Article Info

北京交通大学计算机与信息技术学院生物医学工程系, 北京 100044

[摘要]据报道,血压的变化和脉搏波形息息相关,可以利用脉搏特征参数间接估计血压.本文针对无创血压的连续监测提出一种新的预测模型.本研究从脉搏波信号波形图中提取14个特征参数,建立多元线性模型,通过改进的逐步回归算法动态实时估计连续血压,并利用多参数智能监控数据库中6个病人的数据来验证该动态模型.分析实验结果发现,血压估计偏差的均值和方差符合美国医疗器械AAMI标准(5±8 mmHg),且预测的血压值和提取的血压值呈显著相关.实验表明,利用脉搏波这14个特征参数参数建立的动态模型可以被用来预测连续血压,而且预测正确率较高.

[关键词]脉搏波特征参数;无创血压;逐步回归算法;动态模型

引言

血压(Blood Pressure,BP)作为人体一个重要生理参数,是人体心血管疾病的重要判断依据,能够清楚反映人体心脏和血管是否存在异常,也是临床医师诊断、治疗疾病的重要判断依据,因此血压的测量非常重要.日常生活中,家用电子血压计和临床常用的水银血压计的测量方法较为常见,然而该种方式只能测量某一时刻的血压值,且袖带的束缚也会给人体带来不适感.动脉插管法虽能测量连续血压,但这种有创的测量方法容易造成出血、感染等一系列风险[1].而无创连续血压监测是根据与血压相关的生理参数间接预测血压的一种方法,它既可以获得连续的血压,又可避免动脉直接测压所产生的风险,因此无创连续血压监测方法在当前的在血压可靠性监测中备受研究者关注.血压依赖于血容量和血管外周阻力[2],研究者通过分析血容量和血管外周阻力的相关生理参数建立数学模型来估计连续血压.如Cattivelli等[3]和Gesche等[4]使用脉搏波传输时间(Pulse Wave Transit Time,PWTT)建立线性模型估计血压;Wong等[5]观察到BP与瞬时心率(Heart Rate,HR)高度相关,通过PTTT和HR建立线性模型;Wang等[6]通过分析人体神经调节和体液调节发现,当前时刻的BP受前一时刻BP的影响,并在前人模型基础上添加前一时刻的BP,估计出连续血压.众所周知人体是一个极其复杂的系统,血压受到人体诸多因素的影响,单纯利用几个特征参数估计血压其说服力略为欠缺.且上述模型均基于PTTT建立,PTTT是评价血管弹性程度的重要指标,它的准确测量直接关系到预测结果的准确性.而医学上对PTTT的定义和算法,以及PTTT的检测方法都没有统一的规定[7],研究者根据各自数据特点,选择方便的特征点计算PTTT,模型之间的可比性难免会略显不足.

在参阅大量研究的基础上,本文采用光电容积脉搏波(Photo Plethysmo Graphy,PPG)[8]特征参数估计血压的思想来探究无创连续血压监测的难题.PPG波形特征参数与血压变化息息相关,学者汤池[9]、欧辉彬等[10]、Visvanathan等[11]已经分别从生理上详细分析脉搏波特征参数与人体血管外周阻力和血容量的相关关系.前文提到血压主要受这两者影响,因此可以利用脉搏波相关的波形特征参数估计血压.而到目前为止,还没有人仅通过PPG特征参数建立动态模型实时预测血压变化.本论文提出一种基于脉搏波特征参数的血压估计模型,通过提取PPG波形特征参数,构建BP预测模型,并使用标准的MIMIC[12]数据库中同步记录的动脉血压(Arterial Blood Pressure,ABP)和脉搏波信号验证该模型,旨在实现无创血压的连续监测.

1 材料和方法

1.1 信号预处理

当前,没有一种有效的手段能够用于获得健康人的连续BP数据,因此本研究使用数据库中已有的病人数据.由麻省理工学院维护的MIMIC数据库[13]通过提取重症监护室病人的生理信号,收集了大量可靠的连续BP信号和PPG信号,因此选择该数据库中的数据验证本研究提出的模型是一种较为理想的选择.信号采集过程中,人为因素或者采集仪器出现间断性等问题不可避免,在将PPG信号导入matlab中发现,每一个病人连续数据中都存在NAN的无效片段,这些无效片段的存在,无疑会影响到后续的处理结果.因此,利用matlab程序将获取到的2～3 h数据划分,提取最长有效数据片段作为该病人的有效数据,同步截取ABP数据段,得到6组连续的有效数据段,将此作为实验数据,能大大降低无效片段带来的误差等影响.

