基于脉搏波传导时间的ICU急性低血压预测方法研究

张光亮，何史林，陈广飞，李蓓，黎檀实，诸强

1.北京交通大学计算机与信息技术学院 生物医学工程系，北京 100044；2.解放军总医院 生物医学工程研究室，北京 100853

基于脉搏波传导时间的ICU急性低血压预测方法研究

张光亮1，何史林2，陈广飞2，李蓓2，黎檀实2，诸强1

1.北京交通大学计算机与信息技术学院 生物医学工程系，北京 100044；2.解放军总医院 生物医学工程研究室，北京 100853

重症监护室（ICU）患者在急性低血压发生时需要采取及时有效的干预措施，否则会引起昏厥、休克甚至死亡等严重后果。本文研究ICU患者的脉搏波传导时间与急性低血压发作的相关关系，并建立基于人工神经网络的急性低血压发作预测模型。研究结果表明，脉搏波传导时间与急性低血压发作具有较高相关性，可以作为急性低血压预测的特征指标。

心电图仪；ICU；急性低血压；脉搏波传导时间；BP神经网络

0 前言

在医学上，当血压从正常的水平突然下降、并明显低于正常值时，称为急性低血压（Acute Hypotensive Episodes，AHE)。急性低血压通常会在血液透析、脊髓麻醉[1]、孕妇剖宫产[2]、心血管介入手术后[5]等情况下发生，也经常发生在重症监护室（Intensive Care Units，ICU）的危重病人身上[3]。引起急性低血压发生的因素较多，包括败血症、心肌梗死、心律失常、肺栓塞、病理性出血、脱水、血容量过低、心输出量不足或血管舒张性休克等[4]，同时，也与病人自身的基础临床状态及病史有关。AHE会导致全身器官血流灌注不足，如果不采取及时有效的应对措施，会造成患者不可逆性的器官损伤，导致患者昏厥或休克，甚至死亡[5]。根据美国复杂生理信号研究网站PhysioNet2008年12月统计的数据显示，ICU中发生AHE患者的死亡率达37.8%。我国各大医院的临床数据表明，心血管病介入术后的AHE并发症，是一种少见却极其凶险的急症，对它的及时发现和处理是介入术后处理中的一个重要问题。

现阶段对发生急性低血压的处理方式主要依靠临床医生的经验进行处置，如果可以准确预测急性低血压的发生，能为医生及时采取应对措施争取时间，从而降低AHE造成的风险，具有重要的临床意义和研究价值。目前AHE的预测方法均是采用平均动脉压进行研究[6-7]，本文利用ICU 监护参数中的脉搏波数据，分析发生与未发生急性低血压两种状态时的脉搏波传导时间（Pulse Wave Transit Time，PWTT）的变化特征并研究其预测急性低血压的可行性。

1 理论基础

1.1 脉搏波传导时间

PWTT是指压力脉搏在血管里相隔一定距离的两个位置距离内传播所需时间△t[8]。在本研究中，以R波作为脉搏波传导时间的测量起点，脉搏波峰点作为脉搏波传导时间的测量终点，脉搏波传导时间定义，见图1。

图1 脉搏波传导时间定义

1.2 脉搏波传导时间与血压的关系[11]

理想流体的弹性管内波传播速度公式为：

其中，E是管壁的杨氏弹性模量；h为管壁厚度；D是平衡状态下弹性管径；ρ是流体密度。

Hughes等证明了血管跨壁压和血管弹性模量之间有以下关系:

其中，E0是压力为零时的弹性模量，P是血压，γ是表征血管特征的一个量，数值从0.016～0.018 mmHg-1。

当传导距离一定时，脉搏波传导时间和脉搏波速度成反比，可用以下公式表示：

其中，S为脉搏波传导距离，T为脉搏波传导时间。将公式(2)和(3)代入公式(1)得公式(4)，忽略血压改变时动脉内径大小和动脉壁厚度的改变，(4)式右边第一项可看个常量，也就是说，如果血管的弹性保持不变，那么血压的变化和脉搏波传导时间成正比[10-12]。

