壓的處理方式主要依靠臨床醫生的經驗進行處置，如果可以準確預測急性低血壓的發生，能為醫生及時采取應對措施爭取時間，從而降低AHE造成的風險，具有重要的臨床意義和研究價值。目前AHE的預測方法均是采用平均動脈壓進行研究[6-7]，本文利用ICU 監護參數中的脈搏波數據，分析發生與未發生急性低血壓兩種狀態時的脈搏波傳導時間（Pulse Wave Transit Time，PWTT）的變化特征并研究其預測急性低血壓的可行性。

1 理論基礎

1.1 脈搏波傳導時間

PWTT是指壓力脈搏在血管里相隔一定距離的兩個位置距離內傳播所需時間△t[8]。在本研究中，以R波作為脈搏波傳導時間的測量起點，脈搏波峰點作為脈搏波傳導時間的測量終點，脈搏波傳導時間定義，見圖1。

圖1 脈搏波傳導時間定義

1.2 脈搏波傳導時間與血壓的關系[11]

理想流體的彈性管內波傳播速度公式為：

其中，E是管壁的楊氏彈性模量；h為管壁厚度；D是平衡狀態下彈性管徑；ρ是流體密度。

Hughes等證明了血管跨壁壓和血管彈性模量之間有以下關系:

其中，E0是壓力為零時的彈性模量，P是血壓，γ是表征血管特征的一個量，數值從0.016～0.018 mmHg-1。

當傳導距離一定時，脈搏波傳導時間和脈搏波速度成反比，可用以下公式表示：

其中，S為脈搏波傳導距離，T為脈搏波傳導時間。將公式(2)和(3)代入公式(1)得公式(4)，忽略血壓改變時動脈內徑大小和動脈壁厚度的改變，(4)式右邊第一項可看個常量，也就是說，如果血管的彈性保持不變，那么血壓的變化和脈搏波傳導時間成正比[10-12]。

本研究采用PhysioNet里MIMIC II里2009年挑戰賽的測試集數據，此數據來自ICU監護中患者的心電和脈搏波信號，具有很好地代表性。

2 脈搏波傳導時間提取

2.1 脈搏波峰點檢測

脈搏波信號具有非線性、非平穩并且微弱的特點。本文采用小波變換技術檢測峰值，在閾值處理方面采用給定閾值法。

脈搏波信號在S=23的尺度上具有最大的小波變換幅度，而高、低頻噪聲在這一尺度上有較大衰減，因此主要采用S=23尺度上的小波變換來檢測脈搏波信號的峰值，見圖2。

經過小波變換處理的下半部分圖消除了基線漂移的干擾，拉大了局部極值與小波形極值的差距，局部極值對應原始波形的最低點，有利于準確定位脈搏波峰點。

圖2 應用小波變換檢測脈搏波峰值

2.2 心電信號R波定位及特征提取

心電R波定位采用基于濾波和閾值檢測的方法實現，結果如圖3所示。

圖3 心電R波定位

利用檢測的脈搏波波峰和心電信號R波可以計算脈搏波傳導時間及其變化曲線，見圖4。

圖4 PWTT波形

3 基于人工神經網絡的AHE預測

3.1 數據

研究數據來源于復雜生理信號網站www.PhysioNet.org的數據庫MIMIC II（the Multi-parameter Intelligent Monitoring for Intensive Care II）[13-14]。用作實驗樣本的數據均為對重癥監護室中患者各項生理指標超過10 h的連續監測的時間序列信號，這些生理指標包括動脈血壓（Artery Blood Pressure，ABP）、心率（Heart Rate，HR）、脈搏以及血氧飽和度（SpO2）等。樣本數據分為60組訓練集和50組測試集，其中訓練集分為H組（發生急性低血壓的患者）和C組（未發生急性低血壓的患者），每組各30名患者；測試集分為A組和B組，A組10名患者（其中5名來自H組，5名來自C組），B組40名患者（其中14名來自H組，26名來自C組）。每名患者的時間序列信號都設置有1個T0點，需要對T0后1h內是否發生急性低血壓進行預測。

3.2 相關性分析

本文對每一個樣本計算PWTT曲線，并提取峰度、偏度、內距、幾何平均值、調和均值、算數平均值、內部平均值、中位數、平均絕對誤差、動差、方差、標準差、范圍、百分位數（75%）等14個統計特征數據和5層小波變換后的各分量的峰度、偏度、內距、幾何平均值、調和均值、算數平均值、內部平均值、中位數、平均絕對誤差、動差、方差、標準差、范圍、百分位數（75%）以及各小波分量的能量比例共98個能量特征數據。

采用SPSS對以上98個特征數據進行相關性分析，選擇其中相關性較好的（相關系數＞0.35）細節分量的峰態、偏度、四分位距、75%位數、一層高頻分量的四分位距、二層高頻分量的四分位距、75%位數7個特征數據構成特征向量進行預測。

3.3 BP人工神經網絡建模

BP（Back Propagation，BP）神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，拓撲結構包括輸入層（Input）、隱層（Hide layer）和輸出層（Output layer）。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。

BP神經網絡的建模過程如下：樣本50例，其中H組21例，C組29例。H定義為（0），C定義為（1）。隨機抽取12例作為測試集（12×10矩陣），每1行為1個樣本；剩下的為訓練集38×7矩陣，每1行為1個樣本，共38個樣本，由于3層BP神經網絡能逼近任意連續函數，故隱含層一般只選擇為1層。輸入神經元數目為特征值的個數(7)，輸出為[0 1]，0表示沒有發生AHE，1表示發生了AHE。

