基于神经网络提高准确度的血压测量系统研究

【作 者】张玮奇

上海交通大学机械与动力工程学院，上海，200240

血压值是高血压诊断和疗效评价的主要指标。无论是在医院还是在家庭，目前最常用的是无创血压测量。按中国高血压防治指南（2009年版）的建议，测量血压应使用合格的水银柱血压计或符合国际标准的上臂式电子血压计。这两种方式都能够及时地监测血压，对了解病情、指导心血管疾病的治疗具有重要意义[1]。但是，由于水银血压计会带来汞污染，且用其测量血压具有一定的主观性，因此电子血压计代替水银血压计已经是必然的趋势。随之而来的是如何提高电子血压计血压测量模块的准确度，成为技术工程人员的一个新课题。本文将对现有的利用示波法原理判别血压的方法，以及影响血压测量精度的各种因素进行分析，提出应用神经网络提高电子血压计测量准确度的研究思路和仿真验证。

1 示波法测量血压的原理

电子血压计（electronic blood pressure monitor）根据判别原理的不同，可分为示波法（oscillometric）、容积法（volume compensation method）、张力法（tonometry）和脉搏传输速率法（PWV or PTT method）等。但是，除了示波法外，其他方法或者需要昂贵设备，或者操作复杂，或者可能对被测者造成伤害，限制了其使用的范围，不利于开展大规模的普及。唯有示波法，由于测量时间短，受医务人员经验、技术和外界干扰的影响小，所以被广泛应用。

示波法，也称振动法或测振法，是上世纪70年代发展起来的血压测量新方法。此方法需要用袖带阻断动脉血流，在放气过程中，检测袖带内气体的振荡波[2]。这些振荡波起源于血管壁的搏动，理论计算和临床实验均证明，振荡波与动脉收缩压、舒张压存在一定的关系。其具体测量过程就是，当绑在手臂上的袖带压力比血管收缩压高出约30至40 mmHg时，血管被阻断。随着袖带压力的下降，血管由阻断变导通，这一过程就会在袖带中产生一系列的小脉冲—压脉波。把这些压脉波拾取出来，将其峰值连成曲线，得出包络线。根据包络线的形状，找出相应的特征点（特征法），或者利用与压脈波最大幅值的比例关系（幅值法）判别出收缩压SYS和舒张压DIA（俗称的高压值和低压值）[3]。压脉波波形和包络线如图1所示。

图1 示波法实测图Fig.1 Survey map of oscillometric

从产品组成，工作原理和实际使用来看，决定示波法电子血压计准确度有三个方面：压力检测的精度、血压算出精度和实用上的误差。压力检测精度（血压计的静态误差）主要取决于压力传感器的精度、血压计压力回路中的系统误差。目前所有的生产厂家都能将这一指标控制在±3 mmHg之内[4]、[5]。血压算出精度（血压计的动态误差），主要是通过采集大量的临床数据统计处理，拟合一个相对准确的计算公式。测量时，通过采样取得包络线，计算出每次测量的收缩压和舒张压。作为核心技术，每个厂家的计算公式都有所不同。实用上的误差，包括测量姿势对最终结果的影响，外部环境因素对测量结果的影响，以及生理特征对测量结果的影响。以上三个方面决定了电子血压计的准确度，特别是血压算出精度和实用上的误差，成为提高血压计准确度的方向。

2 提出的方法以及训练与仿真软件的选用

血压算出精度因临床统计得到的特征系数由于被测对象的个体差异性大，因此个体误差大，如年龄[6]、性别[7]、心率、动脉弹性、上臂组织系统的弹性等个体差异因素，都会影响到最终的测量值。而测量姿势，比如左右臂[8、9]、袖带佩戴松紧度[10]等，不仅对于示波法，就是对于听诊法，也是影响测量结果的因素。上述因素之间没有太多的必然联系，而且大多数因素与血压测量的最终结果也不是呈线性的关系，所以可利用神经网络非常适合描述具有黑箱性质和非线性对象的优点。设想将确定计算血压值的函数关系式的问题视为黑箱，影响血压测量最终结果的各种因素作为神经网络的输入，而把要确定的函数关系作为神经网络的输出，建立起计算血压值的函数关系式的模型，通过足够的临床数据样本训练神经网络，来描述确定计算血压值的函数关系式。而整个血压计，可以追加人机界面，并将通过神经网络训练得到的关系式作为知识库，组成一个基于神经网络的血压测量系统，这样的系统可以提高血压测量的准确度。

