基于PPG信号的无袖带式血压估计算法研究

摘" 要：针对传统的日常血压监测方法大都属于间断性监测，无法全面评估血压这一动态生理参数的问题，进行基于PPG信号的无袖带式血压估计算法研究。首先，从PPG信号及其导数中提取32个时域和频域特征；然后，利用Pearson相关系数对特征进行评价；接着，结合启发式搜索方法筛选出最优特征子集；最后，通过随机森林模型预测受试者的动态血压值。经实验验证，基于PPG信号的无袖带式血压估计算法满足AAMI标准，且DBP达到了BHS标准的A等级，SBP达到了BHS标准的B等级。

关键词：高血压；PPG；随机森林

中图分类号：TP391.4" " 文献标识码：A" 文章编号：2096-4706（2024）10-0138-05

Research on Cuff-less Blood Pressure Estimation Algorithm Based on PPG Signal

LI Zhongde， QIN Caijie， LI Yong

（Sanming University， Sanming" 365004， China）

Abstract： Aiming at the problem that traditional daily blood pressure detection methods are mostly intermittent detection， which can not comprehensively evaluate the dynamic physiological parameter of blood pressure， this paper conducts to research the cuff-less blood pressure estimation algorithm based on PPG signal. Firstly， 32 features in the time and frequency domains are extracted from the PPG signal and its derivatives. Then， the Pearson correlation coefficient is used to evaluate the features， and the heuristic search method is adopted to screen out the optimal feature subset. Finally， the Random Forest model is employed to predict the blood pressure of the subject. The experimental results show that the cuff-less blood pressure estimation algorithm based on PPG signal meets the AAMI standard， while the DBP reaches grade A of the BHS standard， and the SBP reaches grade B of the BHS standard.

Keywords： hypertension; PPG; Random Forest

0" 引" 言

近年来，心脑血管疾病的患病率呈逐年上升的趋势，而高血压是心脑血管疾病最主要的诱发因素之一[1]。高血压患者的早期症状并不明显，需要患者进行日常监控和自我管理，以遏制高血压疾病的发展。传统的血压监测方法包括动脉插管法、听诊法、示波法、容积补偿法等。其中，动脉插管法能够获得连续精准的血压值，但对患者的损伤较大，适合重症患者的监测；听诊法和示波法是目前常用的两种血压监测方法，都属于间断式监测，且袖带充放气过程会给患者带来不适，不适合新生儿、皮肤损伤以及臂围过大的患者；容积补偿法可实现血压的连续监测，但硬件系统较复杂，成本较高，不适合家庭的日常血压监测。

人体血压是一个动态的生理参数，具有昼夜节律，容易受情绪变化或外界刺激而产生波动[2]。现有的间断式监测方法无法全面评估人体血压，急需无创的连续血压监测方法。光电容积脉搏波描记法（Photo Plethysmo Graphy， PPG）是一种无创的光学检测技术，可记录由心脏收缩引起的皮肤下血管组织中血容量的变化。血容量在心脏搏动作用下呈脉动性变化，因此PPG信号中包含丰富的心血管生理信息，常被用来评估血氧、心率、呼吸率、血糖等表示血压动力学的参数[3-6]。且PPG所需的硬件结构简单、成本低、无创、便携，适用于低功耗的可穿戴设备。因此本文采用基于指端的PPG信号，消除了传统袖带式血压检测的束缚，属于无袖带式血压检测模式。并结合机器学习算法，对血压进行连续估计，输出收缩压（systolic pressure， SBP）和舒张压（distolic pressure， DBP）的值。

1" 研究现状

传统的连续血压预测方法包括基于脉搏波传输时间和基于脉搏波特征参数的方法。

1.1" 基于脉搏波传输时间的连续血压预测方法

血压与脉搏波传输速度相关[7]，而脉搏波传输速度可通过脉搏波传输时间（Pulse Transit Time， PTT）来计算。PTT通过计算不同动脉部位的两路PPG信号，或者PPG和心电信号（Electro Cardio Gram， ECG）信号的传输时间差来获得。

Kim等[8]通过测量手指不同部位的两路PPG信号波峰的时间差，利用回归公式计算血压，获得了约5%的误差率。Sagirova等[9]通过计算ECG的R峰与PPG波峰的时间间隔，并基于线性回归方法获得SBP和DBP，得到SBP、DBP的误差分别为0.32±3.63 mmHg、0.61±2.95 mmHg。