信号采集过程中往往会受到周围环境、人体呼吸、肌电干扰、工频干扰等诸多因素影响而产生不同的噪声.利用小波对信号去噪时,小波基函数的选择十分重要,不同小波基函数对信号分解可以突出不同特点的信号特征[14-15].小波基的选择没有统一标准,通常情况下选取和将要处理的信号形状相似的小波基函数.Daubechies小波是一种正交的对称小波,Daubechies家族中db4小波不仅和脉搏波信号形状相似,而且能够提供更加精确的细节信息[16-17].因此,本研究采用一维多层小波分解技术,选择db4小波作为小波基函数,利用matlab中小波分解函数wavedec和重构函数wrcoef对脉搏波信号分解及重构.

1.2 特征点提取

本节在去除高频噪声和低频漂移的信号的基础上,利用matlab编程实现时间域上PPG信号和BP信号的特征提取.1.2.1 PPG特征提取

Matlab内置函数findpeaks可以粗糙获取PPG的局部峰值,通常情况下,提取到的值包含主波峰值和重波峰值,PPG特征参数提取结果,见图1.有时提取结果不理想,出现一些非目标点(图1a).为了保证主波和重波峰值的准确提取,需将非目标点剔除.研究中采用的剔除方法是判断两峰值之间的时间差,如果时间差太小(lt;0.2 s),则这两个点之间必定有一个非目标点,需将两个点中幅值较小的点剔除.此时得到的就是有效的局部峰值点,即主波峰值和重波峰值(图1b).

由于PPG波形主波和重波之间的幅度差存在个体差异,这里提出一种自适应阈值法分离主波峰值和重波峰值.具体操作如下:将提取到的前100个峰值点降序排序,得出后20个较小的峰值平均值和前20个较大的峰值平均值的比值.比值大代表此被试者的主波和重波幅值比较接近,此时选取较大阈值划分主波和重波.反之,则选取较小阈值,得到的主波波峰(图1c).切迹为一个周期内主波波峰和重波波峰之间的最小值(图1d),脉搏波波谷(图1e),它是前一个心动周期的重波峰值和当前主波峰值之间的最小值,时间均同步提取.

14个特征参数,见表1.利用公式(1)将得到的特征参数标准化,使得所有参数在大致相同的标度中.

其中,x代表14个特征参数;mean (x)和std (x)是这些参数的均值和方差;y是标准化后的参数.

表1 PPG的14个特征

一般情况下正常人的血压短期内不会发生明显变化,MIMIC数据库的患者血压由于药物作用或其它因素可能急剧变化,且变化趋势不尽相同,单纯利用固定阈值法无法获取准确的峰值.一个周期内,ABP的重波和主波幅值相差较大.根据血压波形的这一特性,本研究提出了一种鲁棒性高的提取方法.

首先,采用提取PPG峰值的方法找出局部峰值,并剔除非目标点.常规情况下,血压20 s内波形幅度不可能发生巨大变化,因此实验过程中选取20 s的数据点作为一个滑动窗口,将血压分段,每段选出一个阈值.根据BP波形特征中窗口内各主波峰值之间,重波峰值之间幅值相差较小,而主波和重波之间幅值相差较大的特点,先将窗口内的值降序排序,获取相邻两幅度差的最大值,将该位置上的值作为阈值,剔除小于该阈值的幅度值.依次从左向右移动窗口,得到收缩压(Systolic Blood Pressare,SBP)的值,相邻两峰值之间的最小值即为舒张压(Diastolic Blood Pressure,DBP)(图1f).

图1 PPG特征参数提取结果

注:a.带有坏点的局部最大值;b.剔除坏点的局部最大值;c.脉搏波主波波峰;d.脉搏波切迹点;e.脉搏波波谷;f.收缩压和舒张压.

1.3 动态估计模型构建

其中BP代表血压,{a1,a2…a15}是未知参数,{x1,x2... x14}是脉搏波波形中14个特征参数.

