基于光电容积脉搏波的无创血压连续测量研究进展

叶青, 章祎枫, 沙金亮, 方桦, 余瑛*

(1.江西中医药大学计算机学院, 南昌 330004; 2.江西中医药大学中医人工智能重点研究室, 南昌 330004;3.南昌大学教育技术与教学资源中心, 南昌 330004)

血压检测是评估心血管健康状况的重要指标之一,对于预防和治疗多种心血管疾病具有重要意义。在最新的全球心血管疾病可归因的危险因素排名当中,高血压排在首位[1]。中国是拥有高血压病人群最多的国家之一,每年因高血压病导致脑卒中、冠心病、心肌梗死等心脑血管疾病事件,甚至住院、死亡的发生率均处于“高位”[2]。此外,一些研究表明,虽然高血压的发病率会随着年龄的增长而升高,但如今越来越多的儿童和青少年受血压异常的影响,许多人在成年早期就患上了高血压[3],由血压异常引起的心血管疾病已经成为导致人类高致残率和高死亡率的主要原因之一,因此,它通常被称为“沉默的杀手”[4]。由于高血压的沉默性质,持续监测患者的血压至关重要。

传统血压测量方法(如柯氏音听诊法、示波法等)是最常用的血压监测方法,但因其无法自动实时监测血压的连续变化,越来越多的国内外学者在基于光电容积脉搏波描记法(photo plethysmo graphy,PPG)信号的血压连续测量方法上做了大量研究。该方法因其具有无创、连续和实时监测血压的优势,对于那些需要长期监测血压的患者或健康人群来说,具有很大的实用价值。从最初研究脉搏传导时间(pulse transit time, PTT)与血压之间的理论关系,推算出两者之间的数学物理关系模型,包括利用脉搏波传导速度(pulse wave velocity, PWV)理论估算血压都取得了一定的成功[5],但由于PTT与PWV会受到个体性差异的影响,此方法预测血压需要频繁校准[6]。一些研究也从PPG波形分析出发,从时频域多角度提取相关波形特征,并融合机器学习算法来预测血压[7],也是主流的血压预测方法之一,但由于缺乏临床数据验证,特征的可解释性不够,关于波形的有效特征严重缺乏共识[8]。近年来,深度学习技术被广泛应用于血压连续预测,从PPG时序上的原始波形自动提取特征,到融入波形的多阶微分信号特征,避免了人工定义特征或浅层学习算法在估计血压方面的不足[9],但由于个体之间血压的差异,在大规模数据集上训练的深度学习模型也不能完全学习血压,因此血压预测仍有显著的改进空间。

现对基于PPG信号的无创血压连续测量研究进展进行系统性的综述,主要包括:阐述传统血压测量方法的优势与局限;介绍PPG信号的理论背景与技术原理;回顾最新基于PPG信号的血压连续测量的研究方法,对利用PPG信号进行血压测量的基本原理与具体流程进行描述,包括现有的公开数据集、预处理方法、特征提取技术和预测模型的选择;对基于PPG信号的传统脉搏时延法、人工设计特征和深度学习3种分别预测连续血压方法的优缺点进行对比分析,以及在临床应用中的适用性;讨论基于PPG信号的血压连续测量方法未来研究方向。从以上5个方面分别进行详细阐述,以便研究者们更好地了解该项技术的优势与不足,为今后的研究提供参考。

1 传统血压测量方法

传统血压测量方法有直接测量与间接测量两种。前者实现血压的连续实时监测必须通过有创插管的方式,获取人体瞬时和持续性的血压动态变化[10]。由于可以连续生成整个血压波形,有创直接测量是当前血压测量的金标准[11],但因其侵入特性,仅用于一些临床研究和危重症监护等特殊场合[12]。间接测量测得的血压基本接近主动脉内压力,同时也是临床诊疗中最常用的测量方法之一[13]。关于间接血压测量的传统方法主要有柯氏音听诊法、示波法、容积补偿法、张力测定法、超声测压法等[14]。

1.1 柯式音听诊法

柯氏音听诊法通过听诊器来辨别动脉血流受阻过程中的过流声音,并找到相应的压力点,通过检测这些声音和压力点,确定收缩压(systolic blood pressure,SBP)和舒张压(diastolic blood pressure,DBP)[15]。该方法由听诊器和血压计袖带组成,通过袖带充气逐渐增加压力,听诊器在肘部内侧和桡动脉处听取血流声,最大搏动声处即为收缩压的读数,缓慢放气直到听不到搏动声,即为舒张压的读数。于大骞等[15]利用柯式音法原理,采集这些声音和压力信号,拟合出静压力方程并识别压力信号中的突变点,通过自适应计算阈值完成特征点提取,并以心率作为搜索步长,提高了血压测量的准确性。但该方法受人为因素影响较大,测量结果可能会有较大误差。

1.2 示波法

示波法是通过检测袖带内血管壁搏动产生的气体振荡波来间接测量血压[16]。袁森等[17]采集袖带压的同时获取脉搏波,实时检测最大脉搏波峰值点,计算出的心率为基准达到智能充气放气的要求。该方法袖带中脉冲波的形状呈纺锤形,根据脉冲波和袖带压力之间的相应关系构建一个包络曲线。包络曲线的顶峰与平均动脉压(mean artery pressure,MAP)的时相一致,通过包络曲线可以确定MAP,然后计算出收缩压和舒张压[18]。该方法是测试大量人群而给出统一的测量依据,因此不同人群测量可能会出现偏差。

