基于多波长脉搏波的血压预测方法

摘要：为便于对高血压患者进行长期血压监测，提出一种基于多波长脉搏波的血压预测方法。首先，利用多波长脉搏波信号采集系统获取多波长脉搏波信号，并从中推导出脉搏传导时间；然后，结合多波长脉搏波的其他特征构建特征向量矩阵；并利用Lasso回归先对特征向量矩阵进行筛选，再进行血压预测。实验结果表明，该方法准确性较高，预测收缩压、舒张压的平均绝对误差分别为4.92、5.68"mmHg，标准差分别为6.15、6.68"mmHg，可作为血压测量的有效补充方法。

关键词：多波长脉搏波；血压预测；Lasso回归；脉搏传导时间

中图分类号：R318; TP181"""""""""文献标志码：A""""""""文章编号：1674-2605（2025）01-0007-06

DOI：10.3969/j.issn.1674-2605.2025.01.007"""""""""""""""""""""开放获取

Blood Pressure Prediction Method Based on Multi-wavelength Pulse Wave

GUO"Bin""YANG"Qiyu

（Guangdong University of Technology， Guangzhou 510006， China）

Abstract： To facilitate long-term blood pressure monitoring of hypertensive patients， a blood pressure prediction method based on multi wavelength pulse wave is proposed. Firstly， using a multi wavelength pulse wave signal acquisition system to obtain multi wavelength pulse wave signals， and deriving pulse transit time from them. Then， a feature vector matrix is constructed by combining other features of multi wavelength pulse wave， and use Lasso regression to screen the feature vector matrix first， and then perform blood pressure prediction. The experimental results show that this method has high accuracy， with average absolute errors of 4.92 and 5.68 mmHg in predicting systolic and diastolic blood pressure， and standard deviations of 6.15 and 6.68 mmHg， respectively. It can be used as an effective supplementary method for blood pressure measurement.

Keywords："multi-wavelength pulse wave; blood pressure prediction; Lasso regression; pulse transit time

0 引言

心血管疾病严重危害人类的生命健康，每年造成约1"040万人死亡^[1]。高血压不仅是心血管疾病的主要病因之一，还可能对心脏、大脑、肾脏、视网膜等器官造成伤害，甚至引发心肌梗死、脑出血、肾衰竭等危重症状^[2]。近年来，随着人口老龄化、肥胖等因素的影响，全球高血压患者数量呈上升趋势。根据世界卫生组织的报告，在过去30年里，高血压患者的数量翻了一番，目前已超过12亿人^[3]。对高血压患者进行长期、准确的血压监测，可以帮助临床医生更好

地诊断病情。

脉搏波是心脏收缩引起的血液脉冲在动脉传播过程中产生的波动。光电容积脉搏波描记法（photo plethysmo graphy，"PPG）是一种低成本、无创、简单的生理信号检测方法，用于获取外周部位（指尖、耳垂和脚趾等）的动脉心血管信号。通过PPG信号可获得与血压相关的重要临床参数，如心率（heart rate，"HR）、脉搏传导时间（pulse transit"time，"PTT）、脉冲波速（pulse wave velocity， PWV）等。

近年来，PPG信号表征和分析的相关研究已有报

道^[4-6]，文献[7]采用嵌入式设备从单个传感器节点获取多波长光电容积脉搏波（multi-wavelength PPG， MVPPG）信号，并从中提取小动脉PTT来预测血压，相较于传统基于PTT的血压预测方法准确性更高；但该方法需要对每个个体建立模型，应用范围较为局限。文献[8]采用与文献[7]相同的方法获取MVPPG信号，利用不同波长PPG信号之间的相位不相干特性建立血压线性模型，但该模型使用的特征较为单一，其预测准确性还有较大提升空间。

针对现有研究存在的问题，本文提出一种基于多波长脉搏波的血压预测方法。该方法将从MVPPG信号中提取出的PTT特征、PPG信号特征与Lasso回归相结合，对血压进行长期、准确地预测。

1 相关理论基础

1.1 "MVPPG信号

MVPPG信号是指利用多个波长的光获取的脉搏波信号。因为皮肤具有层状结构，所以不同波长的光进入皮肤的穿透深度不同，导致光学接收器产生的PPG信号也不同。将不同的PPG信号在时间轴上对齐，即可获取MVPPG信号。一组典型的MVPPG信号如图1所示。