神经网络的特点，非常适合人体血压测量系统。首先，上述影响血压测量精度的各因素皆为相互独立、并行分布的；其次，各因素和测量结果是非线性关系的；再者，可以通过不同人群的血压测量结果，当然这些测量的方式可以是最直接的有创法或者听诊法，来训练整个网络；最后，对于个别特殊人体的测量数据，当训练样本达到一定数量，可以不影响整个网络的性能。

本文通过神经网络中的BP算法来训练整个神经网络。BP算法是一种采用最小均方差学习方式的多层前馈式神经网络学习算法，其按照误差均方差最小这一规则，由输出层向隐蔽层逐层向后修正连接权值。在训练样本输入过程中，训练者观察多层前馈式神经网络的输出结果是否正确，如果正确，那么就加强产生这个结果的权值，反之则降低该权值。BP网络具有通过学习逼近任意非线性影射的能力，将网络应用于非线性系统的建模与辨识，可以不受非线性模型的限制，易于实现学习算法[11]。

同时，MATLAB神经网络工具箱是MATLAB高性能可视化数值计算软件的组成部分。它主要针对神经网络系统的分析与设计，提供了大量可供直接调用的工具箱函数、图形用户界面和Simulink仿真工具，是进行神经网络系统分析与设计的绝佳工具[12]。本文的BP神经网络设计、训练与仿真将使用MATLAB神经网络工具箱来进行。

3 基于神经网络提高准确度的血压测量系统的建立及验证

由上文可知，血压测量的结果是否准确，归结于血压计的算法以及实际的误差。而人体的个体差异是造成血压计算法和个体不匹配的根本；测量的姿势是引起实际误差的原因。查找相关学术论文以及临床资料，可以将个体差异和测量姿势归纳为如下的影响血压计测量结果的关联因子：

(1) 年龄（ISO81060-2:2009中，血压计临床验证人群选择要求规定）[13]；

(2) 性别（ISO81060-2:2009中，血压计临床验证人群选择要求规定）[13]；

(3) 左右臂（右臂比左臂血压高）；

(4) 心跳次数(心跳次数的快慢影响到采样的频率)；

(5) 手臂臂围（血压计的行业标准要求袖带宽度比肢体直径需大20%，袖带过宽血压值偏低，并在ISO81060-2:2009中血压计临床验证人群选择要求中规定）[13]；

(6) 袖带松紧度（袖带过紧，血管未注气前已受压，血压值偏低）；

(7) 血管软硬度/动脉管壁弹性（对压脉波采集的影响）；

(8) 皮下脂肪率（对压脉波采集的影响）；

(9) 血管容积/心输出量(对压脉波采集的影响)。

整个血压测量系统可以以现有的电子血压计为原型机，追加人机界面，并将训练过的神经网络固化于数据处理程序中。硬件结构框图如图2所示。

图2 提高准确度的血压测量系统的框图Fig.2 Block diagram of blood pressure system which can raise the accuracy

以医院的住院或者外来病人的实际测量结果作为样本来源，对BP神经网络进行训练。9个关联因子作为输入向量，电子血压计的测量结果和听诊法的结果的差值作为目标向量。（如图3）

图3 BP神经网络结构图Fig.3 Structure drawing of BP network

上图中P1～P9表示影响示波法测量结果的关联因子，其中，年龄、性别、左右臂、手臂臂围需要由人机界面输入；心跳次数由原型机自带的心跳测量得到；袖带松紧度可通过袖带的预充气压力来判断；而对于血管软硬度/动脉管壁弹性、皮下脂肪率、血管容积/心输出量，则可以通过其它的设备测得。本文的试验数据中，动脉管壁弹性使用PWV定量值；皮下脂肪率由MRI评价；血管容积/心输出量以电阻法测得的值作为参考。