基于脉搏波传输时间的连续血压预测方法需要同时采集两路生理信号，患者需佩戴多个传感器，增加了设备的复杂度；同时，两路生理信号需要对齐配准，增加了该方法的使用难度。

1.2" 基于脉搏波特征参数的连续血压预测方法

基于脉搏波特征参数的连续血压预测方法需要先提取PPG信号的形态特征，再利用机器学习的方法建立血压预测模型。

Chen等[10]从MIMIC公开数据集的PPG信号和ECG信号中，提取PTT、心率、K值等14个特征，并采用支持向量机回归方法，引入MIV特征选择方法和GA参数优化方法进行特征选择，得到的SBP、DBP误差分别为3.27±5.52 mmHg、1.16±1.97 mmHg。Thambiraj等[11]从MIMIC公开数据集的PPG和ECG信号中，提取脉冲传输时间、Womersley参数、基于ECG的特征和基于PPG的特征等43个特征，对比了5种常用的机器学习建模方法，结合特征选择的随机森林回归模型获得了最优性能，SBP、DBP的误差分别为9.54 mmHg、5.48 mmHg。El-Hajj等[12]从PPG信号及其导数中提取52个特征，经过特征选择后减少到24个，采用由LSTM和GRU组成的RNN模型的变体，在MIMIC公开数据集上获得的SBP、DBP误差分别为4.51±7.81 mmHg、2.6±4.41 mmHg。

基于脉搏波特征参数的连续血压预测方法可深度挖掘PPG信号中与血压相关的特征，采用的机器学习模型轻量化，适合部署在可穿戴设备上。很多连续血压预测研究采用了PPG信号结合ECG信号的方法，确实能够引入更多的生理信息，提高模型精度。但该方法需要两种传感器，难以部署到智能手机等硬件受限制的移动设备上，且两类信号还存在对齐配准等难点。

为此，本文从PPG信号及其导数中提取32个时域和频域特征，采用Pearson相关系数对特征进行评价，结合启发式搜索方法筛选出最优特征子集，利用随机森林模型预测动态血压值。

2" 材料与方法

2.1" 数据集

本文利用CMS 50E脉搏血氧仪采集15名健康受试者指端的PPG信号，采集频率为60 Hz，并通过PC端同步存储采集的PPG信号。同时，利用欧姆龙袖带式电子血压计采集这些受试者的血压，作为收缩压和舒张压的参考值。在静息状态下，健康受试者的血压值一般会保持稳定。为了验证本文提出的连续血压估计模型的准确性，设计了适度运动，如平稳走路、不同运动量的爬楼梯等，改变受试者的血压，获得每个受试者不同的血压参考值。受试者指端PPG信号和血压采集方案时序图如图1所示。

2.2" 数据预处理

2.2.1" 滤波处理

PPG信号是一种微弱的电信号，易受基线漂移、工频干扰等噪声影响，导致信号形态的改变，影响后续的模型分析，因此需对PPG信号进行滤波降噪处理。考虑到基线漂移和工频干扰在频谱上分别表现为低频和高频的成分，本文采用四阶的巴特沃斯带通滤波器进行滤波，滤波器的截止频率为0.5～40 Hz。

2.2.2" 分割处理

每次采集30 s的PPG信号及其对应的血压参考值，截取中段5 s的PPG信号用于后续的波形特征提取。

2.2.3" 归一化处理

为使模型训练过程更加稳定并提高收敛速度，PPG信号在输入机器学习模型前需进行标准化。本文通过Min-Max方法去除PPG信号幅值量纲，使PPG信号幅值在[0，1]区间内。

式中：ymax和ymin分别为该段信号的最大值和最小值。

PPG信号经过以上预处理后，可获得75个高质量的PPG信号片段。PPG信号的一阶导数速度光电容积脉搏波和二阶导数加速度光电容积脉搏波中也包含了大量与血压相关的生理信息[13，14]。为了丰富输入的数据信息，本文将PPG及其一阶导数速度光电容积脉搏波和二阶导数加速度光电容积脉搏波共同纳入输入数据集，并按照4：1的比例划分为训练集和测试集。

2.3" 特征提取

在提取特征之前，需要准确定位每个PPG信号片段及其导数的基准点，如波峰、波谷等。由于采集的PPG信号并不是完美的周期性波形，因此在定位基准点时存在难度。本文采用HeartPy工具箱提供的自适应峰值监测算法[15]来定位波形的基准点。

首先，采用不同的FIR滤波器和异常值检测方案对PPG信号进行预处理；然后，利用基于移动平均值的自适应阈值和感兴趣区域来检测PPG信号的峰值，阈值根据瞬时心率和峰峰值间隔的标准偏差进行调整；最后，通过离群值检测来校正监测的峰值。

PPG信号波形包含上升周期（Systolic Cycle）和下降周期（Diastolic Cycle）。PPG信号波形的形态学特征主要来自其振幅和宽度，如在原始的脉搏波上收缩压的振幅与心脉搏输出量有关[16]；PPG振幅一半处的宽度是总外周阻力的潜在指标[17]；上升周期时间可用于区分心血管疾病等[18]。本文提取32个PPG信号及其导数的特征参数，特征参数的描述如表1所示。

