基于脈搏波信號的無創血壓測量的研究進展與展望

曹俊魏，程云章

(上海理工大學上海介入醫療器械工程技術研究中心，上海 200093)

1 引 言

血壓是推動血液在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]。大部分心血管疾病均與血壓的變化有關，脈搏波包含著大量的生理信息，尤其是脈搏波中一些生理意義已經明確的特征點，精確提取出這些特征，可為醫療診斷提供信息，具有較高醫學價值[3]。本文首先介紹了通過脈搏波測量血壓的基本原理，然后對用來測量血壓的脈搏波特征參數進行分類分析，總結了目前效果比較好的幾類模型，分析相關模型的優缺點，最后對無創血壓測量的研究進行總結和展望。

2 脈搏波測量血壓原理

脈搏波測量血壓是通過分析脈搏波的各種特征參數與血壓的相關性，選擇合適的特征參數建立血壓測量模型，實現血壓的連續預測。脈搏波的形態特征、幅度大小以及傳播速度等特征信息，能反映人體血管的生理狀況[4]。脈搏波中含有大量生理和病理信息，常用于血壓、心輸出量之類的評估和分析[5]。吳育東[6]、郭麗華[7]和Visvanathan等[8]詳細分析了脈搏波參數和血管外周阻力、心輸出量以及血管容量的關系。

3 脈搏波特征參數介紹

脈搏波參數一般可分為頻域參數和時域參數。頻域分析是一種常見的用來分析周期性波動信號的方法。通過對時域水平上的脈搏波進行快速傅里葉變換(fast fourier transform，FFT)，觀察振幅、相位的變化，提取頻域參數，尋找與人體生理病理信息的相關性[9]。

時域參數則可以分為幅值參數、時間參數、面積參數和其他參數。常用的幅值參數有主波幅PP′、降中峽幅CC′、重搏波幅DD″、潮波幅TT″等，見圖1。常用的時間參數有升支時間SP′、降支時間P′S′、切跡時間SC′、脈搏波傳導時間(pulse wave transit time，PWTT)、脈搏波周期T[10]等。常用的面積參數有脈搏波面積、K值=(Pm-Pd)/(Ps-Pd)(Ps和Pd分別為收縮壓和舒張壓，Pm為平均壓)[11]等。

圖1 脈搏波特征參數圖

Moens-Korteweg與Bramwell-Hill模型[12]有效地證明了脈搏波傳導速度(pulse wave velocity，PWV)與血壓值的關系。PWTT的計算獲取方式有多種,一般采用以心電信號(electrocardiogram，ECG)R波為起點來計算PWTT的方法。在近心端也可用心音信號(phonocardiogram，PCG)、阻抗心動圖(impedance cardiogram,ICG)、心沖擊信號(ballistocardiogram，BCG)等計算PWTT，在遠心端則多使用PPG信號。

4 血壓測量模型介紹

4.1 線性回歸模型

4.1.1一元線性回歸 基于脈搏波特征參數的一元線性回歸模型是對脈搏波信號進行特征參數提取，然后進行特征參數與血壓的相關性分析，選擇相關性最高的特征參數作為自變量，血壓作為因變量，建立一元線性回歸方程進行血壓測量，模型為：

P=α0X+α+ε

(1)

其中，P表示血壓值；X表示挑選出的特征參數；α0為回歸系數；α為常數項；ε為隨機誤差。

楊剛等[13]利用傳感器獲取PPG信號，同時采集同一根手指前后不同兩點的脈搏波波形，對特征點進行位置標記，通過計算兩路波形對應特征點時間差得到PWTT，然后利用血壓和PWTT的關系式計算血壓值。鐘一舟等[14]從PPG信號和ECG信號中提取了三個參數：ECG信號的R波峰值點至PPG信號波峰值點(PWTTpeak)、ECG信號的R波峰值點至PPG信號波谷值點(PWTTfoot)、ECG信號的R波峰值點至PPG信號一階導數最大值點(PWTTdp)。對單個實驗對象來說，用PWTTdp進行線性擬合效果更優秀，而對于其他實驗體，則效果不如另外兩個參數。對全體實驗對象來說，PWTTpeak參數關于三項血壓具有最好的相關性。

