基于PPG收缩期上升波形特征参数的无创血压检测模型

彭莉，宋鑫，鄢苏鹏，魏良，龚渝顺，李永勤

陆军军医大学生物医学工程与影像医学系，重庆 400038

前言

心血管疾病已经成为对人类健康和生命安全威胁最大的一类疾病。随着近年来对心血管疾病的基础、临床以及预防研究的不断深入以及对心血管疾病的危险因素体系的不断完善，心血管疾病已经从传统的被动治疗向主动预防开始转变。血压指心脏收缩时喷射出的血液流经血管时对血管壁产生的侧向压力，是由心室的射血和外周阻力共同形成，是评估心血管疾病风险的重要指标。血压持续高于正常水平会使患者患心脑血管疾病和肾病的风险升高［1-2］，血压持续低于正常水平会导致患者头晕乏力，严重的低血压会导致重要内脏器官灌注不足。持续血压监测能及时发现血压异常，在对检测、控制和治疗血液动力学疾病方面比间歇性血压检测更有效［3］。目前无创血压测量“黄金标准”是水银血压计，但需要专业的医护人员进行操作，袖带式电子血压计因操作简便而在临床得到广泛使用，但这两种方法都属于间歇式血压检测，袖带加压会阻断血管的血液流动，并不适用于长期血压检测和管理，且在手腕或手臂受伤、特殊作业的情况下无法使用。动脉眼压法和动脉容积钳法可以实现血压的连续无创检测，但测量条件高，测量系统复杂，目前还无法达到便携的要求。光电容积脉搏波（Photoplethysmography,PPG）是一种利用光电手段检测活体组织中血液容积变化的方法。PPG 可用来评估血氧、脉率、心排除量、心血管功能等多种血液动力学参数［4］，且研究表明PPG 和动脉血压在形态上具有相似性，可以用于血压检测［5］。由于PPG 具有成本低、体积小、使用方便的特点，因此PPG被认为是实现连续无创血压监测的最适合方法［6-7］。

目前利用PPG信号估计血压的方法可以分为3种：第一种是基于同步采集心电信号（Electrocardiography,ECG）和PPG信号进行血压估算，通过计算脉冲到达时间（Pulse Arrival Time,PAT）进行血压估算［8-9］。这种方法要同步采集ECG和PPG信号，增加了血压测量系统的复杂性，且PAT的计算易受心脏预射血期的影响，从而影响血压估算精度。第二种是基于不同位点采集的PPG信号进行血压估算，通过计算PPG脉冲从近端到远端的脉搏传导时间（Pulse Transit Time,PTT）［10］进行血压估算。这种方法需要多个传感器，且对传感器间的相对位置要求严格［3］。第三种是基于单通路PPG信号的特征参数进行血压估算。可分为使用单一特征参数估算血压［11-12］和多个特征参数估算血压［13-14］，由于PPG信号易受运动伪影、肤色等影响［15］，单一参数的模型抗干扰能力弱。多个特征点对PPG信号的完整程度要求较高［16］。由于PPG波形随外周阻力和血管壁硬化程度而变化，所以部分特征参数并不适用于所有人群。因此，如何利用PPG特征进行准确的血压建模目前尚无定论。

本研究提出一种使用脉搏波收缩期上升波形（Systolic Upstroke Waveform,SUW）多特征参数的无创血压估算检测模型。首先采集II 导心电图和手指的PPG 信号，然后进行信号预处理和特征参数提取，最后建立血压模型并于传统的基于PAT 以及PAT 联合PPG特征参数的血压检测模型进行对比。