2.4" 特征选择

从PPG信号中提取的32个特征包括冗余特征和不相关特征，会增加模型的复杂度并引起过拟合的风险。为平衡连续血压估计模型的复杂度和准确性，本文采用Pearson相关系数评估这32个特征。

Pearson相关系数可监测两个连续性变量之间的线性相关程度，其绝对值越大意味着线性相关程度越高。

式中：rx， y为x和y的相关系数，x和y分别为两个连续性变量， 和" 分别为两个连续性变量的均值。

Pearson相关系数排在前十的特征如图2所示。

为了更好地筛选特征子集，根据特征的相关系数rx， y，利用启发式搜索方法筛选最优特征子集，特征选择方法伪代码如下：

输入：数据集D = （x1，x2，…，xn），其中xi = （，，…，），特征集合为F = （ f1，f2，…，fd）

输出：最优特征子集S

1）初始化，，已选特征子集 ；

2）特征评估，对于每个特征f ∈ F，计算其Pearson相关系数，并根据相关系数值进行降序排列，构成的特征集合记为F′；

3）选择Pearson相关系数值最大的特征fr max，令

F′ = F′ - { fr max}，S = S + { fr max}；

4）取F′中的下一个特征，如果为空，则算法停止，否则执行下一步；

5）以所选择的分类器的效果为判据J，从候选特征集合F′中按照评价标准排序选择特征，假设当前已选的特征子集为St，当前判据值为Jt，依序从候选特征集合F′选中fi加入当前特征子集St，即St+1 = St + {fi}，加入后所得的新判据值为Ji+1；若Jt+1＜Jt，则从St+1中删除fi，并返回上一步；否则保留fi，并更新判据值，返回上一步继续迭代；

6）最终所选的特征集合S即为最优特征子集。

采用基于Pearson相关系数以及启发式搜索方法筛选出的最优特征子集包括13个特征，除图2中的10个特征外，还有V、VW_VPG、VW_APG。

2.5" 机器学习模型

随机森林可整合多棵决策树并用来预测最终结果，模型示意图如图3所示。

随机森林回归（RFR）是随机森林的重要应用分支，它能够建立输入和输出间的非线性关系、具有较强的抗过拟合能力、对训练的噪声不敏感。针对以上特点并综合项目的实际需求，本文采用RFR构建血压模型。

3" 实验结果

本文以最优特征子集为输入，采用随机森林模型进行连续血压估计，得到的收缩压和舒张压预测结果分别如表2和表3所示。

美国医疗器械促进协会（American association for the advancement of medical instrumentation， AAMI）制定的血压误差标准：收缩压和舒张压平均误差小于5 mmHg，标准差小于8 mmHg [19]。但由于平均误差和标准差易受异常值的影响，英国高血压协会（British hypertension society， BHS）采用误差介于5 mmHg、10 mmHg和15 mmHg范围内的累计百分比来评价血压的监测结果[20]。

由表2可以看出，本文算法预测的血压值满足了AAMI标准。由表3可以看出，本文算法预测的DBP达到了BHS标准的A等级，SBP达到了BHS标准的B等级。

此外，从实验结果可以看出，DBP的预测效果比SBP更好。因为SBP的波动范围比DBP大得多，导致了更高的预测误差。

4" 结" 论

本文提出了一种基于PPG信号的无袖带式连续血压估计算法。通过从PPG信号及其导数中提取32个特征，深度挖掘与血压相关的因素；采用Pearson相关系数对32个特征进行评价，并结合启发式搜索方法筛选出最优特征子集；利用随机森林模型对血压值进行估计。所提出的算法满足AAMI标准，且DBP达到了BHS标准的A等级，SBP达到了BHS标准的B等级。所提出的算法仅使用有潜力的PPG信号，不需要同步采集两路信号，减少了硬件的消耗，且所采用的模型易于部署在可穿戴设备上，为将来利用便携式可穿戴设备进行血压预测提供了简单有效的解决方案。

参考文献：

[1] 钟秀英.脑卒中患者的临床护理 [J].中国校医，2015，29（11）：864+866.

[2] KEI A，MICHIHIRO S，MASAHIRO K. Diurnal Blood Pressure Changes [J].Hypertens Res，2018，41（9）：669-678.

[3] KHAN M，PRETTY C G，AMIES A C，et al. Peripheral Venous Blood Oxygen Saturation can be Non-Invasively Estimated Using Photoplethysmography [J].Conf Proc IEEE Eng Med Biol Soc，2015，2015：6405-6408.