4.1.2多元線性回歸 由于影響血壓的因素很多，僅使用單一特征值進行線性回歸預測，無法很好地描述血壓的連續變化，許多研究者選擇多元線性回歸模型來改進：

P=β0+β1X1+β2X2+…+βmXm+ε

(2)

其中，P為因變量；X1，X2，…，Xm為自變量；β0為常數項；β1，β2，…，βm為偏回歸系數；ε為殘差。

陳倩蓉等[15]提出，獲取PWTT的方式會影響模型精度。分析出最優的PWTT，結合速度脈搏波(velocity of PPG，VPG)、加速度脈搏波(accelerate PPG，APG)以及身高擬合測量血壓，結果顯示PWTT和身高擬合的血壓模型精度更高。趙彥峰等[16]利用相關性分析優化參數選擇，再將優化后脈搏波特征參數加入偏最小二乘法建立的校正模型中，提高模型的普適性。

林宛華等[17]從原始脈搏波、一階和二階導脈搏波信號中提取65個脈搏波特征，再利用過濾式(Filter)和包裝器(Wrapper)結合的機器學習方法，選出最優特征，建立血壓模型。簡單的線性相關性分析，易選出有多重共線性的特征參數，鐘業銘等[18]選取了13個特征參數，利用逐步回歸的方法建立最優回歸方程，有效降低了多重共線性。謝寒霜等[19]提出了一種改進的逐步回歸方法，規定訓練樣本作為滑動窗口，用估算點時刻前最近的n組值訓練，逐步回歸法作特征選擇，將估計的血壓值再作為訓練樣本，用于下一點估算。

以上研究多無法適用存在生理病理問題的患者，瞿詩華等[20]提出了利用主成分分析法對特征參數矩陣進行降維處理，建立多元線性回歸血壓模型，再根據逐步逼近的原理使模型的計算結果逐步逼近真實值，最終建立普適模型。線性回歸模型特點歸納見表1。

表1 線性回歸模型歸納

4.2 支持向量機模型

支持向量機模型引入了核函數和正則化，可以有效地處理樣本空間線性不可分、有效樣本選擇和過擬合等問題。

段克峰等[21]采集人體手指末梢光電容積脈搏波信號，從PPG信號中提取特征參數，并基于最小二乘支持向量機(least squares support veotor machine，LSSVM)模型預測人體收縮壓和舒張壓。針對LSSVM缺乏稀疏性，使用密度加權算法對LSSVM進行稀疏化。

譚智堅等[22]提出一種四分位值的歸一化方法對特征進行歸一化處理，再利用過濾法處理篩選特征，采用LSSVM建立模型。樊海霞等[23]對PPG、ECG和人體特征信息采取主成分分析法降低數據的維度，然后將處理的特征導入遺傳算法，利用遺傳算法對SVM的參數進行篩選，選取最佳超參數。主成分分析法降維處理后的特征不僅包括各種特征，還降低了人體差異對模型的影響，遺傳算法對超參數的優化進一步提高了測量的精度。

在SVM模型中，選取最優的核函數，并為所有的樣本及核函數設置統一的權值會影響分類模型的性能，曹萬鵬等[24]提出一種基于當前樣本對SVM最大分類間隔貢獻度自適應樣本加權方法，然后采用蟻群算法(ant clony optimization， ACO)引入最大分類間隔因素，為SVM尋找最優的核函數以及其函數系數，有效地提高了模型的精度。SVM模型建立時最需要解決特征選取、超參數選定及核函數的選取。支持向量機模型特點歸納，見表2。

表2 支持向量機模型歸納

4.3 隨機森林模型

隨機森林是一個包含多個決策樹的分類器，和傳統的回歸分析方法相比，它極大地降低了過擬合的風險，提高了血壓測量的精度。同時具有訓練速度快、輸入樣本簡單和泛化能力強[25]等優勢。

