2020, Vol. 46
b. 太原理工大学 新型传感器与智能控制教育部和山西省重点实验室, 山西 晋中 030600
b. Key Laboratory of Advonced Transducers and Intelligent Control System of Ministy of Education and Shanxi Province, Taiyuan University of Technology, Jinzhong, Shanxi 030600, China
近年来, 伴随着中国经济的发展以及人口老龄化速度的加快, 心血管疾病的患者日益增多, 心血管健康的管理对连续血压监测的要求越来越高。连续血压测量可通过持续反馈显著降低血液循环系统的风险, 它能够通过对慢性高血压、压力和急性血压变化等疾病的即时护理来提高生活健康质量。基于袖带加压系统的传统血压测量不适合连续测量和普遍使用, 特别是在可穿戴的小型传感应用中。
使用心电图(Electrocardiogram, ECG)和从容积脉搏波(Photoplethysmography, PPG)获取脉搏波传输时间(Pulse Transmit Time, PTT)估计血压方法, 和基于PPG波形特征参数估计血压方法在测量动脉僵硬度或发现动脉疾病的背景下被广泛研究, 单个动脉部位的脉搏波传导速度可用于连续血压估计[1-2]。收缩压上升时间、舒张压时间、2/3宽度、1/2脉搏振幅等多项脉搏波传导参数被认为是从单个PPG信号中估计血压的可能候选者。文献[3-4]验证了使用以PTT作为主要特征, 从PPG信号中提取的参数作为辅助特征, 运用神经网络算法估计血压的模型比仅使用PTT的模型[5]具有更高的精度。文献[6]使用传统的决策树和boosting等时域方法对PPG波形进行建模。文献[7]使用频域方法从PPG波形中提取必要的特征。与基于ECG和PPG特征参数工程的方法相比, 这些方法在性能上没有明显的改进。最近的研究表明, 神经网络可以自动提取必要的特征, 而无需任何复杂的特征工程[8]。
上文讨论的模型均未考虑提取特征参数相对时间的变化。人体的动脉压力由自主神经系统和肾-体液机制调节, 该机制包括多个反馈控制回路[9], 其效果也可以在ECG和PPG信号中被视为调制[10], 同时考虑它们的相关特征和时域变化可以提高BP的估计精度。对于复杂时间序列的建模, 研究人员发现长短期记忆网络(LSTM)[11]非常有效。文献[12]研究结果表明, 通过识别ECG和PPG的特征参数与使用深层LSTM网络分析参数可以提高血压估计的准确性。本文构建一个基于ECG和PPG波形的端到端神经网络的连续血压估计模型, 该模型可以自动提取ECG和PPG波形必要的特征, 其中较低层次提取必要的特征, 较高层次提取特征的时域变化。
1 数据收集和预处理 1.1 数据源本文利用Physionet的重症监护多参数智能监测(MIMIC)I数据库收集ECG、PPG和相应的动脉血压(ABP)信息[13], 总共收集并预处理来自不同年龄组和性别的ICU的69名患者的数据。以125 Hz的采样频率对ECG和PPG信号进行采样, 表 1为患者的简要描述。从表 1可以明显看出, 该数据以60岁~80岁年龄组内的患者为主。在40岁~60岁和60岁~80岁年龄组中SBP的标准偏差高于DBP的相应标准偏差。
|
下载CSV 表 1 Mimic I数据库患者数据 Table 1 Patient data of MIMIC I database |
为消除基线漂移和噪声, 使用Tunable-Q小波变换(TQWT)对加窗信号进行带通滤波[14]。TQWT拥有小波去噪的所有优点[15]以及小波基的可调性。在TQWT中使用Q值生成的Daubechies小波基来执行离散小波变换(DWT)。通过改变Q值, 可以在频域内对小波分解子带进行移位, 在尽可能保留形态轮廓的同时有效地去除基线漂移。Q选择和滤波过程如图 1所示, ECG信号和PPG信号使用相同的方法。
|
Download:
|
| 图 1 预处理方法流程 Fig. 1 Procedure of preprocessing method | |
Q选择和滤波过程如下:
1) 对加窗的ECG或PPG信号进行傅里叶变换, 并归一化处理幅度。
2) 选择频率为1.0 Hz~3.5 Hz范围内的峰值, 选择标准化值大于0.4的第1个峰值作为基准点。
3) 选择在步骤2)中的基准点频率以下的凹拐点, 并选择左端最近的凹拐点作为主波波谷点。如果没有找到凹拐点, 则简单地选择基频的一半作为主波波谷点。