1.3 容积补偿法

容积补偿法利用了血流量与血压之间的关系,Samimi等[19]研究中描述了该方法的原理,通过测量手指套内的容积变化,调节系统通过袖带作用在血管壁上的外部压力的不断变化,使血管的血容量保持恒定,用标定好的转换系数将容积变化转换成相应的血压值。该方法会对测试部位产生一定压力,受试者会有较强的束缚感,在测量之前需要对被测者进行标定,同时较长时间测试会引起测量部位的静脉充血。

1.4 张力测定法

张力测定法通过在桡动脉部位的压力换能器施加适当的外压力,得到内部压力等于外部压力时的外压力值,检测动脉搏动的最大和最小信号,获得相应的收缩压和舒张压[15]。该方法需要测试者保持相对平稳状态,外压会随内压的变化而变化,容易产生测量误差。

1.5 超声测压法

超声测压法其原理是测量超声波在经过体内血流循环系统时产生的多普勒频移,当袖带压力与动脉压力相同时,超声波会产生多普勒频移,初次检测到多普勒频移时,可确定袖带压力即为动脉收缩压,多普勒频移明显下降时,袖带压力即为动脉舒张压,邢长洋[20]通过超声成像准确定位右房中心和颈内静脉塌陷点,能够简单快捷实现对右房压的无创测量。但该方法需要高精度的仪器,并容易受到身体运动干扰。

直接测量与传统间接测量都存在一定的局限性。前者因其测量侵入性,使得适用人群不够广泛,且会对身体造成一定创伤;后者因其测量间断性与不适性,无法实时跟踪动态血压变化,因此难以获得连续血压[21]。克服这些困难的一种血压测量技术是光电容积脉搏波描记法(PPG),该方法是一种光学检测技术,可检测出人体组织微血管当中的血容量变化,近年来,由于对血压连续无袖监测的迫切需求,大量研究者们对光电容积脉搏波进行深入分析以实现无创血压的监测,并在可穿戴设备中应用广泛[22]。

2 PPG理论背景与技术原理

2.1 理论背景

PPG技术的理论背景涉及光的吸收和散射,以及人体血液的光学特性。它基于一个简单的原理:血液可以吸收和反射不同波长的光。Morère[23]首次给出了光通过介质传播的理论解释,该理论表明,当光通过介质传播时,光的强度损失与光强和光路长度成正比。后来Beer[24]发现了另一种衰减关系,即如果浓度和路径长度的乘积保持不变,光通过溶液的透光率保持不变。在此基础上,朗伯比尔定律的推导结合这两个定律,将吸光度量化为衰减物质浓度和材料厚度的函数[25]。

2.2 技术原理

PPG是一种非侵入性的光电测量技术,装置简单、易于携带且不会对人体造成损伤,用于测量每次脉冲的血容量变化[26]。在大多数PPG技术应用中,传感器或探针被放置在皮肤表面照射皮肤组织,透过皮肤组织的光线由组织层和亚层波长相关的光学特性进行调制[27]。其传感器由两部分组成:一个发光二极管用于照亮皮肤表面,另一个光电探测器用于测量一段时间内光吸收的变化。对于肌肉、静脉、骨骼以及其他连接组织,这些非脉动性以及相对连续的直流(DC)成分对光的吸收恒定不变;但血液因流动特性,对光的吸收会有所变化[28]。PPG信号的高频部分,也称为交流(AC)成分,包含有关心脏搏动的信息,与心跳同步变化。交流成分叠加在直流的低频部分上,受呼吸、非血管组织、交感神经系统活动和血压控制等因素的影响[29],如图1所示。通过光强变化记录动脉血管中血流量的变化情况,便携式或电子化的可穿戴的医疗设备可直接穿戴在人体,并可以用来感知、记录、分析、管理和干预[30]。目前市场上各类智能手环、手表等脉搏信号采集端口用的就是此种方法[31]。

图1 光源照射下PPG信号组成[29]

3 开源数据集

在利用PPG信号预测血压的研究领域,研究人员已经发布了一些开源数据集,包括:MIMIC-Ⅱ、MIMC-Ⅲ、UCI-BP、Queensland Vital Signs、Figshare、PPG-DaLiA和Real-World多个数据库可供解析与下载。开放的数据集为研究者们提供了血压预测实验的数据基础,有助于不同算法间的公平比较。

3.1 MIMIC-Ⅱ

MIMIC-Ⅱ是由美国麻省理工学院计算机科学和人工智能实验室开发的数据库。包含了来自两家波士顿医院超过32 000名病人的详细医疗信息,含有关生理信号、血压和其他波形的记录[32]。包括诊断、治疗、生理监测、实验室测试结果、药物治疗和医疗过程中使用的设备等信息。这些数据通常用于研究临床问题、构建预测模型和评估治疗方法等。

3.2 MIMIC-Ⅲ

MIMIC-Ⅲ是MIMIC-Ⅱ数据库的更新版本,包含了更多病人数据和更丰富的信息。它提供了在不同医院接受重症治疗超过46 000名病人的详细医疗信息与数据。包含2001—2012年ICU收治的53 423名成年患者,它还包含了2001—2008年入住的7 870名新生儿的信息[33]。MIMIC-Ⅱ、MIMIC-Ⅲ的所有数据都免费公开,研究者们可以通过PhysioNet库(http://physionet.org/)访问。

3.3 UCI-BP

加州大学欧文分校机器学习数据库(UCI-BP)中的血压数据集来源于MIMIC-Ⅱ,该数据集由3个信号组成,存储在矩阵单元阵列中[34]。其中PPG、动脉血压(arterial blood pressure,ABP)、心电信号(electro cardio gram,ECG)采样频率均为125 Hz,该数据库的数据集已经进行了一些相应的预处理与验证,在大多数研究中也被广泛采用。