[4] SHAHID I，IMRAN S，USMAN A. Heart Rate Estimation in PPG Signals Using Convolutional-Recurrent Regressor A [J/OL].Comput Biol Med，2022，145：105470[2023-07-19].https：//doi.org/10.1016/j.compbiomed.2022.105470.

[5] JARCHI D，SALVI D，TARASSENKO L，et al. Validation of Instantaneous Respiratory Rate Using Reflectance PPG from Different Body Positions [J/OL].Sensors （Basel），2018，18（11）：3705（2018-10-31）.https：//doi.org/10.3390/s18113705.

[6] LI J J，QU Z P，WANG Y W，et al. Research on Multi-Parameter Fusion Non-Invasive Blood Glucose Detection Method Based on Machine Learning [J].Eur Rev Med Pharmacol Sci，2022，26（17）：6040-6049.

[7] 李嘉玮，张劲，白中博，等.基于多波长光电容积脉搏波采集系统的连续血压测量方法 [J].计算机应用，2021，41（S2）：351-356.

[8] KIM S C，CHO S H. Blood Pressure Estimation Algorithm Based on Photoplethysmography Pulse Analyses [J/OL].Applied Sciences，2020，10（12）：4068（2020-06-12）.https：//doi.org/10.3390/app10124068.

[9] SAGIROVA Z，KUZNETSOVA N，GOGIBERIDZE N，et al. Cuffless Blood Pressure Measurement Using a Smartphone-Case Based ECG Monitor with Photoplethysmography in Hypertensive Patients [J/OL].Sensors （Basel），2021，21（10）：3525（2021-05-19）.https：//doi.org/10.3390/s21103525.

[10] CHEN S，JI Z，WU H，et al. A Non-Invasive Continuous Blood Pressure Estimation Approach Based on Machine Learning [J].Sensors （Basel），2019，19（11）：2585（2019-06-06）.https：//www.mdpi.com/1424-8220/19/11/2585.

[11] THAMBIRAJ G，GANDHI U，MANGALANATHAN U，et al. Investigation on the Effect of Womersley Number， ECG and PPG Features for Cuff Less Blood Pressure Estimation Using Machine Learning [J/OL].Biomedical Signal Processing and Control，2020，60：101942（2020-05-07）.https：//doi.org/10.1016/j.bspc.2020.101942.

[12] EL-HAJJ C，KYRIACOU P A. Cuffless Blood Pressure Estimation From PPG Signals and its Derivatives Using Deep Learning Models [J].Biomedical Signal Processing and Control，2021，70（8）：102984（2021-08-02）.https：//doi.org/10.1016/j.bspc.2021.102984.

[13] AHN J M. New Aging Index Using Signal Features of Both Photoplethysmograms and Acceleration Plethysmograms [J].Healthcare Informatics Research，2017，23（1）：53-59.

[14] BAEK H J，KIM J S，KIM Y S，et al. Second Derivative of Photoplethysmography for Estimating Vascular Aging [C]//2007 6th International Special Topic Conference on Information Technology Applications in Biomedicine.Tokyo：IEEE，2007：70-72.

[15] VAN GENT P，FARAH H，VAN NES N，et al.HeartPy： a Novel Heart Rate Algorithm for the Analysis of Noisy Signals [J].TransportationResearchPartF： PsychologyandBehaviour，2019，66：368-378.

[16] MURRAY W B，FOSTER P A. The Peripheral Pulse Wave： Information Overlooked [J]. J. Clin. Monit，1996，12（5）：365-377.

[17] AWAD A A，HADDADIN A S，TANTAWY H，et al. The Relationship Between the Photoplethysmographic Waveform and Systemic Vascular Resistance [J].Journal of Clinical Monitoring and Computing，2007，21（6）：365-372.

[18] ALTY S，MILLASSEAU S，CHOWIENCZYK P，et al. Cardiovascular Disease Prediction Using Support Vector Machines [C]//2003 46th Midwest Symposium on Circuits and Systems.Cairo：IEEE，2003：376-379.

[19] Association for the Advancement of Medical Instrumentation. Manual， Electronic or Automated Sphygmomanometers ANSI：SP10-2002 [S].Arlington：AAMI，2003.

[20] EOIN O'B，JAMES P，WILLIAM L，et al. The British Hypertension Society Protocol for the Evaluation of Blood Pressure Measuring Devices [J].Journal of Hypertension，1993，11（6）：677-679.

作者简介：黎钟德（2000—），男，汉族，海南海口人，本科在读，主要研究方向：人工智能；秦彩杰（1982—），女，汉族，山东烟台人，副教授，硕士，主要研究方向：人工智能；李勇（1979—），男，汉族，山东济南人，实验师，硕士，主要研究方向：多媒体技术与应用、人工智能交叉应用。