4) 使用选择的基准点频率以及主波波谷点的频率从查找表中选择Q值。查找表包括扫描范围1.0~1.4内的Q值计算的10级子带(小波分解)的中心频率和-3 dB位置截止频率。对于Q=1.0, 10级子带的中心频率和-3 dB位置截止频率分别为0.812 9 Hz和0.430 9 Hz, 对于Q=1.4, 10级子带的中心频率和-3 dB位置截止频率分别为1.949 1 Hz和1.339 7 Hz。
5) 选择提供最接近基准点的中心频率的Q值作为Q值的上限Qmax。然后在1.0~Qmax范围内选择另一个Q值, 该值对应于最接近左端的凹拐点频率的-3 dB位置截止频率, 该Q值即为需要的Q值。这样既不衰减基波峰值, 又保留了ECG和PPG信号的振幅。
6) 如果没有检测到基准点, 则选择Q值为1.08。对于Q=1.08, 第10级子带的中心频率和-3 dB位置截止频率分别为1.002 0 Hz和0.573 5 Hz。在这种情况下, 很可能ECG或PPG信号被伪像严重破坏, 并且可能无法提取到需要波形的大多数特征。去除含有直流分量和基线漂移的剩余信号, 使用预先设置的软Rigrsure阈值[16]的小波去噪。最后得到了既无基线漂移又无高频噪声的ECG和PPG信号。
2 连续血压估计模型本文构建的基于端到端神经网络的人体血压估计模型包含两个层次结构, 下层使用ANN从ECG和PPG波形的单个实例中学习波形特征, 上层使用LSTM学习下层提取的特征之间的时间关系。图 2为ECG和PPG波形特征提取示意图, 图 3为输入数据准备过程的流水线, 图 4为基于ECG和PPG波形的端到端神经网络的连续血压估计模型。
|
Download:
|
| 图 2 ECG和PPG波形特征提取示意图 Fig. 2 Schematic diagram of ECG and PPG waveform feature extraction | |
|
Download:
|
| 图 3 输入数据准备过程的流水线框图 Fig. 3 Block diagram of input data preparation process | |
|
Download:
|
| 图 4 基于端到端神经网络的连续血压估计模型 Fig. 4 Continuous blood pressure estimation model based on end-to-end neural network | |
根据血流动力学理论, 当外周阻力较低及血管弹性较好时, 脉搏波波形特征是主波窄而高, 重搏波波峰和波谷都很突出。随着外周阻力和血管壁硬化程度的增加, 重搏波的波峰和波谷相对主波的位置逐渐抬高, 最后混为一体不易区分, 使整个脉搏波波形呈馒头形。
本文基于脉搏波分析, 从PPG和ECG的每一拍中计算出10个信息特征, 如表 2和图 2所示。依据血流动力学理论确定10项与血压相关性较好的特征参数作为血压估计模型中的特征变量。
|
下载CSV 表 2 ECG和PPG波形中选定特征的定义 Table 2 Definitions of selected features in ECG and PPG |
本文算法对PPG和ECG波形进行非均匀波形分割, 用于训练神经网络, 分割的主要原因是ECG和PPG信号频率的变化。心率可以低于每分钟60次(对于心动过缓患者), 由于强烈的共感神经刺激[17], 心率可以上升到每分钟200次。例如, 取一个长度恒定2 s(250个样本)的窗口, 该窗口内波形的周期数可能在2个~6个周期内变化。这种不同的循环次数将在提取特征时对高HR的信号产生更大的误差。因此, 使用一个长度为连续3个心电或PPG峰(2个周期)的可变窗口, 然后重新采样到256个样本。为了训练学习模型, 准备好输入波形, 然后反馈给神经网络。
输入数据的准备过程如下:
1) PPG节段长度为连续3个收缩峰(2个周期)pwi(n), i=1, 2, …, M, 其中M为序列波形段数, 对应ECG段ewi(n), i=1, 2, …, M, 分别从预处理后的PPG和ECG信号pf(n)和ef(n)中提取, 也可以用3r峰长度的心电段代替相应的PPG信号。
2) 段长li, i=1, 2, …, M由提取的ECG和PPG波形计算得到, 并除以256进行归一化。将ECG和PPG信号重采样至256个样本, 将ECG与PPG重采样波形ewi(mi)、pwi(mi)、归一化段长li串联, 得到具有512个特征的向量xi, 该向量是基于波形的特征向量。
该模型需要M个连续的特征向量序列[x1Tx2T…xMT]T, 编制顺序如下:
1) 对由3个连续峰值偏移一个峰值的M组进行上述处理, 形成M个特征向量。峰的选择为0-1-2、1-2-3、2-3-4, 直到(M-1)-M-(M+1)。
2) 提取M个特征向量, 生成端到端神经网络模型的特征向量序列, 然后取由SBP和DBP组成的相应序列向量[y1Ty2T…yMT]T作为输出。
2.3 血压估计模型处理在准备模型的输入和输出后, 每个患者的数据分为70%用于训练, 10%用于验证, 20%用于测试。数据准备短(M=10, 从16 s窗口提取, 或2 000个样本125 Hz)和长(M=32, 从40 s窗口提取, 或5 000个样本125 Hz)序列, 并且对两者进行训练。端到端神经网络主要由两个堆叠的LSTM层组成, 并与它们连接了呈时间分布的ANN。ANN由128个具有ReLU激活功能的神经元的隐藏层组成。损失函数使用均方误差(MSE), 梯度优化使用Adam优化器[18], 初始学习率为0.001。对于正则化, M=10和M=32, 梯度的L2范数被约束为3和5。第1个LSTM层是双向的[19], 用于模拟2个方向的时间变化。
完全连接网络的主要目的是从特征向量序列中提取必要的特征[x1Tx2T…xiT…xMT]T, 其中每个xi为1×512特征向量。堆叠的LSTM层学习在不同时间尺度上提取的特征变量的变化以改进BP估计。第2个LSTM层输出向量序列[y1Ty2T…yiT…yMT]T, 其中每个yi是一个1×2的特征向量, 包含估计的SBP和DBP。
3 血压估计模型的评估使用平均绝对误差(MAE)和均方根误差(RMSE)作为度量来评估本文提出的模型。MAE和RMSE定义为:
| $ {\rm{MAE}} = \frac{1}{N}\sum\limits_{i = 1}^N {\left| {{z_{{i_M}}} - {y_{{i_M}}}} \right|} $ | (1) |
| $ {\rm{RMSE}} = \frac{1}{N}\sqrt {\sum\limits_{i = 1}^N {{{\left| {{z_{{i_M}}} - {y_{{i_M}}}} \right|}^2}} } $ | (2) |
其中, yM和zM分别是时间序列的第M个元素的实际值和估计的BP(SBP或DBP)。对本文模型的性能在AAMI标准上进行评估, 同时对血压估计模型进行Bland-Altman分析和Pearson相关系数分析。
3.1 与其他模型比较表 3为不同神经网络架构的对比分析。从表 3可以看出, AdaBoost模型对于DBP估计具有可接受的误差, 但是对于SBP估计具有较高的误差。基于LSTM的模型可以对时间特征的变化进行建模, 从而提高精度。在MAE和RMSE方面, 本文端到端神经网络模型比其他模型表现更好。
|
下载CSV 表 3 不同血压估计模型的比较分析 Table 3 Comparative analysis of different blood pressure estimation models |
医学仪器促进协会(AAMI)标准要求血压测量装置的误差(ME)和误差标准偏差(SDE)值分别低于5 mmHg和8 mmHg[20]。表 4显示了根据AAMI标准对不同模型的评估, 从表 4可以看出, 端到端神经网络模型满足SBP估计的AAMI标准, 所提出的模型具有可忽略的ME和最小的SDE。随着2个模型的序列长度M从10增加到32, 端到端神经网络模型的预测能力明显增加。
|
下载CSV 表 4 基于AAMI标准(ME < 5 mmHg, SDE < 8 mmHg)的性能评估 Table 4 Performance evaluation based on AAMI standard (ME < 5 mmHg, SDE < 8 mmHg) |
对短序列数据(M=10)进行Bland-Altman检验和Pearson相关检验。图 5为基于端到端神经网络模型SBP和DBP估计的Bland-Altman。对于本文提出的模型, 发现SBP和DBP的一致性极限[μ-1.96, μ+1.96]分别为[-4.076, 4.933]和[-4.816, 4.736], 这意味着95%的估计SBP误差小于4.78 mmHg, 95%的测量DBP值误差小于4.50 mmHg, 表明该模型是一个好的估计模型。图 6为基于端到端神经网络模型SBP和DBP估计的回归示意图。SBP和DBP的Pearson相关系数分别为r=0.990和r=0.991, 2个系数都非常接近1.0, 表明目标和估计的BP之间存在高线性。
|
Download:
|
| 图 5 SBP和DBP估计的Bland-Altman示意图 Fig. 5 Bland-Altman schematic diagram of SBP and DBP estimation | |