3.4 Queensland Vital Signs

昆士兰大学的生命体征数据集记录了32例病例,每个病例的信号长度为13 min～5 h不等,其中包含无创血压记录和原始PPG信号波形[35]。然而,该数据集存在一些局限性,因病例数量有限,在常规外科手术不涉及重大关键事件时,数据在异常事件识别中的应用受到限制。

3.5 PPG-BP Figshare

该数据集在中国桂林人民医院记录,可在Figshare数据库中下载,并建立了一个由PPG传感器样品、微控制器和相应应用程序组成的定制移动硬件平台[36]。它包括入院患者的血压信号和PPG信号,采样频率为1 000 Hz,包含219名21～86岁的患者记录,还涵盖了高血压和糖尿病等疾病。

3.6 PPG-DaLiA

该数据集由德国卡尔斯鲁厄理工学院的研究人员收集,并由PhysioNet平台托管,PPG-DaLiA数据集包含约42名受试者超过5 000 h的生理记录[37]。每个受试者的数据包括脉搏波形和心率等生理数据,以及个人特征(年龄、性别、身高和体重)和活动数据(步数、活动类型)。该数据库在数据收集中,有15人接受了与日常活动类似的体育活动,但PPG-DaLiA数据集提供的年龄信息有限。

3.7 Real-World

该数据集包含35名健康受试者记录的2 074个PPG信号。每个PPG信号包含300个样本,分为训练组和测试组,整个数据集66%的组别可用于训练与验证,测试组约占总数据集的34%[38]。

除了上述几个常用的开源数据集以外,也有一些研究者们对自采集的数据集进行相应研究,虽然一定程度上能够提取出PPG特征,实现血压的预测,但由于采集设备和成本等原因,这些数据集规模大多很小。如表1所示,总结了大多文献中常用的公开数据集,为了适应算法的处理需求,对于采集时间较长的数据集,需要将其进行分段处理,将长序列转化为短序列,这些短序列被称为样本。

表1 公开数据集

4 PPG信号预处理

无论是开源数据集或自采集数据集,获取的PPG信号都容易受到噪声的影响。这种噪声源有可能干扰信号的高频成分,此外,采集的数据可能包含一些缺失的序列和异常值,会导致PPG信号丢失原本的信息。特别是患病人群,其身体状况对PPG信号的影响比较复杂。因此,在进行后续的特征分析和模型建立之前,对PPG信号进行预处理以获得高质量的信号是准确预测血压的关键步骤。通常PPG信号的预处理流程包括滤波、周期划分、信号质量评估与筛选、归一化4个部分。

4.1 滤波

脉搏信号由心脏搏动产生,检测时采集的PPG信号比较微弱,容易受到多种噪声干扰,降低信号的纯度,主要有设备产生的电磁干扰、工频干扰,人体的呼吸、身体位移以及传感器的偏移等干扰,需要滤波去除高低频噪声和基线漂移等影响,以获得更干净的PPG信号。

4.2 周期划分

4.3 信号质量与评估筛选

开源数据库与自采集PPG数据集中,信号的质量可能受到如运动伪影、信号噪声等多种因素的影响。目前关于PPG信号质量的评估还没有建立一致的标准,往往需要经验或实验来筛选出质量较高的信号序列。

Shirbani等[48]计算高于上四分位数或低于下四分位数的异常值,识别并去除它们的1.5倍四分位数区间。由于纯净的PPG序列应该保持高度的周期性,因此当序列随着周期长度的倍数偏移时,信号的自相关性很高。Leitner等[49]利用这一经验设计了一个自相关滤波器,自相关信号中的峰值被用来确定每个PPG片段的质量,最大自相关的经验阈值为0.7。师荣堃[45]获得每个脉搏周期波峰、起点的数值和位置,寻找相关数据指标的上四分位数,并计算每个脉搏周期与平均脉搏周期的相似度,该PPG质量评估算法复杂度较低、鲁棒性较高。刘丽佳[50]提出一种基于Chauvenet准则的PPG信号质量检测方法,通过自适应阈值算法检测尖峰噪声信号并计算信号标准差,利用该阈值的Chauvenet准则对标准差进行判别,以检测并剔除不良信号。

4.4 归一化

将PPG信号的幅值转换为[0,1]范围,可以简化和增强PPG信号的分析过程,并确保提取的特征对后续血压预测过程更加公平。归一化的方法有线性归一化、标准差归一化和非线性归一化等。朱凌建等[51]使用线性归一化对数据等比缩放使结果映射到[0,1]的范围内,公式为

(1)

式(1)中:x为原始数据;xmax、xmin分别为x的最大值与最小值。

陈晓等[52]对样本数据进行归一化操作,消除数据间量纲影响,其归一化公式为

(2)

式(2)中:M(t)为原始数据;Mmax、Mmin分别为数据中最大值和最小值。

线性归一化会受到离群点数据的影响,数据极值可能会导致数据在归一化过程中出现丢失精度的问题;标准差归一化对于数据较小的情况,标准差可能会较小,会放大噪声的影响;非线性归一化对于数据较为均匀分布的情况,转换后的效果不明显。因此需要根据数据的特点和具体需求选择合适的归一化方法。