由于BP神經網絡的性能十分依賴于網絡初始權值的選擇，故每次隨機初始化神經網絡會獲得不同的結果，因此采用Holdout驗證方式來建模。每次隨機選取12例做訓練集測試集，剩余38例訓練集，通過10次實驗來確定最優的網絡結構。在最優的網絡結構中，選取驗證中性能最好的網絡，用測試集進行測試。

3.4 結果

將測試集的數據輸入到訓練過的BP神經網絡中，統計預測正確率，見表1。表1中訓練集平均正確率表示訓練集中用來測試網絡性能的子集，在已建立網絡預測下的正確率的平均值，測試集平均正確率表示用測試集測試網絡所得到的正確率的平均值，通過對比分析，從中選取最優模型7-13-2。由表1可以看出，當隱含層選擇為13時，可以取得較高的測試集平均正確率，最高可以達到83.33%的正確率。

表1 Holdout驗證的網絡特性

4 結論

本文利用PWTT來研究急性低血壓預測模式，相比平均動脈壓有著以下優勢：① 脈搏波傳導時間可以由脈搏波和心電圖數據處理得到，且這兩者已是很成熟的技術、可以方便精確地采集；② 脈搏波傳導時間信息量大，可以在很短的時間內得到大量數據。研究結果表明，此預測模式具有較高的預測準確率與可行性，有著廣闊的應用前景和價值，為今后ICU急性低血壓預測提供了一種新的研究思路。

[1] 況瑜天,俞銘燕．心臟介入治療并發急性低血壓癥的臨床表現與對策[J]．實用醫學雜志,2009,25(9):1438-1440．

[2] Chao-Shun Lin,Jainn-Shiun Chiu,Ming-Hui Hsieh,et al．Predicting hypotensive episodes during spinal anesthesia with the application of artificial neural networks[J]．Computer Methods and Programs in Biomedicine,2008,92(2):193-197．

[3] 賴麗娟,吳效明．ICU中發生急性低血壓的預測方法研究進展[J]．北京生物醫學工程,2010,29(5):538-542．

[4] Teresa Rocha,Simao Paredes,et al．Prediction of acute hypotensive episodes by means of neural network multi-models[J]．Computers in Biology and Medicine,2011,41(10):881-890．

[5] G Dahlgren,F Granath,H Wessel,et al．Prediction of hypotension during spinal anesthesia for cesarean section and its relation to the effect of crystalloid or colloid preload[J]．International Journal of Obstetric Anesthesia,2007,16:128-134．

[6] 王志剛,賴麗娟,熊冬生,等．基于AR模型和支持向量機的急性低血壓預測方法研究[J]．中國生物醫學工程學報,2011,30(2):250-255．

[7] Moody GB,Lehman LH．Predicting acute hypotensive episodes: the 10th annual physionet/computers in cardiology challenge[J]．Computers in Cardiology,2009,36(9):541-544．

[8] Bassale J．Hypotension prediction arterial blood pressurevariability[R]．Portland,2001．

[9] Crespo C．Precursors in the arterial blood pressure signal to episodes of acute hypotension in sepsis[A]．Proceedings of the 16th International EURASIP Conference BIOSIGNAL[C]．2002:206-208．

[10] Langley P,King ST,Zheng D,et al．Predicting acute hypotensive episodes from mean arterial pressure[J]．Computers in Cardiology,2009,36(9):553-556．

[11] 羅志昌,張松,楊文鳴．脈搏波波形特征信息的研究[J]．北京工業大學學報,1996,22(l):71-79．

[12] 焦學軍,房興業．利用脈搏波特征參數連續測量血壓的方法研究[J]．生物醫學工程學雜志,2002,19(2):217-220．

[13] Predicting acute hypotensive episodes[EB/OL]．(2009-01-27) [2009-10-19]．http://www.physionet.org/challenge/2009.

[14] PhysioNet．PhysioNet/computers in cardiology challenge 2009:predicting acute hypotensive episodes[EB/OL]．(2009-04-21)[2010-04-19]．http://www.physionet.org/challenge.

Prediction of Acute Hypotensive Episode in ICU using Pulse Wave Transit Time

ZHANG Guang-liang1, HE Shi-lin2, CHEN Guang-fei2, LI Bei2, LI Tan-shi2, ZHU Qiang1
1. Department of Biomedical Engineering, School of Computer and Information Technology, Beijing Jiaotong University, Beijing 100044, China; 2. Department of Biomedical Engineering, General Hospital of PLA, Beijing 100853, China

The acute hypotensive episode (AHE) in intensive care units (ICU) seriously endanger the lives of patients without timely and effective intervention. This paper mainly studied the correlation between pulse wave transit time (PWTT) and AHE, and established prediction model of AHE based on artifcial neural network. The result demonstrated that PWTT had an affnity with AHE, and could be the predictive characteristic index of AHE.

electrocardiograph; intensive care unit; acute hypotensive episode; pulse wave transit time; BP neural network

R318.04；R544.2

A

10.3969/j.issn.1674-1633.2014.03.009

1674-1633(2014)03-0031-03

2013-10-28

2013-12-20

教育部留學回國人員科研啟動基金資助項目。

諸強，博士，副教授。

通訊作者郵箱：qzhu@bjtu.edu.cn