基于光電容積脈搏波和機器學習方法的血壓預測系統研究

譚志堅，許煜聰

廣州醫科大學附屬第一醫院設備科 （廣東廣州 510120）

血壓是心臟一次收縮搏動所產生的壓力，是推動血液在人體心血管系統中傳輸的動力[1]，不僅可用于表征人體的健康程度，而且可作為臨床醫師對病情判斷的重要參數[2]。目前，許多疾病的發病（如心血管、肥胖等）與血壓的變化有關[3]，且死亡患者中有超過1/2的人群直接或間接與高血壓和心血管疾病有關。我國高血壓相關疾病的發病率較高，且呈不斷增長的趨勢[4]。

對于血壓異常引起的疾病，預防是最有效的干預手段。以往用途較廣的袖帶式血壓計需要專業的醫護人員操作，存在一定的局限性，因此，研究新的血壓預測方法非常必要。近年來，通過光電容積脈搏波（photo plethysmo graphy，PPG）[5]提取并預測血壓數值的研究越來越多，我們可以從中提取某些特定的信息并建立血壓測量模型，從而提高血壓的監測精度和相關疾病的預防力度，現基于光電容積脈搏波和機器學習方法研究血壓預測系統。

1 計算方法的原理

1.1 數據的獲取及處理

本研究主要介紹訓練離線模型時所用的昆士蘭大學生命科學開源數據庫[5]、數據提取方法、缺失值甄別和信號去噪手段。研究所使用的數據庫主要來源于32名志愿者的PPG、心電信號和呼吸等生命體征信號，所有數據的采樣率均為100 Hz，并以CSV 尾綴保存，在獲得原始數據后，立即進行預處理，通常預處理主要包括補償數據測量的缺失及消除自身的噪聲。如圖1，數據庫中的原始數據在實際測量中因受環境、志愿者體位等因素影響造成部分片段缺失，而缺失的部分造成PPG 波形的嚴重失真，CSV 文件中該時間點的數據將自動標注為空值，在提取該文件時，標注的空值將為零，因此，在后續的分析中，我們將刪除此部分數據，若出現PPG 數據缺失的情況，我們亦會刪除該部分數據，保證數據的質量。

圖1 從原始數據庫提取的血壓（上）和PPG 波形（下）

PPG 信號包含工頻干擾、基線漂移等各種噪聲[6]。信號在實際獲取的過程中可能受不同因素的干擾，頻率為0.5～4.0 Hz，而噪聲信號的頻率主要為＞0.5 Hz 的范圍[7]。文獻[8]從多個參數（如運算時長、信噪比和變異程度）比較了多種方法，本研究將采用形態學濾波方法，該方法運算快，擁有較好的信噪比和穩定性，且無需使用乘法器，可節省資源。

1.2 血壓預測的特征工程

我們在去除原始信號的噪聲后，需提取PPG 信號的特征。PPG 信號包含許多特征，但這些特征的有效性仍需被證實[9-11]，本研究選取提取的57個特征，其中有些已被驗證有效，有些則是根據物理性質來獲取。

理論上，所有的特征都可被用于訓練模型，但會導致系統負擔過重，信息冗余，且會出現擬合過度的情況；在特征選擇上，通常可以采用嵌入式法、過濾法和封裝法，由于本研究采用最小二乘支持向量機（least squares support vector machine，LSSVM）建立模型，所以在特征選擇上將采用過濾法。

不同的特征具有不同的量綱，導致其需要被歸一化才可進一步操作。歸一化分為標準差歸一化、線性歸一化和非線性歸一化，其中，標準差歸一化對平均值和標準差較為敏感，容易引起偏差；線性歸一化對特征序列的離群點比較敏感，因此歸一化后整成點所在范圍會被壓縮；非線性歸一化雖增加了系統負擔，但本研究提出一種四分位值的歸一化方法（圖2），這種算法來源于文獻[12]中提出的去除方法。

圖2 基于四分位值的箱線圖離群點去除方法

如圖2，該方法首先對特征值序列f 排序，然后找到其1/4與3/4位值Q1和Q2，規定該特征序列的正常值范圍是[Q1-a（Q2-Q1），Q2+b（Q2-Q1）]，a 和b 可以根據數據分布情況自行設定。本研究中，公式1 LB（f）和UB（f）分布設定為Q1-2（Q2-Q1）和Q1+2（Q2-Q1），式中f 為特征序列，UB 為歸一化上限，LB 為歸一化下限：

1.3 血壓預測的模型離線訓練

目前，較為常用的支持向量機有多種，本研究使用LSSVM[13]，從PPG波形中獲取特征[x1，x2，……，xp]，在第i個PPG 波形周期內相應的血壓數值為yi，假設yi和xi=[xi1，xi2，……，xip]呈現線性關系，如公式2：