1 材料与方法

1.1 数据采集

试验方案经中国人民解放军陆军军医大学医学伦理委员会批准同意（批件号：AF/SC-08/1.0）和志愿者的知情同意。试验招募130例（男性60例）受试者，试验前告知被试者试验目的和试验流程，并签署知情同意书。使用课题组研制的生理信号采集系统，同步采集受试者的II导心电图和左手食指红外光PPG信号，采样频率为250 Hz，采集的数据保存到存储卡中。使用医用臂式电子血压计（鱼跃YE630AR,江苏）测量左手手臂血压为参考血压值，根据《中国血压测量指南》推荐的血压测量方法［17］，设计试验流程，如图1所示。受试者静坐休息10 min后，试验人员为其佩戴采集设备，开始采集生理信号，同时使用电子血压计测量一次血压，间隔1 min后，再次测量，若两次的收缩压（Systolic Blood Pressure, SBP）差值和两次的舒张压（Diastolic Blood Pressure,DBP）差值均小于5 mmHg，则结束试验，否则间隔1 min后再测量一次血压，结束试验，参考血压为所测结果的均值。

图1 数据采集流程图Figure 1 Flowchart of data collection

1.2 信号预处理

使用数据分析软件 MATLAB R2020a（MathWorksInc., 美国）对数据进行截取、预处理、特征参数提取和建模。首先从采集的生理信号中截取4 个心动周期的ECG 信号，以及同一时刻的PPG 信号，然后对截取的生理信号进行预处理。由于ECG信号和PPG 信号主要受高频干扰和呼吸引起的基线漂移，本文先使用截止频率为40 Hz［18］的椭圆低通滤波器消除ECG 信号中的高频干扰和截止频率为5 Hz的巴特沃斯低通滤波器消除PPG 信号中的高频干扰［3,19］，再使用截止频率为0.5 Hz 高通滤波器去除两种信号的基线漂移，最后对PPG 信号进行归一化处理。如图2所示，预处理后的ECG 和PPG 信号噪声得到抑制，更有利于特征提取。

图2 ECG信号和PPG信号预处理波形示意图Figure 2 Schematic diagrams of ECG signal and PPG signal preprocessing waveforms

1.3 特征提取

1.3.1 PPG 信号的SUW 特征参数提取为了方便SUW 特征参数提取，首先通过PPG 波形的波谷点和主波波峰点将SUW 段从PPG 信号中分割出来，PPG信号主波波峰先使用MATLAB 自带的findpeaks 函数，找出PPG 的可能峰值点［20］，再采用自适应阈值法对可能的峰值点进行筛选，最后获得PPG 信号的主波波峰，PPG 周期为两个相邻主波波峰的时间差，波谷为两个波峰之间幅值最小的点。由于截取的PPG波形不都是完整周期，第一个波峰前和最后一个波峰后还有可能存在波谷，通过已经确定波谷和PPG周期设定双阈值，然后进行差分阈值法提取。分离后SUW 进行特征参数的提取，特征参数示意图如图3a所示。

图3 本文所使用到的参数示意图Figure 3 Schematic diagrams of parameters used in the study

①SUW 持续时间SUWT，即同一周期波谷到波峰的时间差，计算公式如式（1）所示：

其中，Pi为PPG 第i个周期的主波波峰点时间（i≤N，N为PPG 峰值点个数），Bi为PPG 第i个周期的起始波谷点时间，VPG是PPG信号的一阶导数。

②SUW 的面积SUWS，即SUW 与时间轴围成的面积，计算公式如式（2）所示：

③SUW 持续时间与PPG周期T的比值，T通过相邻波峰的间期获得；

④斜率最大点S与波谷连线和时间轴形成的夹角θ的正切值，计算公式如式（3）所示：

其中，amp(Si)为第i个PPG 周期中S点的振幅，time(Si)为第i个PPG 周期中S点与起始波谷点的时间间隔。

1.3.2 PAT 的计算通过ECG 信号的R 峰到PPG 信号主波波峰的时间差计算PAT，如图3b 所示。ECG 信号的R峰采用自适应差分阈值法进行提取。PAT 的计算如下所示：

其中,Ri为ECG的第i个周期的R波波峰点时间。

1.3.3 PPG 其他特征参数为了与文献报告的其它方法进行对比，本研究提取其他的PPG 特征参数，包括脉搏波的波形系数K［式（5）］、每搏心输出量的特征参数Z［式（6）］、收缩上升期的最大斜率值H1、PPG 主波峰的幅值Ps［21］等特征参数，如图3c 所示。部分研究使用PPG 重搏波的信息［20］，但随着外周阻力和血管壁硬化程度增加，重搏波峰的波谷对主波的相对位置会逐渐抬高，最终会消失，因此这个参数并不适用于所有的PPG信号。

