基于SWT和ANN的无创连续血压测量方法研究

吴育东1,钟舜聪1,2,沈耀春1,3

1.福州大学 机械工程及自动化学院光学/太赫兹及无损检测实验室,福建福州 350108;2.福建省医疗器械和生物技术重点研究室,福建 福州350108;3.英国利物浦大学 电气电子工程系,英国 利物浦 L69 3GJ

[摘 要]本文针对电子血压计不能实现血压的无创连续测量等问题,提出一种基于平稳小波变换(Stationary Wavelet Transform,SWT)算法和光电容积传感技术的无创血压测量方法。实验分析了模拟数据库中的26900个脉搏波信号,通过SWT对光电容积脉搏波进行分解,重构第5层高频系数,提取该重构信号的10个特征参数作为神经网络(Artif i cial Neural Networks,ANN)的矢量输入,脉搏波对应的血压作为ANN的输出进行血压模型的训练,并对模型进行误差分析。实验结果表明,模型的测试误差达到美国医疗器械促进协会制定的标准,通过该方法可实现血压的无创连续测量。

[关键词]血压;光电容积脉搏波;平稳小波变换;神经网络

引言

血压表征血液对血管壁的侧压力,通过对人体血压的连续监测,可以很好地反映出人体心血管系统功能的好坏。现实生活中通常用电子血压计进行血压测量[1],该方式的主要缺点是只能间断性获得人体血压,并且测量过程中充气袖套的使用会给测量者带来不适感。

先前许多学者寻求通过脉搏波传输时间(Pulse Transit Time,PTT)估计人体血压[2-4]。其原理是同时获取人体的心电信号(Electrocardiosignal,ECG)[5]和光电容积脉搏波(Photoplethysmography,PPG)[6-7]信号,利用这两路信号实现PTT的计算,最后通过PTT与血压建立的模型间接计算血压。这种方法需要采集两路信号,增加了设备系统的复杂性,限制了仪器的小型化,不利于便携式携带实现24 h的连续监测。

后来有些学者提出基于单个PPG信号对血压的测量方法[8-10]。李章俊等[11]学者也做了关于PPG时域波形与血压相关性的研究。基于脉搏波的原理,研究PPG信号的时间参数、面积参数、主播点高等参数与血压的相关性,为利用脉搏波特征参数检测血压提供依据。

然而临床研究表明[12],随着血管外周阻力、血管壁弹性和血液粘度等生理因素的变化,人体脉搏波的波形特征也出现了一系类变化。4个不同类型的PPG信号,见图1。可以看出不同人的PPG信号有所差异,特别是信号中重搏波部分越来越不明显,PPG波形特征的变化会影响特征参数的提取导致血压计算精度下降。

图1 不同类型的PPG信号

注:a.类型1;b.类型2;c.类型3;d.类型4。

针对上述问题,本 文提出一种基于平稳小波变换(Stationary Wavelet Transform,SWT)和光电容积传感技术的无创血压测量方法。通过SWT对原始PPG信号进行分解,重构第5层高频系数,提取该重构信号的10个特征参数作为ANN的矢量输入,以及每个PPG对应的收缩压(Systolic Blood Pressure,SBP)和舒张压(Diastolic Blood Pressure,DBP)作为ANN的矢量输出进行训练拟合,通过该方法实现血压的无创连续测量。

1 实验原理

1.1 平稳小波变换原理

小波变换[13]类似于傅里叶变化,将一般的信号表示为小波基的线性叠加,从而将对原来函数的分析转换为叠加权系数,即小波变换的分析。连续小波变化定义为:

其中是小波基,它由某一小波函数ψ(λ)通过平移(λ→λ/a)获得。

平稳小波变换[14-15]是通过对传统的离散小波变换进行降低重复计算量与复杂度的ε-抽样来实现的,具有非抽样的时不变特性。ε-采样离散小波变换是Pesquet在离散小波变换的基础上与1996年提出的一种方法,其在采样过程中选择保留偶数项或者奇数项,即选定一个ε,而传统的离散小波变换在采样时只是保留偶数项。平稳小波变换的分解与重构过程,见图2。

图2 平稳小波变换的分解和重构过程

注:a.平稳小波变换的分解过程;b.平稳小波变换的重构过程。

分解滤波器的上采样过程,见图3。其中分解滤波器在不同层上均作上采样的补零操作,使得在不同层次上得到不同的滤波器,如图3所示为第j+1层所采用的滤波器是在第j层滤波器的基础上进行上采样得到的。

