基于脈搏波傳導(dǎo)時(shí)間的ICU急性低血壓預(yù)測方法研究

張光亮，何史林，陳廣飛，李蓓，黎檀實(shí)，諸強(qiáng)

1.北京交通大學(xué)計(jì)算機(jī)與信息技術(shù)學(xué)院 生物醫(yī)學(xué)工程系，北京 100044；2.解放軍總醫(yī)院 生物醫(yī)學(xué)工程研究室，北京 100853

基于脈搏波傳導(dǎo)時(shí)間的ICU急性低血壓預(yù)測方法研究

張光亮1，何史林2，陳廣飛2，李蓓2，黎檀實(shí)2，諸強(qiáng)1

1.北京交通大學(xué)計(jì)算機(jī)與信息技術(shù)學(xué)院 生物醫(yī)學(xué)工程系，北京 100044；2.解放軍總醫(yī)院 生物醫(yī)學(xué)工程研究室，北京 100853

重癥監(jiān)護(hù)室（ICU）患者在急性低血壓發(fā)生時(shí)需要采取及時(shí)有效的干預(yù)措施，否則會(huì)引起昏厥、休克甚至死亡等嚴(yán)重后果。本文研究ICU患者的脈搏波傳導(dǎo)時(shí)間與急性低血壓發(fā)作的相關(guān)關(guān)系，并建立基于人工神經(jīng)網(wǎng)絡(luò)的急性低血壓發(fā)作預(yù)測模型。研究結(jié)果表明，脈搏波傳導(dǎo)時(shí)間與急性低血壓發(fā)作具有較高相關(guān)性，可以作為急性低血壓預(yù)測的特征指標(biāo)。

心電圖儀；ICU；急性低血壓；脈搏波傳導(dǎo)時(shí)間；BP神經(jīng)網(wǎng)絡(luò)

0 前言

在醫(yī)學(xué)上，當(dāng)血壓從正常的水平突然下降、并明顯低于正常值時(shí)，稱為急性低血壓（Acute Hypotensive Episodes，AHE)。急性低血壓通常會(huì)在血液透析、脊髓麻醉[1]、孕婦剖宮產(chǎn)[2]、心血管介入手術(shù)后[5]等情況下發(fā)生，也經(jīng)常發(fā)生在重癥監(jiān)護(hù)室（Intensive Care Units，ICU）的危重病人身上[3]。引起急性低血壓發(fā)生的因素較多，包括敗血癥、心肌梗死、心律失常、肺栓塞、病理性出血、脫水、血容量過低、心輸出量不足或血管舒張性休克等[4]，同時(shí)，也與病人自身的基礎(chǔ)臨床狀態(tài)及病史有關(guān)。AHE會(huì)導(dǎo)致全身器官血流灌注不足，如果不采取及時(shí)有效的應(yīng)對(duì)措施，會(huì)造成患者不可逆性的器官損傷，導(dǎo)致患者昏厥或休克，甚至死亡[5]。根據(jù)美國復(fù)雜生理信號(hào)研究網(wǎng)站PhysioNet2008年12月統(tǒng)計(jì)的數(shù)據(jù)顯示，ICU中發(fā)生AHE患者的死亡率達(dá)37.8%。我國各大醫(yī)院的臨床數(shù)據(jù)表明，心血管病介入術(shù)后的AHE并發(fā)癥，是一種少見卻極其兇險(xiǎn)的急癥，對(duì)它的及時(shí)發(fā)現(xiàn)和處理是介入術(shù)后處理中的一個(gè)重要問題。

現(xiàn)階段對(duì)發(fā)生急性低血壓的處理方式主要依靠臨床醫(yī)生的經(jīng)驗(yàn)進(jìn)行處置，如果可以準(zhǔn)確預(yù)測急性低血壓的發(fā)生，能為醫(yī)生及時(shí)采取應(yīng)對(duì)措施爭取時(shí)間，從而降低AHE造成的風(fēng)險(xiǎn)，具有重要的臨床意義和研究價(jià)值。目前AHE的預(yù)測方法均是采用平均動(dòng)脈壓進(jìn)行研究[6-7]，本文利用ICU 監(jiān)護(hù)參數(shù)中的脈搏波數(shù)據(jù)，分析發(fā)生與未發(fā)生急性低血壓兩種狀態(tài)時(shí)的脈搏波傳導(dǎo)時(shí)間（Pulse Wave Transit Time，PWTT）的變化特征并研究其預(yù)測急性低血壓的可行性。

1 理論基礎(chǔ)

1.1 脈搏波傳導(dǎo)時(shí)間

PWTT是指壓力脈搏在血管里相隔一定距離的兩個(gè)位置距離內(nèi)傳播所需時(shí)間△t[8]。在本研究中，以R波作為脈搏波傳導(dǎo)時(shí)間的測量起點(diǎn)，脈搏波峰點(diǎn)作為脈搏波傳導(dǎo)時(shí)間的測量終點(diