基于BP 神经网络的无创连续血压测量模型

成刚，查晓俊

南京大学医学院附属鼓楼医院 （江苏南京 210008）

血压水平与心功能、外周血管功能密切相关，能够反映人体心血管系统的健康状况[1-2]。高血压是临床常见的慢性病，也是心脑血管疾病的最主要危险因素之一[2-3]。因此，血压的精准测量和实时监测对血压异常患者尤为重要。由于血压的波动性和不确定性，单次血压测量结果并不能真实反映患者日常活动状态下的血压水平[4]。动脉插管法能够实现连续不间断血压测量，是国际公认的血压测量金标准[5]；但由于其为有创操作、专业性较强、价格昂贵及有伤口感染风险等缺点，多用于术中和危重患者的血压测量。无创血压测量则具有无创伤、操作简单、适应证更广、能实现自动化血压监测、省时省力等优点[6-7]。本研究通过采集人体脉搏波信号和动脉血压值，建立基于BP 神经网络的无创连续血压测量模型，以实现患者血压的无创实时监测，帮助医师及时掌握患者病情，确定药物治疗的有效性，及时调整给药时间和剂量，现报道如下。

1 材料与方法

1.1 数据采集

本研究中的脉搏波数据是利用光电血氧探头采集受试者左手手指末端的光电容积脉搏波波形，收缩压和舒张压由水银血压计测得。水银血压计由江苏鱼跃医疗设备股份有限公司生产，经南京市计量监督检测院计量合格，且在合格证有效期内。

脉搏波频率主要分布在0.1～40.0 Hz 之间，绝大部分频率集中在10 Hz 以下[8]。根据奈奎斯特采样定理，将脉搏波的采样频率设为100 Hz，采集时间定为1 min。数据采集在我院心内科门诊和病房进行，采集前，受试者静息5 min，调整情绪，稳定呼吸；采集时，嘱受试者身体保持正常坐姿，手臂和手指保持静止；脉搏波信号采集完成后，进行血压测量，每位受试者连续测量3次，每次间隔1 min，取3次测量结果的平均值作为血压的参考值。

本研究共采集296组数据，其中男143例，女153例；年龄25～75岁，平均（44.20±13.45）岁；高血压121例，正常血压112例，低血压63例；收缩压76～191 mmHg（1 mmHg=0.133 kPa），平均（121.43±23.93）mmHg；舒张压47～113 mmHg，平均（78.26±13.79）mmHg。

1.2 数据处理

由于受信号采集装置及人为因素的影响，采集到的脉搏波信号中均含有噪声，而噪声会降低提取脉搏波特征点算法的运行效率和准确性，因此，需对脉搏波信号做预处理。脉搏波特征参数获取流程见图1。

图1 脉搏波特征参数获取流程

本研究采用低通滤波器去除脉搏波信号中的高频噪声，考虑到脉搏波信号的频率一般不会超过10 Hz，所以将低通滤波器的截止频率设为10 Hz[8]；采用零向位滤波去除基线漂移，先将输入序列按顺序滤波，即前向滤波，然后将滤波后所得序列反转，再用同一个滤波器做逆向滤波，滤波得到的序列再反转，最终得到零相位失真的输出序列[9]；波形中还会夹杂着一些非脉搏波波形，这些波形的存在会影响脉搏波特征点的提取，需要进行筛选将其剔除；在提取脉搏波的特征点时，发现滤波后的信号仍然有零星毛刺存在，我们采用Matlab工具箱中五点三次平滑滤波的方法去除毛刺，该方法不仅能够有效滤去脉搏波信号的毛刺，还可保证峰值点的幅值变化较小[10]；脉搏波特征点的提取采用微分法，该方法原理简单，实现较为容易，被广泛应用于信号特征点的识别；最后，通过相关性分析，共筛选出6个收缩压特征参数（波峰幅值、重搏波幅值、波形面积、二次谐波幅值、三次谐波幅值、四次谐波幅值）和8个舒张压特征参数（波谷幅值、波峰幅值、上升支斜率、基波频率、基波幅值、一次谐波幅值、二次谐波幅值、三次谐波幅值）[11]。

