曹俊魏，程云章

(上海理工大學(xué)上海介入醫(yī)療器械工程技術(shù)研究中心，上海 200093)

1 引 言

血壓是推動(dòng)血液在心血管系統(tǒng)中傳輸?shù)膭?dòng)力[1]，不僅可用于表征人體的健康程度，而且可作為臨床醫(yī)師對(duì)病情判斷的重要參數(shù)[2]。大部分心血管疾病均與血壓的變化有關(guān)，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(jīng)明確的特征點(diǎn)，精確提取出這些特征，可為醫(yī)療診斷提供信息，具有較高醫(yī)學(xué)價(jià)值[3]。本文首先介紹了通過(guò)脈搏波測(cè)量血壓的基本原理，然后對(duì)用來(lái)測(cè)量血壓的脈搏波特征參數(shù)進(jìn)行分類分析，總結(jié)了目前效果比較好的幾類模型，分析相關(guān)模型的優(yōu)缺點(diǎn)，最后對(duì)無(wú)創(chuàng)血壓測(cè)量的研究進(jìn)行總結(jié)和展望。

2 脈搏波測(cè)量血壓原理

脈搏波測(cè)量血壓是通過(guò)分析脈搏波的各種特征參數(shù)與血壓的相關(guān)性，選擇合適的特征參數(shù)建立血壓測(cè)量模型，實(shí)現(xiàn)血壓的連續(xù)預(yù)測(cè)。脈搏波的形態(tài)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(píng)估和分析[5]。吳育東[6]、郭麗華[7]和Visvanathan等[8]詳細(xì)分析了脈搏波參數(shù)和血管外周阻力、心輸出量以及血管容量的關(guān)系。

3 脈搏波特征參數(shù)介紹

脈搏波參數(shù)一般可分為頻域參數(shù)和時(shí)域參數(shù)。頻域分析是一種常見的用來(lái)分析周期性波動(dòng)信號(hào)的方法。通過(guò)對(duì)時(shí)域水平上的脈搏波進(jìn)行快速傅里葉變換(fast fourier transform，F(xiàn)FT)，觀察振幅、相位的變化，提取頻域參數(shù)，尋找與人體生理病理信息的相關(guān)性[9]。

時(shí)域參數(shù)則可以分為幅值參數(shù)、時(shí)間參數(shù)、面積參數(shù)和其他參數(shù)。常用的幅值參數(shù)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(shí)間參數(shù)有升支時(shí)間SP′、降支時(shí)間P′S′、切跡時(shí)間SC′、脈搏波傳導(dǎo)時(shí)間(pulse wave transit time，PWTT)、脈搏波周期T[10]等。常用的面積參數(shù)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(shù)圖

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

4 血壓測(cè)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(shù)的一元線性回歸模型是對(duì)脈搏波信號(hào)進(jìn)行特征參數(shù)提取，然后進(jìn)行特征參數(shù)與血壓的相關(guān)性分析，選擇相關(guān)性最高的特征參數(shù)作為自變量，血壓作為因變量，建立一元線性回歸方程進(jìn)行血壓測(cè)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(shù)；α0為回歸系數(shù)；α為常數(shù)項(xiàng)；ε為隨機(jī)誤差。

楊剛等[13]利用傳感器獲取PPG信號(hào)，同時(shí)采集同一根手指前后不同兩點(diǎn)的脈搏波波形，對(duì)特征點(diǎn)進(jìn)行位置標(biāo)記，通過(guò)計(jì)算兩路波形對(duì)應(yīng)特征點(diǎn)時(shí)間差得到PWTT，然后利用血壓和PWTT的關(guān)系式計(jì)算血壓值。鐘一舟等[14]從PPG信號(hào)和ECG信號(hào)中提取了三個(gè)參數(shù)：ECG信號(hào)的R波峰值點(diǎn)至PPG信號(hào)波峰值點(diǎn)(PWTTpeak)、ECG信號(hào)的R波峰值點(diǎn)至PPG信號(hào)波谷值點(diǎn)(PWTTfoot)、ECG信號(hào)的R波峰值點(diǎn)至PPG信號(hào)一階導(dǎo)數(shù)最大值點(diǎn)(PWTTdp)。對(duì)單個(gè)實(shí)驗(yàn)對(duì)象來(lái)說(shuō)，用PWTTdp進(jìn)行線性擬合效果更優(yōu)秀，而對(duì)于其他實(shí)驗(yàn)體，則效果不如另外兩個(gè)參數(shù)。對(duì)全體實(shí)驗(yàn)對(duì)象來(lái)說(shuō)，PWTTpeak參數(shù)關(guān)于三項(xiàng)血壓具有最好的相關(guān)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(jìn)行線性回歸預(yù)測(cè)，無(wú)法很好地描述血壓的連續(xù)變化，許多研究者選擇多元線性回歸模型來(lái)改進(jìn)：

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(shù)項(xiàng)；β1，β2，…，βm為偏回歸系數(shù)；ε為殘差。

陳倩蓉等[15]提出，獲取PWTT的方式會(huì)影響模型精度。分析出最優(yōu)的PWTT，結(jié)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(cè)量血壓，結(jié)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(guān)性分析優(yōu)化參數(shù)選擇，再將優(yōu)化后脈搏波特征參數(shù)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(dǎo)脈搏波信號(hào)中提取65個(gè)脈搏波特征，再利用過(guò)濾式(Filter)和包裝器(Wrapper)結(jié)合的機(jī)器學(xué)習(xí)方法，選出最優(yōu)特征，建立血壓模型。簡(jiǎn)單的線性相關(guān)性分析，易選出有多重共線性的特征參數(shù)，鐘業(yè)銘等[18]選取了13個(gè)特征參數(shù)，利用逐步回歸的方法建立最優(yōu)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(jìn)的逐步回歸方法，規(guī)定訓(xùn)練樣本作為滑動(dòng)窗口，用估算點(diǎn)時(shí)刻前最近的n組值訓(xùn)練，逐步回歸法作特征選擇，將估計(jì)的血壓值再作為訓(xùn)練樣本，用于下一點(diǎn)估算。

以上研究多無(wú)法適用存在生理病理問(wèn)題的患者，瞿詩(shī)華等[20]提出了利用主成分分析法對(duì)特征參數(shù)矩陣進(jìn)行降維處理，建立多元線性回歸血壓模型，再根據(jù)逐步逼近的原理使模型的計(jì)算結(jié)果逐步逼近真實(shí)值，最終建立普適模型。線性回歸模型特點(diǎn)歸納見表1。

表1 線性回歸模型歸納

4.2 支持向量機(jī)模型

支持向量機(jī)模型引入了核函數(shù)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(guò)擬合等問(wèn)題。

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

譚智堅(jiān)等[22]提出一種四分位值的歸一化方法對(duì)特征進(jìn)行歸一化處理，再利用過(guò)濾法處理篩選特征，采用LSSVM建立模型。樊海霞等[23]對(duì)PPG、ECG和人體特征信息采取主成分分析法降低數(shù)據(jù)的維度，然后將處理的特征導(dǎo)入遺傳算法，利用遺傳算法對(duì)SVM的參數(shù)進(jìn)行篩選，選取最佳超參數(shù)。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(duì)模型的影響，遺傳算法對(duì)超參數(shù)的優(yōu)化進(jìn)一步提高了測(cè)量的精度。

在SVM模型中，選取最優(yōu)的核函數(shù)，并為所有的樣本及核函數(shù)設(shè)置統(tǒng)一的權(quán)值會(huì)影響分類模型的性能，曹萬(wàn)鵬等[24]提出一種基于當(dāng)前樣本對(duì)SVM最大分類間隔貢獻(xiàn)度自適應(yīng)樣本加權(quán)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(yōu)的核函數(shù)以及其函數(shù)系數(shù)，有效地提高了模型的精度。SVM模型建立時(shí)最需要解決特征選取、超參數(shù)選定及核函數(shù)的選取。支持向量機(jī)模型特點(diǎn)歸納，見表2。

表2 支持向量機(jī)模型歸納

4.3 隨機(jī)森林模型

隨機(jī)森林是一個(gè)包含多個(gè)決策樹的分類器，和傳統(tǒng)的回歸分析方法相比，它極大地降低了過(guò)擬合的風(fēng)險(xiǎn)，提高了血壓測(cè)量的精度。同時(shí)具有訓(xùn)練速度快、輸入樣本簡(jiǎn)單和泛化能力強(qiáng)[25]等優(yōu)勢(shì)。

Rui等[26]使用MIMIC-II數(shù)據(jù)庫(kù)作為訓(xùn)練數(shù)據(jù)，從中選擇了285條記錄，采用導(dǎo)數(shù)算法從PPG信號(hào)中檢測(cè)出18個(gè)特征參數(shù)，利用隨機(jī)森林模型建立血壓測(cè)量模型，最終精確度高于線性回歸模型。Xie等[27]從PPG信號(hào)中提取一個(gè)包含8個(gè)特征的特征向量，采用脊線性回歸(ridge linear regression，RLR)、人工神經(jīng)網(wǎng)絡(luò)(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(duì)血壓進(jìn)行估計(jì)。結(jié)果表明RF在誤差的平均絕對(duì)差(MAD)和標(biāo)準(zhǔn)差(STD)方面取得了最好的性能。

張永芳等[25]將部分個(gè)體特征和由最優(yōu)波得到的血壓估算值作為輸入?yún)?shù)，同時(shí)將水銀計(jì)測(cè)得的血壓值作為實(shí)際測(cè)量值，進(jìn)行歸一化處理后，導(dǎo)入隨機(jī)森林模型，并用自助抽樣法將數(shù)據(jù)集分為訓(xùn)練集和包外集，利用隨機(jī)搜索法縮小最優(yōu)參數(shù)選擇范圍，再使用網(wǎng)格搜索法精確定位，最后對(duì)篩選出的參數(shù)進(jìn)行測(cè)試選擇出最優(yōu)參數(shù)組合建立隨機(jī)森林模型。該研究針對(duì)特征選取和最優(yōu)參數(shù)選定進(jìn)行了設(shè)計(jì)改進(jìn)，對(duì)比支持向量機(jī)，隨機(jī)森林血壓模型的擬合能力更強(qiáng)，訓(xùn)練速度也快，模型特點(diǎn)歸納見表3。

表3 隨機(jī)森林模型歸納

4.4 神經(jīng)網(wǎng)絡(luò)模型

隨著深度學(xué)習(xí)的日益發(fā)展，為取得更高的測(cè)量精度及更寬泛的適用范圍，研究者開始引入神經(jīng)網(wǎng)絡(luò)模型描述血壓與脈搏波特征參數(shù)之間的非線性關(guān)系。

李杰等[28]采用了多元線性回歸模型、小波神經(jīng)網(wǎng)絡(luò)(wavelet neural network，WNN)和長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(long short-term memory，LSTM)建立血壓測(cè)量模型。研究提取了7個(gè)特征參數(shù)建立多元線性回歸方程，計(jì)算出的收縮壓滿足國(guó)家誤差范圍，但是舒張壓存在較大誤差。再將5個(gè)特征參數(shù)向量作為小波神經(jīng)網(wǎng)絡(luò)的輸入，500組脈搏波數(shù)據(jù)用來(lái)訓(xùn)練，24組用來(lái)驗(yàn)證，最終結(jié)果誤差在8 mmHg左右，但對(duì)于重搏波位置無(wú)法識(shí)別、誤識(shí)別的現(xiàn)象，模型無(wú)法準(zhǔn)確預(yù)測(cè)。因此，研究后續(xù)使用循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)對(duì)脈搏波整個(gè)周期建立模型。綜合對(duì)比，線性回歸的計(jì)算量最小，誤差較大；小波神經(jīng)網(wǎng)絡(luò)計(jì)算量較高，可通過(guò)添加訓(xùn)練數(shù)據(jù)來(lái)提高精度；循環(huán)神經(jīng)網(wǎng)絡(luò)計(jì)算量較大，需利用服務(wù)器進(jìn)行優(yōu)化。

上述研究過(guò)程中仍然存在著數(shù)據(jù)規(guī)模有限以及普適性不足的問(wèn)題。聞博[29]針對(duì)心率失?；颊叩臄?shù)據(jù)規(guī)模有限的情況，基于遷移學(xué)習(xí)提出了一種深度自適應(yīng)網(wǎng)絡(luò)，結(jié)合了策略網(wǎng)絡(luò)、自適應(yīng)層和域損失函數(shù)，有效克服了數(shù)據(jù)規(guī)模的限制建立了血壓模型。針對(duì)特征點(diǎn)提取和魯棒性較低的問(wèn)題，張佳骕等[30]提出了CRNN-BP模型，利用卷積網(wǎng)絡(luò)層自動(dòng)提取脈搏波波形特征，其次，利用遞歸網(wǎng)絡(luò)層根據(jù)連續(xù)心動(dòng)周期血壓變化關(guān)系對(duì)波形特征進(jìn)行校正，最后用全連接網(wǎng)絡(luò)進(jìn)行血壓預(yù)測(cè)。該模型有效提高了預(yù)測(cè)精度和魯棒性，為提高血壓模型普適度提供了思路。神經(jīng)網(wǎng)絡(luò)模型特點(diǎn)歸納見表4。

表4 神經(jīng)網(wǎng)絡(luò)模型歸納

5 總結(jié)和展望

本文總結(jié)了當(dāng)下基于脈搏波特征參數(shù)的無(wú)創(chuàng)連續(xù)血壓測(cè)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(guò)篩選多個(gè)與血壓相關(guān)性高的特征參數(shù)建立回歸模型，然而這種簡(jiǎn)單的線性模型無(wú)法描述特征參數(shù)與血壓之間的非線性關(guān)系。其后，研究者使用機(jī)器學(xué)習(xí)的方法建立血壓測(cè)量模型。SVM引入了核函數(shù)和正則化，可以有效處理樣本選擇和過(guò)擬合的問(wèn)題。而隨機(jī)森林算法不僅能夠處理離散型和連續(xù)型數(shù)據(jù)，還具有訓(xùn)練速度快、輸入簡(jiǎn)單和泛化能力強(qiáng)等優(yōu)勢(shì)。隨著深度學(xué)習(xí)的興起，神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于血壓測(cè)量模型。不同的研究者建立的神經(jīng)網(wǎng)絡(luò)模型各不相同，不具有普適性。后續(xù)研究的方向大致應(yīng)側(cè)重于提高脈搏波的測(cè)量精度、脈搏波特征參數(shù)識(shí)別和提取精度，以及提高模型的普適性，滿足同時(shí)測(cè)量健康者與心血管疾病患者，并能夠避免處理數(shù)據(jù)量較小帶來(lái)的影響。