其中，Pm为PPG 的均值；Pd为PPG 的波谷幅值；Ps为PPG的主波峰幅值；t1为收缩上升期时间。

1.4 建立血压模型

将130 例受试者的数据随机分为训练集（80 例，其中46 例血压正常）和测试集（50 例，其中35 例血压正常）。使用训练集的数据，利用偏最小二乘法建立参考血压和特征参数的回归模型［22-23］，偏最小二乘回归法能够在自变量存在多重相关性时进行回归建模，且易于辨识系统信息和噪声。式（7）和式（8）为本研究基于SUW参数拟合的SBP、DBP计算公式：

为了对模型性能进行评估，本文还训练了两个文献报道的模型，第一个是根据Moens 和Korteweg提出的脉搏波传播速度计算公式，结合Hughes提出的动脉血管壁杨氏弹性模量和血压的关系E=E0× eγP推导出脉搏波传导时间与血压的关系，Nabeel等［24］根据这个关系建立了基于PAT的血压检测模型，使用训练集的数据对公式系数重新进行拟合，结果如式（9）和式（10）所示：

第二个是赵彦峰等［21］利用偏最小二乘法建立PAT联合PPG特征参数（K、Ps、H1、T、Z）的血压检测模型，计算公式如式（11）和式（12）所示：

1.5 模型性能评估

使用测试集的数据对模型性能进行验证，将提取的特征参数代入上述的6个血压计算公式中，得到血压的计算值。通过血压计算值和参考值的皮尔森相关系数、Bland Altman 一致性散点图、相对误差（SE）、绝对误差（AE）和判断血压是否异常的准确率来评估模型性能。

1.6 统计学方法

使用SPSS 22.0 软件进行统计学分析，首先查看数据是否服从正态分布，使用的是K-S检验，服从正态分布的数据采用均数±标准差表示，不服从正态分布的数据采用M（Q1,Q3）表示；两组数据比较，若数据均服从正态分布，则采用t检验比较，否则采用Wilcoxon 秩和检验；多组数据比较，若数据均服从正态分布，且方差是齐性，则使用单因素方差分析，否则使用Kruskal-Wallis秩和检验。当90 mmHg≤SBP＜140 mmHg 且60 mmHg≤DBP＜90 mmHg 时为血压正常，否则为血压异常，血压异常判断准确率的验证采用Kappa 检验，判断血压异常准确率的比较使用卡方检验。P＜0.05为差异有统计学意义。

2 结果与分析

2.1 受试者基本数据

将受试者分为血压正常（90 mmHg≤SBP＜140 mmHg且60 mmHg≤DBP＜90 mmHg）、血压偏高（140 mmHg≤SBP或90 mmHg≤DBP）、血压偏低（SBP＜90 mmHg或DBP＜60 mmHg），训练集和测试集的受试者基本特征和参考血压值如表1、表2所示。训练集80例受试者，其中男性38例；测试集50例受试者，其中男性22例。本研究纳入的血压偏高受试者的年龄显著高于血压正常受试者年龄（P＜0.05），这与研究报道相符［25］，血压升高与年龄的增长有显著相关性。

表1 训练集受试者的基本特征和参考血压值Table 1 Characteristics and reference blood pressure values of the subjects in training set

表2 测试集受试者的基本特征和参考血压值Table 2 Characteristics and reference blood pressure values of the subjects in test set

2.2 参数的相关性分析结果

本研究提取SUW 的4 个参数，以及文献所报道的参数，表3为训练集多个参数与参考SBP 和参考DBP 的相关性分析结果。结果表明本研究提出的参数与血压的相关性更强。

