一种基于端到端神经网络的连续血压估计模型

万 培,桑胜波,b,张成然,b,张 博,b

(太原理工大学 a.信息与计算机学院; b.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)

0 概述

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。

表1 Mimic I数据库患者数据Table 1 Patient data of MIMIC I database

1.2 预处理

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。

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。

图2 ECG和PPG波形特征提取示意图Fig.2 Schematic diagram of ECG and PPG waveformfeature extraction

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

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 modelbased on end-to-end neural network

2.1 特征变量选择

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。

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

2.2 非均匀波形分割

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。

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)。

2.3 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。

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:

(1)

(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。

表3 不同血压估计模型的比较分析Table 3 Comparative analysis of differentblood pressure estimation models mmHg

3.2 AAMI标准的绩效评估

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。

表4 基于AAMI标准(ME<5 mmHg,SDE<8 mmHg)的性能评估Table4 Performance evaluation based on AAMI standard (ME<5 mmHg,SDE<8 mmHg) mmHg

3.3 统计分析

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。

图5 SBP和DBP估计的Bland-Altman 示意图 Fig.5 Bland-Altman schematic diagram of SBP andDBP estimation

图6 SBP和DBP估计的回归示意图Fig.6 Regression diagram of SBP and DBP estimation

3.4 实验分析

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。

表5 血压估计模型的测量数据分析Table 5 Analysis of measured data of blood pressureestimation model mmHg

4 结束语

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。