本文提出的动态建模过程,分步骤描述其主要思想为:① 规定训练样本的大小为n,将其作为滑动窗口,按照时间推移的顺序动态估计血压;② 当估计某时刻的血压时,用该时刻前面最近的n组值做训练,逐步回归法做特征选择,估计该时刻的血压;③ 将估计的血压值放入训练数据中作为训练样本,继续估计下一点的血压值,再次利用逐步回归进行特征选择,以此类推估计出所有的血压值.用逐步回归法做特征选择时,选择matlab工具包stepwise中的stepwisefit函数,规定进入概率为0.05,剔除概率为0.1.stepwisefit函数输出参数的逻辑向量INMODEL,为1代表选入,为0表示未选中或已被剔除.将选中的元素再做多元线性回归分析,利用最小二乘法得到系数,规避了逐步回归无法找出原来参数的弊端.

2 结果

通过逐步回归分析得到估计血压,与MIMIC数据库中提取到的血压比较,得出6个病人误差的均值,方差和均方误差.根据国际规定,估计值和实际测量值的偏差在±5 mmHg范围内认为预测结果正确,分别计算出舒张压和收缩压的估计正确率,见表2.

表2 基于逐步回归的血压结果 (mmHg)

通过表2计算可得,SBP的平均误差为2.45 mmHg,标准误差为2.65 mmHg,DBP的平均误差为1.67 mmHg,标准差为1.73 mmHg,均满足AAMI标准值.且6个病人SBP的平均正确率为87.18%,DBP的平均正确率为96.23%.

以编号409的病人数据为例,分析预测值和提取值之间的相关关系.提取到的舒张压和收缩压与预测的舒张压和收缩压之间的相关关系,见图2～3.计算得出SBP的相关系数R=0.78,P=0.000.DBP的相关系数R=0.76,P=0.000.由结果可知,无论是舒张压还是收缩压,估计血压和提取血压均呈显著线性相关,说明预测血压和提取的血压趋势相同.

图2 提取的收缩压和预测的收缩压相关关系分析

图3 提取到的舒张压和预测的舒张压相关关系分析

编号409病人的一段估计和测量的血压波形,见图4.可以看出,估计值的波形紧密地跟随测量血压的趋势.SBP的提取值与估计值之差集中在±8 mmHg之间,DBP的估计值和提取值的偏差集中在±4 mmHg之间,估计偏差较小(图5).实验证明,利用脉搏波特征参数可以估计血压,而且估计效果比较好.

图4 记录409利用模型得到的血压预测值和提取值

图5 记录409利用模型得到预测值和提取值之间的偏差

3 讨论

正常人体血压通过激素和神经调节来改变,是一个慢速调节过程,短时间内血压相对稳定.MIMIC数据库中病人的数据大多是来自重症监护室中肺部或心血管疾病患者,在信号采集期间,因药物或治疗作用,血压可能会急剧飙升或者骤然下降,这无疑会给特征点的提取带来困难,也不可避免地引入预测偏差.本实验采用动态阈值法获取特征点,在一定程度上规避了上述情况带来的影响,在特征提取方面取得了良好的估计效果..同时实验发现,当正常人体血压相对稳定时,提出的模型估计结果最为理想,当出现药物或治疗等外界干预使得血压短期内突然变化导致血压的改变不完全由血管外周阻力、血管弹性以及心输出量决定时,血压的变化不能及时在脉搏波波形中表征出来,此时血压的预测值和真实值之间会有一定偏差.

4 结论

本文建立一种基于脉搏波特征参数的血压预测模型,并提出动态估计方法实时监测血压变化.文中方法规避了模型依赖于PTT而造成的不便,单纯利用脉搏波形特征估计血压,并用MIMIC公共数据库进一步验证基于脉搏波特征参数估计动态血压的可行性.通过实验发现,SBP和DBP估计误差在±5 mmHg内的正确率分别为84.6%和95.5%,平均估计误差分别为2.45 mmHg和1.67 mmHg,标准差分别为2.65和1.73,均符合AAMI标准.因此,这种模型可以实时监测血压的连续变化,对无创连续血压测量方法的研究起到推动作用,也为便携血压计的血压估计方法提供参考.

基于本研究的理论基础,在未来的计划中,可尝试将该模型应用于健康人,通过采集健康人的血压和脉搏波信号,进一步验证该模型在实际应用中的意义和使用价值.