表3 参考血压与参数之间的Pearson相关系数值Table 3 Pearson correlation coefficient between reference blood pressure and parameters

2.3 不同模型的性能对比

本研究提出的基于SUW多特征参数血压检测模型，通过50 例受试者的数据进行验证。SUW 多特征参数SBP 模型计算SBP 和参考SBP 值的皮尔森相关系数rS=0.800（P＜0.05），SUW 多特征参数DBP 模型计算DBP 值和参考DBP 值的皮尔森相关系数rD=0.615（P＜0.05），计算的血压值与参考血压值有强相关性，如图4a、图4b 所示。SUW 多特征参数模型判断血压异常的准确率为90%，与袖带式电子血压计判断血压异常结果高度一致（Kappa=0.665,P＜0.05）。

图4 不同模型血压计算值和参考值的皮尔森相关分析结果Figure 4 Pearson correlation analysis of calculated blood pressure and the reference values in different models

本研究提出的基于SUW多参数血压检测模型与基于PAT 和PAT 联合PPG 特征参数血压检测模型进行对比。图4为3 种模型的血压计算值和参考值的皮尔森相关分析结果，基于SUW 多参数血压检测模型的SBP 和DBP 皮尔森相关系数分别为rs=0.80、rD=0.62，线性回归系数分别为1.15 和0.78；基于PAT血压检测模型的SBP 和DBP 皮尔森相关系数分别为rs=0.47、rD=0.31,线性回归系数为1.64 和1.88；基于PAT 联合PPG 特征参数血压检测模型的SBP 和DBP皮尔森相关系数分别为rs=0.50、rD=0.38，线性回归系数为1.38 和0.77。结果表明本研究提出的模型计算的血压值与参考血压值相关性更强，线性回归系数更接近于1。图5为3 种模型血压计算值和参考值的Bland Altman 分析结果，图中3 条平行于x 轴的线为误差的均值和95%的置信区间，从图中可以看出，本研究提出的模型SBP 和DBP 的数据均匀的水平分布在95%置信区间内，平均误差更接近于0，比文献所提方法与参考血压的一致性更好。

图5 不同模型血压计算值和参考值的Bland Altman图Figure 5 Bland-Altman plot analysis of calculated blood pressure and the reference values in different models

表4为3 种模型判断血压准确率、绝对误差、相对误差的比较。基于SUW多参数模型判断血压异常准确率为90%，显著高于基于PAT 和基于PAT 联合PPG 特征参数血压检测模型判断血压的准确率。SBP 和DBP 的绝对误差与相对误差也显著小于文献中的两种方法。

表4 3种模型性能对比Table 4 Performance comparison among 3 models

通过多种指标的比较，本研究提出的血压检测模型性能优于基于PAT 和PAT 联合PPG 特征参数的血压检测模型。文献中报道使用的是血压正常的受试者的数据，且每人进行了多次重复测量，在扩大血压范围，纳入不同年龄的受试者，减少个人测量次数时，导致这两个模型的性能有所降低。

3 结论

本研究运用偏最小二乘回归法建立一种基于PPG收缩期上升波形特征参数的血压检测模型，该模型适用于不同形态PPG 波形，提高了模型的鲁棒性和适应性。该模型利用单通路PPG 信号的多特征参数进行血压估计，解决了基于PAT血压检测模型和多位点PPG 血压检测模型测量系统复杂的问题，以及单一参数抗干扰能力弱的问题。模型判断血压异常的准确率为90%，SBP 和DBP 与参考血压的相关系数分别为0.80和0.62，研究结果表明该模型具有较强的血压异常检测能力，为实现PPG 无创连续血压监测和血压异常预警提供参考。本研究由于受试者人群和测量次数等原因，检测精度还不到AAMI国际电子血压计标准，下一步工作将增加受试者且进行多次数据采集，改进模型，提高该血压模型检测精度。