|
Download:
|
| 图 6 SBP和DBP估计的回归示意图 Fig. 6 Regression diagram of SBP and DBP estimation | |
为验证所建立的血压估算模型的可靠性, 本文对采用欧姆龙HEM-7136型电子血压计与本文系统测试者同时进行检测以分析该设计的准确性。其中, 以欧姆龙HEM-7136型电子血压计测得数据作为标准值, 本文设计测量数据为估计值。实验基于计算机平台, 组合使用桡动脉脉搏传感器(合肥华科电子技术研究所的HK-2000B型传感器)、心电图机(三锐科技医用ECG-2301单道心电图机)对年龄在21岁~35岁之间的健康男性7名和女性6名进行检测, 采样频率设置为400 Hz, 记录被测者的脉搏波和心电信号, 使用基于端到端神经网络的连续血压估计模型对信号进行处理, 得到血压估计值, 同时使用欧姆龙HEM-7136型电子血压计测量被测者的收缩压和舒张压各3次, 取平均值作为血压计测量值。连续测量5天, 共65组可对比数据, 具体数据情况如表 5所示。基于端到端神经网络模型的连续血压估计模型的舒张压和收缩压的平均绝对误差分别为3.037 3 mmHg和2.504 9 mmHg, 测量结果满足BP估计的AAMI标准, 具有一定的临床意义。
|
下载CSV 表 5 血压估计模型的测量数据分析 Table 5 Analysis of measured data of blood pressure estimation model |
本文提出一种新的端到端神经网络模型, 对ECG和PPG波形进行无袖连续血压估计。该模型能够在不需要任何特征工程的情况下提取必要的波形特征, 以及学习时间特征的变化, 满足BP估计的AAMI标准, 其Pearson相关性测试显示相关系数接近1.0, 表明实际BP和估计BP之间具有高线性。为验证血压模型的有效性, 对测试者连续测量5天的实验结果表明, 血压估计模型误差在±5 mmHg以内, 具有一定的准确性和可靠性, 达到了较好的效果。
| [1] |
GAO Ninghua, WANG Heng, FENG Xinghua. Classification method of electrocardiogram signals based on dynamic fuzzy decision tree[J]. Computer Engineering, 2020, 46(1): 80-86. (in Chinese) 高宁化, 王姮, 冯兴华. 基于动态模糊决策树的心电信号分类方法[J]. 计算机工程, 2020, 46(1): 80-86. |
| [2] |
ZHOU Linyong, XIE Xiaoyao, LIU Zhijie, et al. Research on pooling method of convolution neural network[J]. Computer Engineering, 2019, 45(4): 211-216. (in Chinese) 周林勇, 谢晓尧, 刘志杰, 等. 卷积神经网络池化方法研究[J]. 计算机工程, 2019, 45(4): 211-216. |
| [3] |
KACHUEE M, KIANI M M, MOHAMMADZADE H, et al. Cuffless blood pressure estimation algorithms for continuous health-care monitoring[J]. IEEE Transactions on Biomedical Engineering, 2017, 64(4): 859-869. |
| [4] |
XU Zhihong, LIU Jiexin, CHEN Xianxiang, et al. Continuous blood pressure estimation based on multiple parameters from electrocardiogram and photoplethysmogram by back-propagation neural network[J]. Computers in Industry, 2017, 89: 50-59. |
| [5] |
HALL J E.Guyton and Hall textbook of medical physiology[M].[S.1.]: Saunders Press, 2010.