5 血压预测方法

许多研究学者正从PPG信号中寻找多种特征信息,用于连续血压检测,以获得更精确的结果,其特征提取技术已经被广泛研究,并在使用方法上有了显著改进。目前,基于PPG信号实现的血压检测方法主要有以下类型,分别为:基于脉冲传导速度(PWV)、脉冲传导时间(PTT)、脉冲到达时间(pulse arrival time,PAT)实现血压检测,基于PPG波形特征实现血压检测,基于PPG原始信号实现血压检测。详细阐述以上血压估计的原理与预测方法,通过对PPG信号特征、模型选择等方面分析,总结并比较基于不同血压估计方法的各自优势与不足。

5.1 评估标准

血压预测是回归分析,通常用均方误差(mean square error,MSE)、均方根误差(root mean square error,RMSE)、平均误差(mean error,ME)、平均绝对误差(mean absolute error,MAE)、标准误差(standard deviation,STD)等标准进行评估。

(1) 均方误差(MSE)。

(3)

(2) 均方根误差(RMSE)。

(4)

(3) 平均误差(ME)。

(5)

(4) 平均绝对误差(MAE)。

(6)

(5) 标准误差(STD)。

(7)

常用血压预测评估标准为美国医疗仪器先进协会(Association for the Advancement of Medical Instrumentation,AAMI)规定的血压测量仪器的MAE与ME应小于5 mmHg,STD与RMSE应小于8 mmHg;英国高血压学会(British Hypertension Society,BHS)制定的分级标准[53],如表2所示,达到A级或B级则符合临床使用条件。

表2 BHS累积误差百分比

5.2 基于PWV、PTT、PAT的血压检测

5.2.1 理论基础

脉搏波传导速度(PWV)公式[54]为

(8)

式(8)中:E为血管壁的弹性模量;h为血管壁的厚度;ρ为血液的浓度;D为平衡状态下弹性血管的内径。对流体波传导速度公式进行修正,得到可以适用于动脉血管流体的传导速度公式[54]为

(9)

式(9)中:K为莫恩斯常数,动脉壁弹性越大(弹性模量E越小),脉搏波的传导速度(PWV)越慢,反之越快。Hughes对动脉壁弹性模量模型深入研究,提出弹性模量与血管跨壁压(Ptm)之间的物理公式[55]为

E=E0exp(αPtm)

(10)

式(10)中:E0为无压环境下的血管弹性模量;α为血管的特征量;Ptm为血管跨壁压。当动脉血管中的脉搏波传递距离(L)一定时,脉搏波传导速度与其传导时间(T)成反比,代入式(10)最终得到血压的计算公式[55]为

(11)

5.2.2 检测方法

Geddes等[56]首次提出利用心电图(electrocardiogram,ECG)的R波和脉搏波传导时间间隔(PTT)来预测收缩压和舒张压。该方法需要在两个不同部位放置两个信号传感器,测量两个部位的脉搏传播时间差, PTT、PWV是脉搏波在动脉两个部位之间传播所需的时间或速度[57]。两个位置的信号其中一个可以从心电图中获取,另一个从PPG中获取,此外,还可以通过使用两个PPG传感器来计算PTT、PWV。因此,可以通过从PPG和其他动脉波形计算PTT、PWA并将其校准来检测血压。放置传感器最常见的身体部位通常是耳朵、手指、脚趾和胸部等。

不同PTT的检测方式也有所区别,Lin等[58]使用ECG和PPG的不同特征点,计算出不同PTT参数,并与血压进行相关性分析,如图2所示。

图2 不同PTT计算方法[58]

PTT计算为从ECG的R峰、Q谷或S谷到PPG的一阶导数的峰或谷的时间间隔,Lin等[58]计算了所选13个数据集的心跳间血压与不同心跳间 PTT参数的相关性,共3 910个心跳数据,当PTT作为从心电图Q谷到PPG一阶导数峰值的时间间隔时,与收缩压、舒张压相关性最高,有助于提高血压估计的准确性。Nabeel等[47]开发了一种具有双模态探头布置的原型装置来估计颈动脉血压,建立了动脉段BP与PWV的数学模型,通过同时测量颈动脉局部PWV、颈动脉到手指脉搏通过时间(PTT)和颈动脉脉冲到达时间(PAT),并对模型进行校准,研究局部PWV、PAT和PTT的无袖带血压估计精度。结果显示使用局部PWV通过受试者特异性模型能实现更准确的动脉血压测量,并证明了在高血压检查和动脉硬度指数评估中的潜在效用。陆一乾[59]提出一种基于LMS的多波长算法来获得小动脉PTT,在多波长PPG信号中,重建动脉和毛细血管的PPG信号,排除其他血管层的干扰,以精确提取小动脉的PTT信号,验证了小动脉 PTT对于连续血压模型的预测结果提升,且高血压人群收缩压的MAE降低了0.34 mmHg(1 mmHg=133.322 Pa)。

脉冲到达时间(PAT)是另一种预测血压的参数,PAT定义为在同一心跳周期内,不仅包括脉冲传输时间,还包括心脏血液预射期(pre-ejection peri-od,PEP),即收缩的心肌将心室内压力增加至足以打开主动脉瓣并将血液压出心室的时间间隔[60]。Heimark等[61]研究了受试者参加等长和动态的运动测试,包括在之前、期间和之后的坐姿休息时间。结果证实PAT是跟踪SBP变化的潜在主要特征,DBP和PAT之间的关系因运动方式而异,不同运动方式之间的相关性会从负变正。如表3所示,总结了最新研究中利用PWV、PAT、PTT实现血压预测的研究果与不足之处。

