一种基于PPG及其多阶微分信号的血压连续测量方法

技术领域

本发明涉及血压测量方法技术领域，尤其涉及一种基于PPG及其多阶微分信号的血压连续测量方法。

背景技术

PPG(光电容积脉搏波描记法)的理论背景涉及到光的吸收和散射，以及人体血液的光学特性，即血液可以吸收和反射不同波长的光。PPG是一种非侵入性的光电测量技术，装置简单、易于携带且不会对人体造成损伤，用于测量每次脉冲的血容量变化。在大多数PPG技术应用中，传感器被放置在皮肤表面照射皮肤组织，透过皮肤组织的光线由组织层和亚层波长相关的光学特性进行调制。对于肌肉、静脉、骨骼以及其他连接组织，这些非脉动性以及相对连续的直流(DC)成分对光的吸收恒定不变；但血液因流动特性，对光的吸收会有所变化。PPG原始信号的高频部分，也称为交流(AC)成分，包含有关心脏搏动的信息，与心跳同步变化。通过光强变化记录动脉血管中血流量的变化情况，目前市场上各类智能手环、手表等脉搏信号采集端口用的就是此种方法。

国内外学者在基于PPG原始信号连续血压测量方法上已经做了大量研究。该方法对于那些需要长期监测血压的患者或健康人群来说，具有很大的实用价值。该项技术的主要优势在于：

连续实时监测

传统的血压测量需要使用袖带和听诊器等设备，操作较为繁琐，并且只能测量离散的血压值。而基于PPG原始信号实现血压连续测量可以实时监测。

非侵入性测量

传统的血压测量需要使用倾入或袖带压迫血管，对人体有一定的刺激性，而PPG原始信号测量不需要侵入与压迫血管，更加安全和舒适。

健康管理

基于PPG原始信号的血压连续测量可以将测量数据记录下来，并且可以通过智能算法进行分析和处理，从而帮助用户进行健康管理和预防疾病。

光电容积脉搏波描记法(PPG)通过光敏二极管等器件来记录血流反射光或透射光的光强变化，通过光强变化记录动脉血管中血流量的变化情况。目前市场上多种智能手环的脉搏信号采集端采用的就是此种方式，其中动脉血压是PPG原始信号变化的主要原因，基于PPG原始信号实现血压监测受到广泛研究。以下为种常用血压预测评估标准。即：AAMI协会规定的血压测量仪器测量误差应满足5±8mmHg以内。

Geddes等人提出利用心电图R波和脉搏波之间的传导时间间隔(PTT)来推算收缩压和舒张压的数值。此方法需要在两个不同的部位放置两个传感器，测量两个位置的脉搏波传播时间差，得知PTT/PWV是脉搏波在动脉两个部位之间传播所需时间或速度。因此，可以通过从PPG和其他动脉波形(一个近端和一个远端)检测PTT/PWA并将其校准来计算血压。但基于PWV/PTT实现血压预测存在一定的局限性。一方面PWV/PTT会因动脉硬化等疾病的生理因素影响，从而影响动脉压或脉搏波在整个动脉中的传输，例如衰老会改变动脉壁的组成，年龄的增长会使得血管中的弹性蛋白被胶原蛋白取代，降低动脉顺应性，进而降低了PWV/PTT，因此基于该方法的血压监测可能需要频繁校准。

PPG波形形态包含丰富的生理病理信息，与心血管系统密切相关。脉搏波分析(Pulse wave analysis,PWA)旨在通过提取PPG及其衍生物的丰富特征来消除脉搏波的生理意义，并结合机器学习来估计血压。现有研究采用的特征可以分为时域特征、频域特征、人口统计信息等。张广等人(专利号：CN202110772316.2)通过提取ECG，PPG中的多元特征实现收缩压与舒张压的连续预测，但该方法虽然从生理学的角度探讨了特征与血压、心血管状态之间的关系，但并未经过临床数据验证，难以确定血压与脉搏波形参数之间的数学物理关系，同时不能有效预测血压波形的动态变化。

近年来，随着深度学习的快速发展，许多研究倾向于将原始PPG原始信号作为输入，利用深度学习在提取复杂高维特征和先进卷积计算能力方面的优势进行连续血压监测。陈鹏等人(专利号：CN202211306415.2)利用卷积神经网络搭建基于PPG原始信号的血压预测模型。但是并未从其微分信号中寻找有效特征用于模型训练，由于个体之间血压的差异，即使是在大规模数据集上训练的深度学习模型也不能完全学习血压，其次现有研究大多仅预测血压中的收缩压与舒张压的值，未能做到血压波形的动态连续测量。

发明内容

1)目前基于人工提取特征实现血压预测方法对PPG原始信号、一阶二阶微分信号进行了波形特征的提取。但该类方法需要人工计算相关波形特征，不能充分利用深度学习中自动提取高维信息特征来预测血压的优势。