图3 分解滤波器的上采样过程

注:Fj、Gj为每次分解用到的滤波器,f、g为每次重构用到的滤波器;↑2为上采样。

在初状态下,F0= L0_ D, G0= H_D,随着分解层数的递增,分解滤波器也随之变大。与离散小波变换的分解过程相比较,平稳小波变换在每一层的分解过程中并没有采用下采样,所以分解系数仍与原始信号保持相同的长度,这一特性使得分解系数在直接作用重构滤波器后直接相加就可以得到上一次的近似系数部分,而不需要再进行上采样。在应用中,信号采用电的长度要满足被2N整除的条件,其中N为平稳小波变换中信号的分解层数。

本研究通过对不同特征的PPG信号进行10层的SWT分解分析,由各层的高频系数重构对应的高频信号,发现第5层(以下简称D5层)高频信号具有共同的特征。图1中不同特征的脉搏波和对应的D5层高频信号,见图4。原始信号的有用高频成分大部分都分布在D5层中,而且D5层的每搏信号与原始PPG信号在时间尺度上一一对应,原始PPG信号有的重播波不明显,在D5层都能体现出来。所以本研究以D5层作为研究对象,提取D5层的特征参数作为ANN的拟合输入。

提取D5层的10个特征参数,见图5。原始PPG信号通过SWT分解,由第5层高频系数重构得到D5层分量。再利用差分阀值法计算D5层每搏波形信号的主动脉瓣开放点A1,收缩期最高压力点B1,降中峡点C1,重搏波点D1等特征点[16-18],以此基础上提取10个特征参数:主波B1点的幅值Hb,降中峡点C1点的幅值Hc,重播波点D1的幅值Hd。时间参数有主波点B1点到起始点A1的时间Tb,降中峡点C1点到起始点A1的时间Tc,重播波点D1点到起始点A1的时间Td。面积参数有起始点A1到主播点B1的面积s1,主播点B1到下一个波起始点面积s2,以及总面积s。以这10个特征参数作为ANN的输入。

图4 不同特征的PPG信号和 对应的D5层

注:a.类型1;b.类型2;c.类型3;d.类型4。

1.2 BP神经网络原理

20世纪80年代中期,Rumelhart和McCelland[19]提出了误差反向传播算法,即熟称Bcak Propagation (BP)神经网络算法。算法在实行网络的训练时,数据的传输是从输入层到输出层正向传输,而在训练各层权值时,则是按照误差降低的方向,从输出层通过隐含层逆向地逐层订正,训练的过程中重复着正向数据传播和反向权值订正,直到网络的输出与期望输出的误差达到设定的数值,或是到达设定的训练次数,网络停止训练。

图5 提取c4层信号的10个特 征参数

本文使用的BP神经网络结构,见图6。总共分为输入层,隐含层,输出层3层结构,其中隐含层使用sigmoid传递函数,输出层则是线性的,训练时网络采用Levenberg-Marquardt算法[20],及trainlm函数。以D5层提取的10个特征参数作为输入层的输入矢量。隐含层共包括30个神经元,以每搏PPG信号对应的SBP和DBP作为输出层,进行模型的训练。

图6 BP神经网络结构图

1.3 模拟数据库

实验中分析的PPG信号和对应的SBP和DBP数据都来自于模拟数据库[21-26],该数据库记录了多种生理信号和生命体征。这些信号中大多数包括了心电图、血压和PPG信号。以125 Hz采样频率记录保存。数据库的信号,见图7。本文以PPG信号进行分析,提取特征参数作为ANN的输入,数据库中记录的每搏ABP信号对应的收缩压和舒张压作为ANN的输出,进行训练。

2 血压模型建立与测试

本文总共计算了不同人的26900个每搏PPG信号和信号对应的SBP和DBP。把这些数据分为ANN模型训练和测试两部分,其中24900个作为模型训练数据,2000个作为模型测试数据。

2.1 模型建立

在进行ANN模型训练时候,算法随机地将24900个数据的70%划分为训练样本,15%划分为验证样本,剩下15%的数据为测试样本。根据训练数据的误差直方图和R值来判定所训练的模型的性能。

图7 数据库的信号

注:a.数据 库 中的PPG信号;b. PPG信号对应的ABP信号。

训练模型的性能评估结果,见图8。图8a为训练完成后训练样本、验证样本、和测试样本的误差直方图。误差计算公式为:误差=目标输出-实际输出。如图可以看出误差大部分集中在0附近。图8b为训练样本,验证样本,测试样本的回归图。如图训练样本,验证样本,测试样本及所有数据的R值分别为:0.96614,0.96415,0.96008,0.96493。根据误差直方图和回归图可以看出训练的模型良好。