表3 基于PWV、PTT、PAT的血压检测

基于PWV、PTT、PAT实现血压预测存在一定的局限性。一方面,PWV、PTT、PAT因动脉硬化等疾病的生理因素影响,从而影响动脉压或脉搏波在整个动脉中的传输,例如衰老会改变动脉壁的组成,年龄的增长会使得血管中的弹性蛋白被胶原蛋白取代,降低动脉顺应性,进而降低了PWV、PTT、PAT[69],因此基于该方法的血压检测需要频繁校准。同时大多数利用该方法的研究都采用较为简单的线性模型进行血压预测,在不同的数据集上的预测效果不太理想。另一方面,PWV、PTT、PAT的测量需要近端和远端动脉波形,在两个波形测量PTT的情况下,最好将传感器放置在尽可能远的位置,从便捷性的角度来看,使用PPG等其他传感器时,希望将多个传感器封装到单个设备中。综上,基于PWV、PTT、PAT的血压测量需要在预测精度和便捷性之间进行提升与改善。

5.3 基于人工设计特征机器学习的血压检测

血压波动会引起PPG信号的变化,其波形中蕴含着大量生理病理信息,与心血管系统密切相关,对脉搏波波形分析(pulse wave analysis, PWA)是另一种血压预测的研究方法。不同于利用PWA、PTT、PAT建立具有生物医学意义的血压检测方法,基于PPG波形特征的血压检测是通过提取和选择PPG波形的特征,并形成复杂的校准方程,将大量的特征参数回归间接估测血压。该方法通常筛选与血压相关性最高的信号特征,结合人工智能算法来建立血压估计模型,该方法也可与PTT一起使用,提高血压测量的准确性。相对于只利用PWV、PTT、PAT的方法,基于PPG波形特征的血压检测模型通常不需要进行参数校正。

5.3.1 波形特征提取

许多研究人员正在从PPG信号中寻找更多特征信息,以获得用于血压估计的可靠结果。Teng等[70]在利用脉搏波分析技术估计血压的可行性进行了前瞻性研究,在没有使用袖带的情况下,从单个PPG波形中提取4个特征:1/2的宽度、2/3的脉搏幅度和收缩时间以及舒张时间,进行血压预测的实用性分析。目前大量文献中已经研究了许多PPG信号特征提取技术,通常有时域、频域、人口信息、熵、混沌等特征,并在使用的方法上提出了相应的改进[71]。

1)时域特征

时域特征是指在时间轴上对PPG信号进行统计分析,通常先对原始PPG信号进行关键特征点的识别,包括波形的波谷、波峰、重搏切迹等,PPG信号的脉冲宽度(pulse width)可以用来反映心脏的收缩和舒张过程中的血液量变化情况,从而反映出心脏的功能,如图3所示。

图3 PPG信号常见脉冲宽度[7]

其中收缩宽度分别为10%、25%、33%、50%、66%和75%,舒张宽度分别为10%、25%、33%、50%、66%和75%。同时PPG的一阶导数和二阶导数在检测PPG的特征点和分析PPG波形的特征方面也发挥着重要作用[72],如图4所示。

起始和结束分别表示波形的开始和结束;sys和dia分别表示收缩和舒张峰值;dic表示重搏切迹;ms表示最大斜率点;a、b、c、d和e为二阶导数的5个关键特征点

由图4已知的重要波形特征点,可计算出相关时域特征,主要包括时间参数、波形幅值参数、波形面积参数、时间对比参数与幅值对比参数等[73]。

2)频域特征

3)熵

PPG信号的信息熵、样本熵、近似熵、排列熵等可以反映其复杂度和不规则程度[75]。计算快速傅里叶变换分量大小并归一化可得信息熵,可以评估信号的复杂度与信息量;样本熵是基于相邻信号点之间的距离来确定PPG信号的复杂性,而不是直接计算信号的波形形状[76]。近似熵也是基于相邻信号点之间的距离来衡量PPG信号的规则性。根据排列熵准则判断信号的阈值范围能够滤除高频噪声和基线漂移[77]。

4)个人体征信息

在PPG信号特征分析中,个人体征信息(身高、体重、性别、年龄等)可以用于研究不同人群的生理差异和疾病风险等问题,也可以作为血压预测模型的输入。此外,个人体征信息还可以用于PPG信号的人群分类和个性化识别[78]。将PPG信号的特征与不同人群的生理差异联系起来,实现对个体的识别和分类,进一步提高血压监测的准确性和有效性。

5)其他特征

混沌方法非线性特征可以直观地为血压估计提供可靠的框架[79]。此外,还有一些能够反映生理状态的特征参数,都可以通过PPG信号进行相应计算,脉搏波波形特征系数K值与血管结构、血液循环特性等多种参数有关,可以反映微循环中的优劣程度[80]。光容量描记强度比能反映动脉内径的变化,与血压的变化相关[81]。

5.3.2 特征选择

在PPG信号特征分析中,特征选择是一个重要的环节,其目的是从众多特征中筛选出对血压估计最具有优势的特征,避免特征的冗余,得到全局最优解。该过程通常会根据特征与血压的相关性、PPG特征维数和分析方法等因素选取其中数个特征进行分析。此外,李勐等[82]还提出一种支持包括脉搏信号在内的多种生理指标特征的融合分析方法。常用的特征选择方法包括相关性分析、主成分分析、嵌入式特征选择等。将特征选择作为机器学习算法的一部分,通过训练模型选择最优特征组合。该过程需要注意避免特征过多、特征之间相关性过强等问题,以提高特征分析的可靠性和有效性。

5.3.3 机器学习算法

许多机器学习算法可以识别和分析PPG信号与血压之间的复杂映射关系,从而建立有效的血压预测模型。利用PPG进行血压的预测是一种回归方法,通常有多元线性回归模型(multiple linear regression,MLR),随机森林回归(random forest regression,RFR),人工神经网络(artificial neural networks,ANN)等,故讨论基于机器学习方法实现PPG信号与血压之间的预测。