1.3 BP 神经网络

BP 神经网络是一种由非线性变换单元构成的前馈网络，也被称为误差反向传播神经网络。BP 神经网络的血压计算模型中，输入脉搏波特征参数，输出收缩压和舒张压。由于收缩压和舒张压的模型输入神经元个数不同，因此，本研究建立了两个BP 神经网络模型，即收缩压BP 神经网络模型和舒张压BP 神经网络模型。模型的训练样本为196组数据，验证样本为100组数据。因此，收缩压BP 网络训练模型输入为196×6的脉搏波特征参数矩阵，输出为196×1的收缩压矩阵；舒张压BP 网络训练模型输入为196×8的脉搏波特征参数矩阵，输出为196×1的舒张压矩阵。收缩压BP 神经网络模型的验证输入为100×6的脉搏波特征参数矩阵，输出为100×1的收缩压矩阵；舒张压BP 神经网络模型的验证输入为100×8的脉搏波特征参数矩阵，输出为100×1的舒张压矩阵。

本研究选择三层神经网络，需确定隐含层的最佳节点数目。通过网络训练和误差背景，最终确定收缩压BP 神经网络模型的隐含层节点数为10，舒张压BP 神经网络模型的隐含层节点数为12。隐含层节点传递函数选用tansig 函数，输出层节点传递函数选用purelin 函数，网络训练函数选择traingd 函数。网络的其他参数设置为：学习速率为0.1，训练要求精度为0.1，最大训练次数为5 000次。

2 结果

BP 神经网络模型训练结束后，需对网络进行验证，将100组验证样本输入训练好的网络，比较收缩压和舒张压的仿真值和水银血压计测得值的误差。图2为收缩压仿真值和测得值的比较结果及残差图，图3为舒张压仿真值和测得值的比较结果及残差图。

图2 收缩压仿真值和测得值比较

图3 舒张压仿真值和测得值比较

由图2（a）和图3（a）可知，收缩压和舒张压的仿真值与测得值的曲线重合度较高；从图2（b）和图3（b）可以看出，大多数样本点的残差值在±5 mmHg以内。通过计算，100个验证样本中，收缩压仿真值和测得值的均方根误差为5.92 mmHg，77个样本点的残差值在±5 mmHg以内；舒张压BP仿真值和测得值的均方根误差为6.11 mmHg，71个样本点的残差值在±5 mmHg以内。因此，收缩压BP神经网络模型血压计算误差满足美国医疗仪器促进协会（the Association for the Advancement of Medical Instrumentation，AAMI）的国际标准（平均误差＜5 mmHg，误差的标准差＜8 mmHg）[12]的比例达77%，舒张压BP神经网络模型血压计算误差满足AAMI的国际标准的比例达71%。

3 讨论

本研究通过BP 神经网络模型，实现了基于脉搏波特征参数的无创连续血压测量，仿真值对临床上血压连续测量具有一定的参考意义；但其血压测量精度未能100%满足AAMI 国际标准，且该模型稳定性较差，不能有效控制血压的计算精度。这和BP 神经网络本身的缺陷有关，如不能保证收敛至全局最小点、学习收敛速度慢等；另外，神经元节点的初始权值和阈值对网络的训练和预测精度具有较大影响，但又无法准确获得[13]。针对BP 神经网络的缺陷，若要进一步提高网络模型的计算精度，需对BP 神经网络进行优化。

在今后的研究中，我们将从以下几方面对血压计算模型进行改进：（1）采集更多、更全面的样本数据，增加低血压的数据量，提高模型的泛化能力；（2）计算更多的脉搏波特征参数，从而得到更多高相关性的特征参数，去除相关性低的特征参数；（3）优化BP 神经网络模型的算法，或采用深度学习算法建立模型，提高模型的精度，实现误差100%满足AAMI 国际标准，达到临床的使用要求，真正实现无创连续血压监测。