如图1所示，MVPPG信号不仅存在信号强度差异，还存在相位差，这是因为心脏产生的血液脉冲沿血管传播时，在不同时间依次到达外周动脉、小动脉和毛细血管。因此，MVPPG信号相较于PPG信号，可以从更多维度来反映人体的信息，在医疗监测和生理学研究中具有重要意义。

1.2""PTT模型

2 预测方法及原理

2.1 MVPPG信号采集

MAX30101是一款用于监测脉搏血氧饱和度与HR的集成模块。本文将2个MAX30101模块分别置于右手食指的近掌骨指节和远掌骨指节处，用于获取这2个位置的MVPPG信号。每个位置的MVPPG信号均包括红外光PPG信号、红光PPG信号和绿光PPG信号。

STM32F103主控芯片用于数据的缓存及传输，其通过I²C通信协议与MAX30101模块连接，通过串口将缓存数据传输至QT上位机。

QT上位机在Intel i5 13600KF上搭建Windows 10操作系统，并采用QT 5.12.10软件编写界面，能够可视化采集的MVPPG信号，丢弃波动较大的MV-PPG信号。

2.2 MVPPG信号预处理及特征选取

通过对MVPPG信号进行预处理，可提取有用特征，去除噪声干扰。本文采用0.5～5 Hz的二阶Butter-worth带通滤波器，去除采集MVPPG信号时，因呼吸或肌肉震颤而引起的基线漂移和高频噪声。

血压预测采用的特征主要分为三部分：第一部分主要包括年龄、BMI指数、HR、血氧值，如表1所示；第二部分主要包括由MVPPG信号获取的PTT，以及其与HR相关的数学运算，如表2所示；第三部分主要包括MVPPG信号及其一阶导数、二阶导数的重要特征，如表3所示，特征获取示意图如图4所示。

第三部分特征分别提取2个采集点的红外光PPG信号、红光PPG信号和绿光PPG信号等6种PPG信号的10个特征，共60个特征。将这60个特征与表1、2的13个特征融合，形成73维的特征向量矩阵X，用于血压预测。

2.3""Lasso回归

最小绝对收缩和选择算法（least absolute shrink-age and selection operator， Lasso）回归是一种线性回归的正则化方法，可解决线性回归面临的过拟合问题。MVPPG信号比PPG信号增加了更多维度，引入了更多特征。Lasso回归通过在损失函数中引入L1正则化项，使模型权重向量中的部分权重为零，从而实现多重特征选择。

本文利用Lasso回归模型来完成特征筛选和血压预测。采用两次迭代的方法生成Lasso回归模型参数用于最终的血压预测：第一次迭代记录Lasso回归生成的参数向量，保留权重系数较大的特征向量，移除权重系数较小的特征向量；第二次迭代使用第一次迭代更新后的特征向量矩阵，重新训练Lasso模型参数，完成对SBP、DBP的预测，并计算SBP、DBP的预测值与实际值的平均绝对误差，得到最终的实验结果。血压预测流程图如图5所示。

3 "实验

3.1 "实验设置

本实验数据来源于MVPPG信号采集系统采集的实验室人员26组MVPPG信号，采样率为500 Hz。DBP范围为62～96 mmHg，SBP范围为96～134 mmHg，血压值分布如图6所示。

实验硬件环境为Intel i5 13600KF处理器，操作系统为Windows 10，内存为32 GB，软件环境为MATLAB R2021a版本。本实验利用欧姆龙血压计测量的SBP、DBP作为参考血压。

3.2""实验结果及分析

为验证本文提出的基于多波长脉搏波的血压预测方法的有效性，将其与多元线性回归^[12]、决策树^[13]、基于PPG信号的Lasso回归^[14]3种方法进行血压预测对比实验。血压预测常用的评价指标有平均绝对误差（mean absolute error，"MAE）和标准差（standard deviat-ion，"STD），其值越小，代表预测值越接近于真实值。美国医疗器械发展协会规定，血压测量仪器的MAE应小于5"mmHg，STD应小于8"mmHg^[5]。