王梦婷[73]根据PPG波形特征点与其生理学意义,对提取出时域波形特征与血压进行相关性分析和多元线性回归,实现群体和个体标定的血压测量。但该研究仅采用了PTT和时域特征来计算血压,可增加频域等其他特征进一步提高血压检测的准确性。赵彦峰等[83]利用偏最小二乘法对50名志愿者的200组PTT和脉搏特征训练建模,分析了个体脉搏波特征参数与血压值的相关性,并将与血压高度相关的参数作为优化脉搏波特征参数加入PTT与血压的校正模型中,克服在基于PTT的无创血压检测中个体差异对测量准确度的影响,预测出舒张压、收缩压的MAE均小于5 mmHg。黄晓祥[84]在被试者不同的实验状态下(平躺、坐立、深呼吸等),利用支持向量回归和随机森林回归两种方法建立血压预测模型。测试集的预测结果满足AAMI标准,并展望了建立端到端的无需人工提取特征的深度学习模型。Mahmud等[85]探讨了自动编码器在根据PPG和ECG信号自动提取特征预测血压方面的适用性,对 MIMIC-Ⅱ数据集的12名患者的942个实例进行了实验,在自采集数据集与MIMIC-Ⅱ数据集上的预测结果均达到了英国高血压协会(BHS)的A级。

除了传统的机器学习算法,近年来基于深度学习的血压预测研究也在逐年增加。Dey等[78]开发出基于人口统计学和生理划分的血压预测模型,收缩压与舒张压的MAE测试精度为6.9 mmHg 和5 mmHg。这种方法验证了基于单个PPG传感器的方法也可以较高精度预测血压。此外,卷积神经网络(convolutional neural network,CNN)可以对高维特征进行学习,双向长短记忆网络(BiLSTM)可以双向提取特征并在时间序列上进行建模分析,注意力机制(Attention)可以根据关键性来为特征分配权重。杨瑶[86]利用这些网络特性,构建出CNN-BiLSTM-Attention的新模型结构,该模型在训练过程中的收敛速度快,测量更加精准,在输入人工提取的5个特征后,与长期递归卷积网络和Attention-BiLSTM网络进行比较,该方法在少量数据集上得到的血压测量结果优势明显。Senturk等[74]介绍了一种基于PPG信号特征的新型血压估计技术,该研究使用LSTM和主成分分析,从原始PPG信号中提取了12个时域特征,对PPG信号主成分分析提取了10个特征。使用LSTM模型形成22个特征用于血压估计,结果证明基于LSTM和主成分分析相结合的模型在提高血压预测精度上明显提升。Yao等[87]实现一种基于特征组合和人工神经网络的便携式血压预测系统,提取并融合多维特征,包括2 010组基于PPG的特征和2组基于人口统计学的特征,最后,采用两层前馈人工神经网络算法进行回归,该模型对两名受试者的血压进行了半个月的跟踪,为日常血压监测奠定了基础。

PPG二阶衍生物可以治疗血管老化,其包含了与血压高度相关的主动脉顺应性与血管硬度等信息。Liu等[88]利用这一新发现,提出了14个新的基于二阶导数特征,将其与21个时域PPG特征相结合,开发出一种基于支持向量回归的BP预测方法,该方法能将传统基于PPG时域特征的BP估计精度提高40%。此外Park等[89]设计了模拟电路来采集心肺复苏术期间的 PPG 信号,在心肺复苏过程中使用耳垂PPG信号结合LSTM模型用于血压测量,并展望了仅使用单耳PPG通过LSTM来估计BP的前景,即使在心肺复苏术期间也可以估计血压。Landry等[90]研究了中等强度和重度运动期间的血压监测方法,通过将基于人群的非线性自回归模型与前馈人工神经网络(ANN)模型和脉冲到达时间(PAT)模型进行了比较,结果显示基于人群的非线性自回归模型比其他模型表现更好,并在估计平均动脉压(MAP)的较大变化时效果显著,但该方法需要定期校准以解释劳累期间血管阻力的变化。Aguet等[91]对基于PPG的方法以准确跟踪麻醉诱导过程中产生的血压变化,通过LASSO回归自动识别最能反映血压变化的特征子集,并进行特征相关性分析,使用三种模型回归,结果表明与侵入性血压参考值的一致性超过99%。此基础上,Chang等[92]将PPG的原始波形、快速傅里叶变换计算的频谱图和连续小波变换计算得到的标度图视为3种输入特征类型,使用CNN模型训练,当没有其他参考信号源时,降低了运动伪影的影响。

大多数BP预测模型侧重于PPG信号的波形特征,而ECG中R波的峰值仅用作时间参考,很少有参考研究ECG波形。Ma等[93]评估了心电图中7种特征波形对血压估计改善的影响,PPG是主要信号,通过添加ECG、P波、QRS波、T波和无形成5种输入组合,在比较结果中,可视化了卷积神经网络对PPG和ECG每个波形的关注分布,其中QRS波和T波对最小化误差的贡献大于P波。表4总结了近几年基于PPG波形特征(PWA)实现血压检测的研究成果与不足。