[1] 李顶立.基于脉搏波的无创连续血压测量方法研究[D].杭州:浙江大学,2008.

[2] 李康,霍勇.新型每搏即时连续无创血压监测技术的临床应用[J].中国介入心脏病学杂志,2013,(6):396-398.

[3] Cattivelli FS,Garudadri H.Noninvasive cuffless estimation of blood pressure from pulse arrival time and heart rate with adaptive calibration[A].International Workshop on Wearable and Implantable Body Sensor Networks[C].New York:IEEE,2009:114-119.

[4] Gesche H,Grosskurth D,Küchler G,et al.Continuous blood pressure measurement by using the pulse transit time:comparison to a cuff-based method[J].Eur J Appl Physiol,2012,112(1):309-315.

[5] Wong MY,Poon C,Zhang Y,et al.An evaluation of the cuffless blood pressure estimation based on pulse transit time technique:a half year study on normotensive subjects[J].cardiovasc Eng,2009,9(1):32-38.

[6] Wang R,Jia W,Mao ZH,et al.Cuff-free blood pressure estimation using pulse transit time and heart rate[A].International Conference on Signal Processing[C].New York:IEEE,2015:115-118.

[7] Pachauri A, Bhuyan M.Wavelet transform based arterial blood pressure waveform delineator[J].Int J Biol Biomed Eng,2012,6(1):16-25.

[8] 陈斌.光电容积脉搏波描记法原理、应用及其电路设计[J].电子技术与软件工程,2014,18:132-133.

[9] 汤池.利用脉搏波无创连续检测血压的实验研究[D].西安:第四军医大学,2005.

[10] 欧辉彬.无创动态血压监测技术研究进展[J].中国医疗设备,2016,31(11):78-80.

[11] Visvanathan A,Banerjee R,Dutta Choudhury A,et al.Smart phone based blood pressure indicator[A].Proceedings of the 4thACM MobiHoc Workshop on Pervasive Wireless Healthcare[C].Texas:ACM,2014:19-24.

[12] Clifford GD,Scott DJ,Villarroel M.User guide and documentation for the MIMIC II database[J].Mimic,2009.

[13] Moody GB,Mark RG.A database to support development and evaluation of intelligent intensive care monitoring[A].Computers in Cardiology[C].New York:IEEE,1996:657-660.

[14] 文莉,刘正士,葛运建.小波去噪的几种方法[J].合肥工业大学学报:自然科学版,2002,25(2):167-172.

[15] 李艳文,姜印平,郑彤,等.基于小波变换的脉搏波信号去噪[J].河北工业大学学报,2005,34(4):82-85.

[16] Pachauri A,Bhuyan M.Wavelet transform based arterial blood pressure waveform delineator[J].Int J Biol Biomed Eng,2012,6(1):16-25.

[17] 段永刚,马立元,李永军,等.基于小波分析的改进软阈值去噪算法[J].科学技术与工程,2010,10(23):5755-5758.

XIE Hanshuang, WANG Ruiping, WANG Yanjie, LIU Yuhao
Department of Biomedical Engineering, School of Computer and Information Technology, Beijing Jiaotong University, Beijing 100044, China

Abstract:Pulse wave is reported to have a correlation with blood pressure and character parameters of pulse wave, which can predict blood pressure indirectly. A new predictive model was proposed in this paper for continuous monitoring of noninvasive blood pressure. This study aimed to extract 14 parameters from the pulse wave signal in order to establish the multivariate linear model.The improved stepwise regression analysis algorithm was used to estimate the blood pressure in real time, and the data of six patients in the MIMIC database was used to validate the dynamic model. The experimental results indicated that the mean and variance of deviation of blood pressure estimation met the American Medical Device AAMI standard (5±8 mmHg), and the predicted blood pressure was significantly correlated with the extracted blood pressure values. The results show that the dynamic model established by 14 parameters of pulse wave can be used to predict continuous blood pressure with high accuracy.

Key words:character parameters of pulse wave; non-invasive blood pressure; stepwise regression analysis algorithm; dynamic model

通讯作者:王瑞平,副教授,主要研究方向为医学图像处理和模式识别、生物医学信号处理与检测、医疗仪器开发、神经工程.

基于脉搏波特征参数的无创连续血压监测