2.2 模型测试

2000个每搏PPG信号作为模型的测试估计。测试血压实际值和估计值对应的折线图,见图9。由图可以从宏观看出经模型计算的血压估计值和实际值之间很接近。

图9中对应SBP和DBP的误差直方图,见图10,其中误差e由下面公式计算得到:

式中BPest为经过ANN训练模型估计出的SBP或者DBP,而BP为对应数据库中的实际值。从图中可以看出收缩压和舒张压的误差e大部分都集中在[-5,5] mmHg之间。

3 结果分析

上述血压模型测试结果统计,即以SBP和DBP对应的绝对误差ea的均值和标准差作为性能分析结果(均值±标准差),见表1。其中绝对误差ea由下面公式计算得到:

表1 实验结果

由表1可知,通过该方法估算的收缩压绝对误差ea的均值为3.98 mmHg,标准差为3.32 mmHg,舒张压绝对误差ea的均值为3.81 mmHg,标准差为3.63 mmHg。根据美国医疗器械促进协会(AAMI)颁发的评价血压计准确性的国际标准[27],设备测量的血压与标准血压计测量的绝对误差ea的均值必须<5 mmHg,标准差必须<8 mmHg。上表中SBP和DBP所对应的绝对误差均值和标准差都<(5±8)mmHg,满足该标准的要求。

图8 训练模型性能评估

注:a.训练 数据误差直方图;b.训练数据回归图。

4 讨论与结论

图9 血压实际值与估计值折线图

注:a .收缩压实际值与估计值折线图;b.舒张压实际值与估计值折线图。

图10 血压误差直方图

注:a.收缩压误差直方图;b.舒张压误差直方图。

本文提出了利用PPG信号无创测量血压的新方法。通过SWT对原始PPG信号进行分解。由第5层高频系数重构得到D5层分量,提取D5层信号的10个特征参数进行ANN的矢量输入,以每搏PPG信号对应的SBP和DBP作为ANN的矢量输出。总共分析了数据库中26900个PPG信号,根据测试的结论SBP绝对误差ea为(3.93±3.22)mmHg,DBP绝对误差ea为(3.81±3.63)mmHg,满足美国医疗器械促进协会颁发的评价血压计准确性的国际标准,即绝对误差ea应在(5±8)mmHg以内。因此,通过该方法能够测量人体的每搏血压值,为智能穿戴等健康监护设备实现血压的无创连续监测提供一定的参考价值,后续将设计相应的硬件系统,将该方法应用于系统中进行测试研究。

[参考文献]

[1] 刘稳,刘公致,陈龙. 一种基于示波法的电子血压计设计[J].电子设计技术,2014,21(1):1023-7364.

[2] Xu L,Gao K.Continuous cuffless arterial blood pressure measurement based on PPG quality assessment[J].Int J Comput Biol Drug Des,2015,8(2):150-158.

[3] 白丽红,王成,文苗,等.基于脉搏波传导时间的连续血压监测系统[J].生物医学工程研究,2014,33(4):221-225.

[4] 王帅.脉搏传导时间与收缩压相关性的研究[D].沈阳:中国医科大学,2013.

[5] Lin HD,Lee YS,Chuang BN. Using dual-antenna nanosecond pulse near-field sensing technology for non-contact and continuous blood pressure measurement[A].2012 Annual International Conference of the IEEE Engineering in Medicine and Biology Society[C]. New York:IEEE,2012:219-222.

[6] 邹滋润,陈真诚,朱健铭.基于光电容积脉搏波的呼吸波提[J].中国生物医学工程学报,2013,32(4):508-512.

[7] 郭丽华.基于PPG信号的无袖带连续性血压测量方法研究[D].杭州:浙江大学,2011.

[8] Teng XF,Zhang YT.Continuous and noninvasive estimation of arterial blood pressure using a photoplethysmographic approach[A].Proceedings of the 25th Annual International Conference of the IEEE[C].New York:IEEE,2003,4:3153-3156.

[9] Yoon YZ,Yoon GW.Nonconstrained blood pressure measurement by photoplethysmography[J].J Opt Soc Korea,2006,10(2):91-95.

[10] Fortino G,Giampa V.PPG-based methods for non invasive and continuous blood pressure measurement: an overview and development issues in body sensor networks[A].Medical Measurements and Applications Proceedings (MeMeA),2010 IEEE International Workshop on[C].New York:IEEE,2010:10-13.

[11] 李章俊,王成,朱浩,等.基于光电容积脉搏波描记法的无创连续血压测量[J].中国生物医学工程学报,2012,31(4):607-614.

[12] 罗志昌,张松,杨益民.脉搏波的工程分析与临床应用[M].北京:科学出版社,2006.