表4 基于脉搏波波形特征的血压检测

基于PPG波形特征的方法在大多研究中展现出良好的预测效果,但其也存在如下局限性。一是PPG信号的特征提取算法虽然从生理学的角度探讨了特征与血压、心血管状态之间的关系,但并未经过临床数据验证,难以确定血压与脉搏波形参数之间的数学物理关系。二是基于脉搏波波形特征的血压检测方法需要充分挖掘PPG波形中包含的信息,其结果高度依赖于PPG波形基准点检测的准确性。三是对于与血压监测相关的PPG波形的有效特征,严重缺乏共识,证明其有效性的生理基础不足,文献中大多没有阐明。四是绝大多数利用PPG波形特征预测血压的实验结果中,收缩压的预测误差大于舒张压的预测误差。

5.4 基于深度学习的血压检测

机器学习是一种浅层学习模型,通常需要人工提取特征,难以应对海量高维数据和复杂函数表征[100]。近年来,深度学习在PPG信号预测血压的应用上正在不断增长,包括利用深度学习算法从原始PPG信号中提取血压信息。许多研究人员倾向于将原始PPG信号与导数信号作为输入,利用深度学习提取复杂高维特征,通过卷积计算能力的优势进行连续血压监测。整个过程,从输入原始数据到获取所需的计算结果,都在网络内进行,包括训练和推理阶段[101]。如卷积神经网络(CNN)、循环神经网络(RNN)、长短记忆网络(LSTM)等网络模型的应用。

5.4.1 基于PPG原始序列信号的血压检测

大多基于PPG原始信号的血压检测方法已经在研究中得到验证,与传统血压监测方法的准确性相当。师荣堃等[102]构建出循环神经网络层、上下文连接层及全连接层三层合一的模型,分别在RNN层与上下文连接层输入PPG信号和个人体征信息,预测结果达到AAMI标准的测试精度。CNN+LSTM模型也是该项研究中应用最广泛的模型之一。在Tazarv等[103]的研究中,CNN被用作特征提取模块,LSTM负责对时间序列进行建模,在MIMIC-Ⅱ数据集随机选择的20名受试者身上验证了CNN+LSTM模型,收缩压和舒张压的MAE和STD分别为(3.70±3.07) mmHg和(2.02±1.76) mmHg,而在昆士兰数据集上的验证结果也达到了BHS标准的A级。熊嘉豪等[104]提出一种基于嵌入SE注意力机制的时域卷积网络(TCN-SE)模型,使得模型能摒弃一些杂质信息,关注PPG信号内的细微特征,不仅可以有效地解决梯度消失问题,在防止模型过拟合的同时,增加模型的感受野,加强了模型对于不同通道信息的关注度,测试得到收缩压误差为(5.09±7.04) mmHg,舒张压的误差为(2.96±4.23) mmHg。蒲彦安[105]通过分阶段的方式构建多模态多阶段血压预测模型,通过裁剪方法对训练集进行数据增强,并加入ECG信号特征,对比采用CNN、VGG19和LSTM的血压预测模型,实验结果表明VGG19预测性能高于CNN,远高于LSTM,且基于深度学习的血压预测模型普遍比基于人工特征的非线性模型性能更高,结果不光满足AAMI标准同时达到了BHS的A级标准。Leitner等[49]提出了一种混合神经网络架构,由卷积层、循环层和全连接层组成,直接对原始PPG时间序列进行操作,每5 s提供一次BP估计,并提出一种迁移学习技术解决个人PPG和BP数据有限的问题,对预先训练的网络的特定层进行个性化,对收缩压和舒张压预测的MAE分别为3.52 mmHg和2.20 mmHg,优于现有方法。Tanveer等[9]提出了一种ANN+LSTM网络,该网络由用于提取特征的ANN和用于对序列信号建模的两个堆叠LSTM层组成,所提出的模型在39名MIMIC数据集的受试者身上进行了测试,收缩压和舒张压的MAE为1.10 mmHg和0.58 mmHg。王军昂等[106]提出了基于MultiRes+Unet模型的连续无创动脉血压测量方法,将原始光电容积脉搏波(PPG)信号作为输入,使用U-net网络重构动脉血压信号,为进一步提高预测血压波形精度,将重构的血压信号作为网络的输入,采用MultiRes模块学习不同特征,计算出的收缩压、舒张压和平均压的MAE均在3 mmHg以下。Huang等[107]出了一种基于MLP-Mixer的新型深度神经网络估计血压,通过多滤波器到多通道的方法对PPG和ECG信号进行预处理,没有任何人工特征提取操作,研究了3种不同输入信号(PPG,ECG或PPG和ECG)的性能,在自采集数据集与公开数据集上,所提出的方法均取得了优异的效果。Yen等[108]采用由多尺度卷积网络和长短期记忆网络组成的改进型长期循环卷积网络,采用PPG+ECG数据作为输入,得到所提模型的最佳预测结果。该研究中开发的深度学习模型仅需要较少的层数便能够准确估计血压和心率,验证了所提模型在估计生理信息方面的有效性。

除了对PPG信号提取复杂的高维特征,一些研究人员还从PPG信号提取出其他信号参与血压的预测,研究表明这类方法具有一定可行性。胡军锋等[109]采用基于小波包的模态分解技术,从PPG信号中提取出心脏信号和呼吸信号,并将其与ECG信号同步。然后采用卷积神经网络对上述信号建立血压检测模型,从MIMIC-Ⅲ数据集中筛选出的5 776条数据作为实验数据。结果显示模态分解技术与ECG信号结合后,可以有效提高血压的检测精度。Chuang等[110]在MIMIC数据集中筛选了45名受试者的11 000个PPG和ECG片段,并将注意力机制引入CNN-LSTM模型中,以识别更有效的特征。Treebopachatsakul等[111]对开放数据集中的PPG和ECG信号进行傅立叶变换,并使用PPG和心电信号的幅度和相位作为上下文聚合网络的输入。此外,Rastegar等[112]提出一种新型混合模型,将卷积神经网络(CNN)集成为可训练特征提取器,支持向量回归(SVR)作为回归模型,结果表明该混合模型在预测收缩压方面更有优势。