Rui等[26]使用MIMIC-II數據庫作為訓練數據，從中選擇了285條記錄，采用導數算法從PPG信號中檢測出18個特征參數，利用隨機森林模型建立血壓測量模型，最終精確度高于線性回歸模型。Xie等[27]從PPG信號中提取一個包含8個特征的特征向量，采用脊線性回歸(ridge linear regression，RLR)、人工神經網絡(artificial neural network，ANN)、決策樹回歸模型(decision tree regression，DTR)、袋裝回歸(bagging regression，BR)和RF模型對血壓進行估計。結果表明RF在誤差的平均絕對差(MAD)和標準差(STD)方面取得了最好的性能。

張永芳等[25]將部分個體特征和由最優波得到的血壓估算值作為輸入參數，同時將水銀計測得的血壓值作為實際測量值，進行歸一化處理后，導入隨機森林模型，并用自助抽樣法將數據集分為訓練集和包外集，利用隨機搜索法縮小最優參數選擇范圍，再使用網格搜索法精確定位，最后對篩選出的參數進行測試選擇出最優參數組合建立隨機森林模型。該研究針對特征選取和最優參數選定進行了設計改進，對比支持向量機，隨機森林血壓模型的擬合能力更強，訓練速度也快，模型特點歸納見表3。

表3 隨機森林模型歸納

4.4 神經網絡模型

隨著深度學習的日益發展，為取得更高的測量精度及更寬泛的適用范圍，研究者開始引入神經網絡模型描述血壓與脈搏波特征參數之間的非線性關系。

李杰等[28]采用了多元線性回歸模型、小波神經網絡(wavelet neural network，WNN)和長短時記憶神經網絡(long short-term memory，LSTM)建立血壓測量模型。研究提取了7個特征參數建立多元線性回歸方程，計算出的收縮壓滿足國家誤差范圍，但是舒張壓存在較大誤差。再將5個特征參數向量作為小波神經網絡的輸入，500組脈搏波數據用來訓練，24組用來驗證，最終結果誤差在8 mmHg左右，但對于重搏波位置無法識別、誤識別的現象，模型無法準確預測。因此，研究后續使用循環神經網絡(recurrent neural network，RNN)對脈搏波整個周期建立模型。綜合對比，線性回歸的計算量最小，誤差較大；小波神經網絡計算量較高，可通過添加訓練數據來提高精度；循環神經網絡計算量較大，需利用服務器進行優化。

上述研究過程中仍然存在著數據規模有限以及普適性不足的問題。聞博[29]針對心率失常患者的數據規模有限的情況，基于遷移學習提出了一種深度自適應網絡，結合了策略網絡、自適應層和域損失函數，有效克服了數據規模的限制建立了血壓模型。針對特征點提取和魯棒性較低的問題，張佳骕等[30]提出了CRNN-BP模型，利用卷積網絡層自動提取脈搏波波形特征，其次，利用遞歸網絡層根據連續心動周期血壓變化關系對波形特征進行校正，最后用全連接網絡進行血壓預測。該模型有效提高了預測精度和魯棒性，為提高血壓模型普適度提供了思路。神經網絡模型特點歸納見表4。

表4 神經網絡模型歸納

5 總結和展望

本文總結了當下基于脈搏波特征參數的無創連續血壓測量模型。其中一元線性回歸模型大多著眼于PWTT的研究，而多元線性回歸模型則通過篩選多個與血壓相關性高的特征參數建立回歸模型，然而這種簡單的線性模型無法描述特征參數與血壓之間的非線性關系。其后，研究者使用機器學習的方法建立血壓測量模型。SVM引入了核函數和正則化，可以有效處理樣本選擇和過擬合的問題。而隨機森林算法不僅能夠處理離散型和連續型數據，還具有訓練速度快、輸入簡單和泛化能力強等優勢。隨著深度學習的興起，神經網絡被廣泛應用于血壓測量模型。不同的研究者建立的神經網絡模型各不相同，不具有普適性。后續研究的方向大致應側重于提高脈搏波的測量精度、脈搏波特征參數識別和提取精度，以及提高模型的普適性，滿足同時測量健康者與心血管疾病患者，并能夠避免處理數據量較小帶來的影響。