2)目前基于深度学习自提取特征的方法仅从PPG原始信号进行模型的搭建与训练，未能从其多阶微分信号中充分挖掘相关信息用于模型的输入训练。

3)目前基于人工提取特征与深度学习的两种血压预测方法仅能预测出连续血压周期中的收缩压与舒张压，不能够做到血压动态波形的有效预测。

因此，鉴于现有技术中的血压测量方法存在的上述不足，本发明提供了一种基于PPG及其多阶微分信号的血压连续测量方法，其通过单通道PPG原始信号、高效滤波与质量评估筛选，分别从PPG原始信号、一阶微分信号、二阶微分信号与三阶微分信号进行多维度分析，采用深度学习中BiLSTM网络架构，搭建连续血压波形预测模型，通过排列组合不同信号输入的训练方式，找到预测误差结果的最优解，实现血压波形的动态预测。

为实现上述目的，本发明提供了如下的技术方案：

一种基于PPG及其多阶微分信号的血压连续测量方法，包括如下步骤：

S1、数据解析与获取

从数据库中解析下载单通道PPG原始信号数据和对应血压信号数据；

S2、信号去噪

设计四阶带通滤波器消除PPG原始信号中的高频和低频干扰，根据PPG原始信号特点和噪声特征，去除基线漂移；

S3、周期划分

根据相邻两个心跳周期的长度是否连续将PPG原始信号分成若干个周期，利用峰值检测算法，根据数据特点设定阈值识别PPG主波峰波谷，将数据幅值取负，同理波峰探测识别信号主波波谷，在已经获得的PPG原始信号波峰及起点值之间，遍历逐一检查PPG原始信号波峰与起点位置的对应关系，并将实验数据划分为周期序列；

S4、质量评估筛选

首先，通过重采样将相邻信号周期序列采样点一致，计算相邻周期的皮尔逊系数，设定阈值，并删除无效信号；

其次，计算平均脉搏周期与每个脉搏周期间标准欧氏距离，去除不良信号，选取平稳序列片段，并使用线性归一化对数据等比缩放使结果映射到[0,1]的范围内，简化增强PPG原始信号的分析过程；

S5、血压预测模型构建与评估

提取PPG原始信号的一阶、二阶、三阶微分信号，通过搭建基于BiLSTM模型的网络框架，分别排列组合出模型训练的输入方式，预测出连续血压的动态变化，并计算血压预测误差，寻找最优结果，并验证该方法的有效性。

优选地，S1中，数据库为MIMIC-II数据库中的UCI-BP数据集。

优选地，S2中，根据巴特沃斯滤波器设计四阶带通滤波器。

优选地，S2中，利用小波分解与重构的方法，去除基线漂移。

优选地，S4中，通过计算相邻周期间的皮尔逊系数，并比较整个数据的平均脉搏周期与单个脉搏周期的欧氏距离，低于阈值的脉搏周期序列视为不良周期信号删除。

优选地，所述皮尔逊系数和所述欧氏距离的阈值均为0.8。

优选地，S5中，最优排列组合为：PPG原始信号+一阶微分信号+二阶微分信号。

本发明相对于现有技术，具有如下的有益效果：

1)本发明能够仅利用单通道PPG原始信号实现连续血压波形的动态预测，并提高预测结果的准确性。现有技术大多仅从PPG原始信号进行血压预测分析，本发明融入一阶至三阶的PPG微分信号后，提升了血压预测结果的准确性，其结果如表1所示。

2)本发明能够有效识别PPG原始信号中质量较低的周期信号与序列片段。因为通过基于皮尔逊系数的方法，根据相邻周期间相关性高的特点，能有效去除质量差的脉搏周期，其次，比较总脉搏平均周期序列与单个脉搏周期欧氏距离，有效识别不良脉搏周期信号，做到有效删除。

3)本发明不需要其他通道的ECG或PPG原始信号，而大多研究需要其他通道信号作为辅助，增加了操作的繁琐性与困难性。该方法仅使用单路PPG原始信号，只需采集一个部位的数据即可做到血压连续测量。

附图说明

图1为本发明的血压连续测量方法的流程图；

图2为血压预测模型最优训练方式示意图；

图3为血压波形预测图。

具体实施方式

如图1所示，本发明提供了一种基于PPG及其多阶微分信号的血压连续测量方法，包括如下步骤：

S1、数据解析与获取

从数据库中解析下载单通道PPG原始信号数据和血压信号数据，其中，数据库优选为MIMIC-II数据库中的UCI-BP数据集，血压信号数据选择100000组；

S2、信号去噪

设计四阶带通滤波器消除PPG原始信号中的高频和低频干扰，由于人体呼吸等行为而使人体皮肤跟随呼吸发生有规律的运动，会产生基线漂移。频率一般在0.15-0.6Hz左右，因此需去除基线漂移；