本研究采用PhysioNet里MIMIC II里2009年挑战赛的测试集数据，此数据来自ICU监护中患者的心电和脉搏波信号，具有很好地代表性。

2 脉搏波传导时间提取

2.1 脉搏波峰点检测

脉搏波信号具有非线性、非平稳并且微弱的特点。本文采用小波变换技术检测峰值，在阈值处理方面采用给定阈值法。

脉搏波信号在S=23的尺度上具有最大的小波变换幅度，而高、低频噪声在这一尺度上有较大衰减，因此主要采用S=23尺度上的小波变换来检测脉搏波信号的峰值，见图2。

经过小波变换处理的下半部分图消除了基线漂移的干扰，拉大了局部极值与小波形极值的差距，局部极值对应原始波形的最低点，有利于准确定位脉搏波峰点。

图2 应用小波变换检测脉搏波峰值

2.2 心电信号R波定位及特征提取

心电R波定位采用基于滤波和阈值检测的方法实现，结果如图3所示。

图3 心电R波定位

利用检测的脉搏波波峰和心电信号R波可以计算脉搏波传导时间及其变化曲线，见图4。

图4 PWTT波形

3 基于人工神经网络的AHE预测

3.1 数据

研究数据来源于复杂生理信号网站www.PhysioNet.org的数据库MIMIC II（the Multi-parameter Intelligent Monitoring for Intensive Care II）[13-14]。用作实验样本的数据均为对重症监护室中患者各项生理指标超过10 h的连续监测的时间序列信号，这些生理指标包括动脉血压（Artery Blood Pressure，ABP）、心率（Heart Rate，HR）、脉搏以及血氧饱和度（SpO2）等。样本数据分为60组训练集和50组测试集，其中训练集分为H组（发生急性低血压的患者）和C组（未发生急性低血压的患者），每组各30名患者；测试集分为A组和B组，A组10名患者（其中5名来自H组，5名来自C组），B组40名患者（其中14名来自H组，26名来自C组）。每名患者的时间序列信号都设置有1个T0点，需要对T0后1h内是否发生急性低血压进行预测。

3.2 相关性分析

本文对每一个样本计算PWTT曲线，并提取峰度、偏度、内距、几何平均值、调和均值、算数平均值、内部平均值、中位数、平均绝对误差、动差、方差、标准差、范围、百分位数（75%）等14个统计特征数据和5层小波变换后的各分量的峰度、偏度、内距、几何平均值、调和均值、算数平均值、内部平均值、中位数、平均绝对误差、动差、方差、标准差、范围、百分位数（75%）以及各小波分量的能量比例共98个能量特征数据。

采用SPSS对以上98个特征数据进行相关性分析，选择其中相关性较好的（相关系数＞0.35）细节分量的峰态、偏度、四分位距、75%位数、一层高频分量的四分位距、二层高频分量的四分位距、75%位数7个特征数据构成特征向量进行预测。

3.3 BP人工神经网络建模

BP（Back Propagation，BP）神经网络是一种按误差逆传播算法训练的多层前馈网络，拓扑结构包括输入层（Input）、隐层（Hide layer）和输出层（Output layer）。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。

BP神经网络的建模过程如下：样本50例，其中H组21例，C组29例。H定义为（0），C定义为（1）。随机抽取12例作为测试集（12×10矩阵），每1行为1个样本；剩下的为训练集38×7矩阵，每1行为1个样本，共38个样本，由于3层BP神经网络能逼近任意连续函数，故隐含层一般只选择为1层。输入神经元数目为特征值的个数(7)，输出为[0 1]，0表示没有发生AHE，1表示发生了AHE。

由于BP神经网络的性能十分依赖于网络初始权值的选择，故每次随机初始化神经网络会获得不同的结果，因此采用Holdout验证方式来建模。每次随机选取12例做训练集测试集，剩余38例训练集，通过10次实验来确定最优的网络结构。在最优的网络结构中，选取验证中性能最好的网络，用测试集进行测试。

3.4 结果

将测试集的数据输入到训练过的BP神经网络中，统计预测正确率，见表1。表1中训练集平均正确率表示训练集中用来测试网络性能的子集，在已建立网络预测下的正确率的平均值，测试集平均正确率表示用测试集测试网络所得到的正确率的平均值，通过对比分析，从中选取最优模型7-13-2。由表1可以看出，当隐含层选择为13时，可以取得较高的测试集平均正确率，最高可以达到83.33%的正确率。