[13] 飞思科技产品研发中心.小波分析理论与MATLAB 7实现[M]. 北京:电子工业出版社,2005.

[14] 罗曼婷,游腾飞,张秋坤,等. 基于平稳小波变换的时域光学相干层析系统[J].应用光学,2015,36(4):543-549.

[15] 王智,殷奎喜,赵华,等.基于小波变换实现脉搏信号降噪处理[J].通信技术,2011,44(5):151-153.

[16] 唐铭一,李凯,马小铁. 脉搏波信号时域特征提取与算法的研究[J].计算机与现代化,2010,(4):15-17.

[17] 徐可欣,王继寸,余辉,等. 脉搏波时域特征与血压相关性的研究[J].中国医疗设备,2009,24(8):42-45.

[18] 石萍. 基于PPG的心血管系统功能评价研究及应用[D].上海:上海交通大学,2010.

[19] 周品.MATLAB 神经网络设计与应用[M].北京:清华大学出版社,2013:153-154.

[20] 陈明. MATLAB 神经网络原理与实例精解[M].北京:清华大学出版社,2013:246-249.

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

[22] Madhav KV,Ram MR,Krishna EH,et al.Robust extraction of respiratory activity from ppg signals using modif i ed mspca[J]. IEEE Trans Instrum Meas,2013,62(5):1094-1106.

[23] Li P,Liu M,Zhang X,et al. Novel wavelet neural network algorithm for continuous and noninvasive dynamic estimation of blood pressure from photoplethysmography[J]. Sci China Infor Sci,2016:59(4):1-10.

[24] Choi Y,Zhang Q,Ko S.Noninvasive cuffless blood pressure estimation using pulse transit time and Hilbert-Huang transform[J]. Com Elec Engin,2013,39(1):103-111.

[25] He X,Goubran RA,Liu XP.Secondary peak detection of PPG signal for continuous cuffless arterial blood pressure measurement[J]. IEEE Trans Instrum Meas,2014,63(6):1431-1439.

[26] Sayadi O,Shamsollahi MB.Utility of a Nonlinear Joint Dynamical Framework to Model a Pair of Coupled Cardiovascular Signals[J]. IEEE J Biomed Health Inform,2013,17(4):881-890.

[27] Charbonnier FM.AAMI/ANSI standard for automatic or advisory external defibrillators.Association for the Advancement of Medical Instrumentation.American National Standards Institute[J]. J Electrocardiol,1993,26(S1):147.

本文编辑 袁隽玲

Noninvasive Continuous Blood Pressure Measurment Method Based on SWT and ANN

WU Yu-dong1, ZHONG Shun-cong1,2, SHEN Yao-chun1,3

1.Laboratory of Optics, Terahertz and Non-destructive Testing & Evaluation, School of Mechanical Engineering and Automation, Fuzhou University, Fuzhou Fujian 350108, China; 2.Fujian Key Laboratory of Medical Instrument and Pharmaceutical Technology, Fuzhou Fujian 350108, China; 3.Department of Electrical Engineering and Electronics, University of Liverpool, Liverpool L69 3GJ, United Kingdom

Abstract:In order to solve the problem of non-invasive continuous measurement of blood pressure in electronic sphygmomanometer, a non-invasive blood pressure measurement method based on stationary wavelet transform (SWT) algorithm and photoplethysmography were proposed. In the experiment, a total of 26900 pulse wave signals from the mimic database were analyzed and subsequently the pulse wave was decomposed by SWT. Furthermore, 10 characteristic parameters of the 5thlayer high frequency reconstruction signal were extracted as the input of artif i cial neural networks (ANN). The blood pressure corresponding to the pulse wave was taken as the output of ANN to train the blood pressure model. The error analysis of the model was carried out. The results indicated that the error of the model met the standards of the American association for the advancement of medical instrumentation. Therefore, this method can be employed in noninvasive continuous measurement of blood pressure.

Key words:blood pressure; photoplethysmography; stationary wavelet transform; artificial neural networks

[中图分类号]TP391.4

[文献标识码]A

doi:10.3969/j.issn.1674-1633.2017.05.006

[文章编号]1674-1633(2017)05-0022-06

收稿日期:2017-01-23

修回日期:2017-03-11

基金项目:国家自然科学基金资助项目(51675103);教育部高等学校博士学科点科研基金(博导类:20133514110008);国家卫生和计划生育委员会科研基金(WKJ-FJ-27);福建省杰出青年基金(滚动资助计划,2014J07007)。

通讯作者:钟舜聪,研究员/博士生导师,主要研究方向为无损检测。

通讯作者邮箱:zhongshuncong@hotmail.com