作为血压测量系统的核心部分—基于神经网络的数据处理模块，可以应用MATLAB工具箱中newff函数来生成BP网络，并固化到系统中。软件的基本程序如下：

% NEWFF 生成一个新的前向神经网络；

% 定义训练样本；

% P为输入矢量；

% T为目标矢量；

% 创建一个新的前向神经网络；

% 设置当前输入层权值和阈值；

% 设置当前网络层权值和阈值；

% 设置训练参数（训练步数、显示间隔步数、训练目标误差、训练中最小允许梯度值）

% 调用 TRAINGDM 算法训练 BP 网络。

训练完成后，在MATLAB软件中可以采用sim函数进行仿真。按训练样本的要求采集任意一组数据，利用仿真函数来获得网络的输出，检查输出和实际测量值之间的误差是否满足要求。

新构建的基于神经网络提高准确度的血压测量系统，其测量的步骤如图4所示。

图4 提高准确度的血压测量系统的测量流程Fig.4 Measure process of blood pressure system which can raise the accuracy

列举以下一些实验数据，说明神经网络的训练（见表1）。

表1 进行神经网络训练的经过归一化处理的数据Tab.1 Normalized NN training data

输入矩阵P={年龄，性别，左右，心率次数，手臂周长，袖带松紧度，血管软硬度，皮下脂肪率，血管容积}

输出矩阵T1={SBP差值}和T2={DBP差值}

为了加快训练网络的收敛性，可以对数据进行归一化处理。

图5是某一次的训练的结果，可以看到在第892步，其误差为0.97*10-3，达到预先设定的精确度。

图5 某一次训练的结果Fig.5 A result of a certain training

4 结论

基于神经网络提高准确度的血压测量系统对非线性多变量在不设前提条件的情况下进行的统计分析，同传统由临床统计而得出的血压算法相比有其自身的优点。尽管该系统仍处于“黑箱”阶段，将若干个变量输入后得到相应的结果，这期间的过程及其临床意义仍然有待完善与阐明，同时，作为一种基于神经网络的血压值判定方法，其权重系数的检验及其可信区间计算、网络训练的最佳原则、隐蔽层层数的选择以及其具体临床意义的解释都有待进一步的研究。但是可以认为，随着人体特征研究的深入，基于神经网络提高准确度的血压测量系统，通过追加更多地影响因素作为输入以及不断的样本训练，必将得到临床工作者的认同和肯定。

[1] 刘力生, 王文, 姚崇华, 等. 中国高血压防治指南(2009年基层版)[J]. 中华高血压杂志, 2010, 18(1): 11～30.

[2] 李毅, 李咏雪. 电子血压计（基于振荡法）的工作原理及其检测[J]. 医疗卫生装备,2008, 29(8): 105～106.

[3] 王志红, 龙洁莹. 电子血压计的研究进展[J]. 现代医院, 2007,7(4):1～2.

[4] YY-0670 2008 无创自动测量血压计 [S]

[5] American National Standard. AMSI/AAMI SP10:2002 & ANSI/AAMI SP10:2002/A1: 2003 Manual, electronic, or automated sphygmomanometers [S]

[6] H.D. Kiers, J.M. Hofstra, J.F.M. Wetzels. Oscillometric blood pressure measurements: differences between measured and calculatedmean arterial pressure[J]. the Netherlands journal of medicine, 2008, 66（11）: 474～479.

[7] Clarence E.Grim and Carlene M.Grim. The omron elite 7300W home blood pressure monitor passes the European Society of Hypertension International Validation Protocol for women and men[J]. Blood Pressure Monitoring, 2009, 14（2）: 87～90.

[8] 李文玉, 黄崇敏. 两臂血压差异相关知识调查分析与探讨[J]. 护理实践与研究, 2008, 5(1): 72～73.

[9] A.Karagiannis, K.Tziomalos, N.Krikis，et al. The unilateral measurement of blood pressure may mask the diagnosis or delay the effective treatment of hypertension[J]. Angiology, 2005, 56(5):565～569.

[10] 刘加忠, 等. 血压计袖带使用不当对动脉血压测值的影响[J]. 职业与健康, 2001, 17(6): 108.

[11] 许东, 吴征. 基于MATLAB6.x的系统分析与设计神经网络(第二版) [M].西安: 西安电子科技大学出版社, 2002

[12] 张德丰. MATLAB神经网络仿真与应用[M]. 北京, 电子工业出版社, 2009

[13] ANSI/AAMI/ISO 81060-2: 2009 Non-invasive sphygmomanometers - Part2 : Clinical validation of automated measurement type [S].