S2中，优选根据巴特沃斯滤波器设计四阶带通滤波器；

S2中，优选利用小波分解与重构的方法，设置母小波为Daubechies 6(db6)，去除基线漂移；

S3、周期划分

根据相邻两个心跳周期的长度是否连续将PPG原始信号分成若干个周期，利用峰值检测算法，根据数据特点设定阈值threshold为0.5，识别PPG原始信号的所有波峰，计算相邻波峰之间的时间差periods；自定义周期，设置最小周期min_period与最大周期max_period为48和125，若max_period>periods>min_period，则对应的波峰为PPG原始信号的主波峰；将数据幅值取负，同理波峰探测识别信号主波波谷，主波波谷即为信号每个周期的起点，在已经获得的PPG原始信号波峰及起点值之间，遍历逐一检查PPG原始信号波峰与起点位置的对应关系，并将实验数据划分为周期序列，其中信号中的主波谷至下一个相邻主波谷之间的数据为一个脉搏周期序列；

S4、质量评估筛选

根据脉搏波波形间相似性较高的性质，提出融合皮尔逊相关系数与欧氏距离的质量检测方法，具体如下：

首先，通过重采样将相邻信号周期序列采样点一致，计算相邻周期的皮尔逊系数，系数值越高，相似度越高，设定阈值为0.8，优选低于阈值的周期序列片段视为无效信号并删除；

其次，计算平均脉搏周期与每个脉搏周期间标准欧氏距离，设定阈值为0.8，低于该阈值的视为不良信号并去除，选取平稳序列片段，并使用线性归一化对数据等比缩放使结果映射到[0,1]的范围内，简化增强PPG原始信号的分析过程，确保提取的特征对后续血压预测过程更加公平；

S5、血压预测模型构建与评估

提取PPG原始信号的一阶、二阶、三阶微分信号，通过搭建基于深度学习中的BiLSTM模型的网络框架，分别排列组合出模型训练的输入方式，预测出连续血压的动态变化，并计算血压预测误差，寻找最优结果，并验证该方法的有效性。

现有技术中，大多数利用PPG原始信号预测血压的研究中，仅能连续检测到收缩压与舒张压的结果，而血压是一个连续动态变化的过程，因此，本发明基于上述技术方案，旨在通过仅测量单通道PPG原始信号，建立起PPG与血压之间的关系预测模型，不仅能够检测出连续的收缩压(SBP)与舒张压(DBP)的结果，同时预测出连续血压动态变化的实时波形。

通过设计高效滤波算法与质量评估筛选方法，分别从PPG原始信号、一阶微分信号、二阶微分信号与三阶微分信号进行多维度分析，采用深度学习中基于时间预测序列的双向长短时记忆网络(BiLSTM)模型，搭建连续血压波形预测模型，通过排列组合不同信号输入的训练方式，找到预测误差结果的最优解，以提高血压预测模型的普适性与准确性。

本发明在克服目前传统血压间断测量的同时，优化多数研究中仅能够连续预测收缩压与舒张压方法的局限，实现连续血压波形的动态预测，提升血压连续测量的准确性。

基于常规监测设备，具有较高的估计一致性，可以考虑为临床环境与日常生活中操作繁琐的有创血压监测提供可能的替代方案。

本发明给出了血压预测模型最优训练方式，通过对PPG预处理后的原始信号进行求导得到一阶微分信号，再求导得到二阶微分信号，再求导得到三阶微分信号。由于每次求导操作会减少一个数据样本点，因此需要对各阶导数向量进行补零操作。通过排列组合四种信号，得到模型的15种输入方式，模型采用BiLSTM对特征的时间序列特征进行建模预测，其中模型中隐藏层数设置为64，学习率设置为0.001，批量大小batchsize设置为128。结果显示当融入PPG原始信号、PPG一阶微分信号与PPG二阶微分信号时，得到最优的血压预测结果，如图2所示，

本发明的步骤S5中，基于单通道PPG原始信号与其多阶微分信号的血压预测误差结果，使用不同的训练方式进行预测结果之间的比较，如下表1：

表1：不同训练方式的预测结果

注：表1中的RMSE和R

从上述表1的内容可以看出当深度学习模型训练方式的输入方式为PPG原始、一阶、二阶微分信号三维时，均方根误差(RMSE)的误差结果为4.5085mmHg，决定系数(R

本发明提供了PPG原始信号预测的血压波形与原始血压波形之间的对比效果图，如图3所示，该图是基于表1最优预测结果，从PPG原始信号、PPG一阶二阶三阶微分信号中得到血压预测的输入方式的最优解为融合PPG原始+一阶+二阶微分信号的训练方式得出的结果。

以上，仅为本发明较佳的具体实施方式；但本发明的保护范围并不局限于此。任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其改进构思加以等同替换或改变，都应涵盖在本发明的保护范围内。