表1 Holdout验证的网络特性

4 结论

本文利用PWTT来研究急性低血压预测模式，相比平均动脉压有着以下优势：① 脉搏波传导时间可以由脉搏波和心电图数据处理得到，且这两者已是很成熟的技术、可以方便精确地采集；② 脉搏波传导时间信息量大，可以在很短的时间内得到大量数据。研究结果表明，此预测模式具有较高的预测准确率与可行性，有着广阔的应用前景和价值，为今后ICU急性低血压预测提供了一种新的研究思路。

[1] 况瑜天,俞铭燕．心脏介入治疗并发急性低血压症的临床表现与对策[J]．实用医学杂志,2009,25(9):1438-1440．

[2] Chao-Shun Lin,Jainn-Shiun Chiu,Ming-Hui Hsieh,et al．Predicting hypotensive episodes during spinal anesthesia with the application of artificial neural networks[J]．Computer Methods and Programs in Biomedicine,2008,92(2):193-197．

[3] 赖丽娟,吴效明．ICU中发生急性低血压的预测方法研究进展[J]．北京生物医学工程,2010,29(5):538-542．

[4] Teresa Rocha,Simao Paredes,et al．Prediction of acute hypotensive episodes by means of neural network multi-models[J]．Computers in Biology and Medicine,2011,41(10):881-890．

[5] G Dahlgren,F Granath,H Wessel,et al．Prediction of hypotension during spinal anesthesia for cesarean section and its relation to the effect of crystalloid or colloid preload[J]．International Journal of Obstetric Anesthesia,2007,16:128-134．

[6] 王志刚,赖丽娟,熊冬生,等．基于AR模型和支持向量机的急性低血压预测方法研究[J]．中国生物医学工程学报,2011,30(2):250-255．

[7] Moody GB,Lehman LH．Predicting acute hypotensive episodes: the 10th annual physionet/computers in cardiology challenge[J]．Computers in Cardiology,2009,36(9):541-544．

[8] Bassale J．Hypotension prediction arterial blood pressurevariability[R]．Portland,2001．

[9] Crespo C．Precursors in the arterial blood pressure signal to episodes of acute hypotension in sepsis[A]．Proceedings of the 16th International EURASIP Conference BIOSIGNAL[C]．2002:206-208．

[10] Langley P,King ST,Zheng D,et al．Predicting acute hypotensive episodes from mean arterial pressure[J]．Computers in Cardiology,2009,36(9):553-556．

[11] 罗志昌,张松,杨文鸣．脉搏波波形特征信息的研究[J]．北京工业大学学报,1996,22(l):71-79．

[12] 焦学军,房兴业．利用脉搏波特征参数连续测量血压的方法研究[J]．生物医学工程学杂志,2002,19(2):217-220．

[13] Predicting acute hypotensive episodes[EB/OL]．(2009-01-27) [2009-10-19]．http://www.physionet.org/challenge/2009.

[14] PhysioNet．PhysioNet/computers in cardiology challenge 2009:predicting acute hypotensive episodes[EB/OL]．(2009-04-21)[2010-04-19]．http://www.physionet.org/challenge.

Prediction of Acute Hypotensive Episode in ICU using Pulse Wave Transit Time

ZHANG Guang-liang1, HE Shi-lin2, CHEN Guang-fei2, LI Bei2, LI Tan-shi2, ZHU Qiang1
1. Department of Biomedical Engineering, School of Computer and Information Technology, Beijing Jiaotong University, Beijing 100044, China; 2. Department of Biomedical Engineering, General Hospital of PLA, Beijing 100853, China

The acute hypotensive episode (AHE) in intensive care units (ICU) seriously endanger the lives of patients without timely and effective intervention. This paper mainly studied the correlation between pulse wave transit time (PWTT) and AHE, and established prediction model of AHE based on artifcial neural network. The result demonstrated that PWTT had an affnity with AHE, and could be the predictive characteristic index of AHE.

electrocardiograph; intensive care unit; acute hypotensive episode; pulse wave transit time; BP neural network

R318.04；R544.2

A

10.3969/j.issn.1674-1633.2014.03.009

1674-1633(2014)03-0031-03

2013-10-28

2013-12-20

教育部留学回国人员科研启动基金资助项目。

诸强，博士，副教授。

通讯作者邮箱：qzhu@bjtu.edu.cn