|
| [6] |
KUMAR N, AGRAWAL A, DEB S.Cuffless BP measurement using a correlation study of pulse transient time and heart rate[C]//Proceedings of International Conference on Advances in Computing, Communications and Informatics.Washington D.C., USA: IEEE Press, 2014: 1538-1541.
|
| [7] |
XING Xiaomen, SUN Mingshan. Optical blood pressure estimation with photoplethysmography and FFT-based neural networks[J]. Biomedical Optics Express, 2016, 7(8): 3007-3020. |
| [8] |
MAO J, JAIN A K. Artificial neural networks for feature extraction and multivariate data projection[J]. IEEE Transactions on Neural Networks, 1995, 6(2): 296-317. |
| [9] |
GUYTON A C, COLEMAN T G, COWLEY A W, et al. Arterial pressure regulation:overriding dominance of the kidneys in long-term regulation and in hypertension[J]. American Journal of the Medical Sciences, 1972, 52(5): 584-594. |
| [10] |
CHARLTON P H, BONNICI T, TARASSENKO T, et al. An assessment of algorithms to estimate respiratory rate from theelectrocardiogram and photoplethysmogram[J]. Physiological Measurement, 2016, 37(4): 610-623. |
| [11] |
HOCHREITER S, SCHMIDHUBER J. Long short-term memory[J]. Neural Computing, 1997, 9(8): 1735-1780. |
| [12] |
SU Peng, DING Xiaorong, ZHANG Yuanting, et al.Long-term blood pressure prediction with deep recurrent neural networks[C]//Proceedings of 2018 IEEE EMBS International Conference on Biomedical & Health Informatics.Las Vegas, USA: IEEE Press, 2017: 1-19.
|
| [13] |
GOLDBERGER A L, AMARAL L A, GLASS L, et al. Physio bank, physio toolkit, and physio net:components of a new research resource for complex physiologic signals[J]. Circulation, 2000, 101(23): 215-220. |
| [14] |
SELESNICK I W. Wavelet transform with tunable Q-factor[J]. IEEE Transactions on Signal Processing, 2011, 59(8): 3560-3575. |
| [15] |
UNSER M, ALDROUBI A.A review of wavelets in biomedical applications[C]//Proceedings of the IEEE, 1996, 84(4): 626-638.
|
| [16] |
DONOHO D L. De-noising by soft-thresholding[J]. IEEE Transactions on Information Theory, 1995, 41(3): 613-627. |
| [17] |
ZHAO Bo, HAO Yingdi, LI Xinzheng, et al. Human blood pressure prediction method based on support vector regression[J]. Journal of Yanshan University, 2017, 41(5): 438-443. (in Chinese) 赵博, 赫英迪, 李信政, 等. 基于支持向量回归的人体血压预测方法[J]. 燕山大学学报, 2017, 41(5): 438-443. |
| [18] |
PICKERING T G. Isolated diastolic hypertension[J]. Journal of Clinical Hypertension, 2003, 5(6): 411-413. |
| [19] |
SCHUSTER M, PALIWAL K. Bidirectional recurrent neural networks[J]. IEEE Transactions on Signal Processing, 1997, 45(11): 2673-2681. |
| [20] |
ARLINGTON S. Association for the advancement of medical instrumentation[J]. Journal of Clinical Engineering, 2016, 41(2): 59-60. |