由于数据样本较少，为确保实验结果的可靠性，采用26折交叉验证，并取其平均值作为最终结果，如表4所示。

由表4可以看出：本文方法相较于多元线性回归、决策树与基于PPG信号的Lasso回归方法，SBP的预测准确性更高，DBP的预测准确性还有提升空间；且与基于PPG信号的Lasso回归采用233个特征进行血压预测相比，本文方法在特征数（73）更少的情况下，SBP的预测准确性更高，证明了本文方法的有效性。

4 "结论

本文提出一种基于多波长脉搏波的血压预测方法。该方法将MVPPG信号与Lasso回归相结合，有效提高了血压预测的准确性，可用于无袖套、长期血压预测。但本文使用的数据集数据量较少，未来需要包含更多MVPPG信号的数据集进行进一步验证。

©The author（s） 2024. This is an open access article under the CC BY-NC-ND 4.0 License （https：//creativecommons.org/licenses/ by-nc-nd/4.0/）

参考文献

[1] ZHOU B， PEREL P， MENSAH G A， et al. Global epidemiology， health burden and effective interventions for elevated blood pressure and hypertension[J]. Nature Reviews Cardiology， 2021， 18（11）：785-802.

[2] SUVILA K， NIIRANEN T J. Interrelations between high blood pressure， organ damage， and cardiovascular disease： no more room for doubt[J]. Hypertension， 2022，79（3）：516-517.

[3] ZHOU B， CARRILLO-LARCO R M， DANAEI G， et al. Worldwide trends in hypertension prevalence and progress in treatment and control from 1990 to 2019： a pooled analysis of 1201 population-representative studies with 104 million partici-pants[J]. The Lancet， 2021，398（10304）：957-980.

[4] LOH H W， XU S， FAUST O， et al. Application of photoplethys-mography signals for healthcare systems： An in-depth review[J]. Computer Methods and Programs in Biomedicine， 2022，216： 106677.

[5] QIN C， WANG X， XU G， et al. Advances in Cuffless Continu-ous Blood Pressure Monitoring Technology Based on PPG Signals[J]. BioMed Research International， 2022，2022（1）：809-4351.

[6] CHARLTON P H， PALIAKAITĖ B， PILT K， et al. Assessing hemodynamics from the photoplethysmogram to gain insights into vascular age： A review from VascAgeNet[J]. American Journal of Physiology-Heart and Circulatory Physiology， 2022， 322（4）：493-522.

[7] LIU J， YAN B P， ZHANG Y T， et al. Multi-wavelength photoplethysmography enabling continuous blood pressure measurement with compact wearable electronics[J]. IEEE Tran-sactions on Biomedical Engineering， 2018，66（6）：1514-1525.

[8]"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.

[9] LAZAZZERA R， BELHAJ Y， CARRAULT G. A new wearable device for blood pressure estimation using photoplethysmo-gram[J]. Sensors， 2019，19（11）：2557.

[10] KIM S C， CHO S H. Blood pressure estimation algorithm based on photoplethysmography pulse analyses[J]. Applied Sciences， 2020，10（12）：4068.

[11] BOTE J M， RECAS J， HERMIDA R. Evaluation of blood pressure estimation models based on pulse arrival time[J]. Computers amp; Electrical Engineering， 2020，84：106616.

[12] HADDAD S， BOUKHAYMA A， CAIZZONE A. Continuous PPG-based blood pressure monitoring using multi-linear re-gression[J]. IEEE Journal of Biomedical and Health Informa-tics， 2021，26（5）：2096-2105.

[13] HASANZADEH N， AHMADI M M， MOHAMMADZADE H. Blood pressure estimation using photoplethysmogram signal and its morphological features[J]. IEEE Sensors Journal， 2019，20（8）：4300-4310.

[14] DEY J， GAURAV A， TIWARI V N. InstaBP： Cuff-less blood pressure monitoring on smartphone using single PPG sensor [C]//2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society （EMBC）. IEEE， 2018：5002-5005.

作者简介：

郭彬，男，1999年生，硕士研究生，主要研究方向：生物医药信号处理。E-mail： 2300795815@qq.com

杨其宇，男，1977年生，博士研究生，副教授，主要研究方向：生物医药信号处理。E-mail："yangqiyu@gdut.edu.cn