PPG信号是一维生理信号,一些研究将它们转换为二维图像,通过在ImageNet上预训练的模型进行迁移学习。Wang等[113]通过使用可见性图(visibility graphs,VG)方法将一维PPG信号转换为图像。这种创新的方法保留了PPG信号中的时频信息,并允许使用在大型数据库ImageNet上预训练的CNN模型进行变换学习。所提出的想法在UCI_BP数据集的348条记录上得到了验证,预训练的AlexNet模型得出收缩压和舒张压的MAE分别为6.17 mmHg和3.66 mmHg。

5.4.2 基于PPG导数序列信号的血压检测

表5 基于深度学习的血压检测

综上所述,目前基于PPG信号实现血压检测在已有研究中已经取得了一定成就,但在数据分类、特征解释与模型检测方面还存在一些不足:一是对于不同人群的PPG与血压信号的数据库急需搭建,同时与血压相关的PPG波形有效特征的可解释性不够。二是由于个体之间血压的差异,即使是在大规模数据集上训练的深度学习模型也不能完全学习血压。三是在通用模型的基础上需要针对个体找到比较简单的单点校准方法,实现人体个性化血压建模技术研究。以上都是基于PPG信号实现血压预测的未来发展与实验研究的重要环节。

6 未来研究方向

PPG在无袖带连续血压监测中具有巨大的应用潜力,从早期基于多路信号的简单回归,到结合人工智能算法的PPG特征提取,再到最近使用原始PPG信号的深度学习模型,连续无袖带血压估计的研究取得了巨大进展。然而,尽管当前多种血压估计方法已经出现并取得了一些成果,但要达到商业与临床应用的标准,基于PPG的连续血压监测技术未来还需要在以下方面进行深入研究。

6.1 数据有效分类

大多数研究人员通常使用开源数据集进行研究,详细的个人体征信息与合适的生理信号血压数据集较难同时获取。例如MIMIC-Ⅱ、MIMIC-Ⅲ数据集,该数据集的采样人群几乎都是ICU重症监护室的患者,其中包含复杂的身体状况存在对血压的不同影响,不同人群之间的血压变化存在差异,因此需要大规模的异构数据集来提高模型的适应性。一些研究人员也使用自己收集的数据集进行研究,但是由于数据量较小,研究中很少对不同采样数据进行有效分类,导致血压预测模型建立的对象较为混乱,实验的验证结果置信度不高。因此,建立大规模的异构数据集进行有效分类,有助于提高模型的鲁棒性和泛化能力,以应对不同人群的血压预测情况。

6.2 特征可解释性

PPG信号的特征提取算法在探索特征与血压、心血管状态之间的关系方面存在一些挑战,尤其是缺乏临床数据验证和共识,特征的可解释性不够。特征提取算法虽然从生理学的角度探讨了特征与血压、心血管状态之间的关系,但并未经过现有临床病人的数据验证,难以确定血压与脉搏波形参数之间的数学物理关系。对于与血压监测相关的PPG波形的有效特征,研究中大多没有阐明,严重缺乏共识。未来需要更深入探究波形特征与心血管系统之间的内在联系,证明其有效性的生理基础,可能涉及更大规模的临床数据验证,与其他生理参数的关联研究,以及更全面的生理学理论研究。

6.3 数据增强

一般通过可穿戴式设备或传感器来检测获取PPG信号,但初步获得的PPG信号因易受到噪声影响,使得获取的信号较为复杂,这些噪声对于后期的波形特征提取具有严重影响。未来研究可以探索更好的信号测量方式与处理方法,得到高质量、低干扰PPG信号,同时根据信号质量的好坏动态调整硬件采集的刷新时间,以补偿运动伪影对PPG信号的影响。设计复杂的动态模型应用于穿戴式血压监护产品中,提高血压连续监测系统的健壮性,解决可穿戴设备生理参数预测不准确的难题。

6.4 个性化建模技术研究

一方面在采用同一种预测模型对收缩压和舒张压进行预测时,大多估计的收缩压误差大于舒张压误差。由于两种压力产生的生理机制不同,因此在基于PPG信号的血压预测中,可能需要使用不同的特征和算法,才能更好地预测收缩压和舒张压。另一方面,大多研究公开数据集都只是使用ICU病人的数据,对于不同的人群测出的血压误差较大。人体的生理特征因人而异,不同人群的PPG信号特征、心血管系统等方面存在差异,这些差异性可能会影响到基于PPG信号预测血压的模型的准确性和有效性。未来需要引入个性化校准技术,实现轻量级模型的特征挖掘和优化,提高血压预测模型的准确性与泛化能力。

7 总结

通过文献检索回顾了最新基于PPG信号无袖带血压连续预测技术的研究工作,包括其技术原理、数据集、评估标准、预处理方法、特征提取和建模方法等。汇总当前研究者最常使用的公开数据集和评估标准,阐述其各自优点、局限性及适用范围;突出采用深度学习模型在血压预测中的应用,以及这些模型相对于传统方法的优势;强调基于PPG信号进行血压测量时所面临的潜在研究难点与挑战,特别是个体差异与特征可解释性不够的影响;最后讨论基于PPG信号血压连续测量的潜在应用前景,总结该研究领域未来的研究方向与重点。以期为研究人员和学者们提供这一领域关键技术的全面理解,阐明最显著的研究进展,为今后的研究提供参考。