其中，b 為常數項，ei是預測值和實際值的誤差，由于本研究共收集了n 個PPG 波形，所以可得出n 個相似方程，并以矩陣方式表達[14]，如公式3：

其中y =[y1，y2，……，yn]，x=[x1，x2，……，xn]，e=[e1，e2，……，en]。本研究的目標之一在于獲得一個超平面使得e 的方差最小，如下模型可被建立[14]，如公式4：

其中，θθT，正則化選項，防止出現過擬合現象；γ，即γ ≥0為正則化懲罰因子。

拉格朗日乘子，有公式5：

求解拉格朗日對偶問題，得公式6：

繼續推導，求出a，b：

其中，1v，全1列矩陣[11，12，……，1n]T；a，支持向量權重列矩陣[a1，a2，……，an]T；M，n 階Mercer 矩陣；Mk1， k（xk，x1），k（x）為所選核函數。

從公式6和公式7可得出解（a，b），并可作出擬合方程：

如上所述，LSSVM 的求解過程只需一系列的線性方程組，更加高效[14]，所以本研究選擇LSSVM 擬合模型。

2 樣機的設計

本研究所開發的樣機采用的是德州儀器公司的超低耗DSP 平臺TMS320C5517，在該平臺上可集成并實現PPG 信號的采集、濾波和特征提取等功能。TMS320C5517是一款采用哈佛結構的DSP 芯片，由于其供電電壓最高僅為1.35 V，所以功耗低，非常適用于可穿戴醫療設備；光電傳感器采用的是NELLCOR 指套式探頭，該探頭密閉性較好，可最大限度地避免外部光照的干擾，且穿戴舒適，適合長時間采樣實驗，對應的驅動電路用于發射和接收紅光和紅外光；濾波電路選用二階巴特沃茲低通濾波器，并將中心頻率設置為≤3.5 Hz。

圖3是樣機的系統設計結構圖，PPG 傳感器采集到手指端的PPG信號后，將模擬信號輸入DSP的ADC 轉化模塊中，并完成對數字信號的采樣量化、濾波和特征提取、決策計算等處理，然后將計算出的血壓信號和PPG 波形發送至后臺工作站進行下一步處理，即在ADC 中設定合適的采樣頻率后，PPG 傳感器隨即開始采集信號，然后提取PPG 信號的相應特征。

考慮到節約計算資源，本研究采用計算負責度較低的特征選擇方法，篩選出特征后，再按照四分位點的方式進行特征歸一化操作，利用特征對LSSVM 預測模型進行訓練，最后將PPG 波形和得到的血壓值發送到工作站中，并顯示。

圖3 血壓測量樣機的框架

3 結果

本研究提取的特征點分布如圖4，較容易得出，收縮壓（systolic blood pressure，SBP）、舒張壓（diastolic blood pressure，DBP）和平均血壓（mean blood pressure，MBP）的范圍分別為70～180、20～105、30～120 mmHg（1 mmHg=0.133 kPa）。

圖4 SBP、DBP 和MBP 的分布圖

我們將每5個特征點歸為一幀，前4個放入訓練集，第5個放入測試集。PPG 和血壓信號的特征點在時間上區別較小，因此，訓練集和測試集的標簽變量有同樣的概率分布。本研究為選取的11個特征集合建立起訓練模型，其中SBP對應的特征集合為[f1，f3，f6～f11，f13，f14，f17]，DBP對應的特征集合為 [f2，f4，f5，f9～f14，f16，f18]，MBP對應的特征集合為[f4～f6，f9～f15，f17]。此外，本研究設立了另外兩組對照實驗進一步驗證特征選擇的有效性，第1組對照實驗使用18個特征分別為SBP、DBP 和MBP 訓練預測模型，然后獲得測試結果；第2組對照實驗則使用了所有（57個）被提取的特征建立模型。3組的實驗結果見表1，其中MAE表示測試誤差的平均絕對誤差（mean absolute error），STD 表示測試誤差的標準差（standard deviation）。

表1 不同特征組合下測試集預測誤差的表現（mmHg，MAE±STD）

圖5為在模型的測試集上的Bland-Altman 圖，橫坐標為預測值和標準測量值的平均值，縱坐標為兩者之差，且圖中擬合出了2條直線，說明本研究計算的結果與實際測量結果較接近，且體現出了誤差分布情況。

圖5 SBP、DBP 和MBP 預測殘差的Bland-Altman 圖

4 小結

本研究基于PPG 提出了血壓的計算方法并研發了樣機，結果表明，得到的血壓值與常規的袖帶血壓計檢測出的血壓值具有很好的一致性，計算準確，且樣機操作簡單，無煩瑣步驟，提升了開發和檢測的效率。但是，系統在后續的使用中發現了不足：（1）測量過程中呼吸和體動帶來的干擾，將直接增大誤差；（2）樣本量不足，限制了模型計算的準確度及適用范圍。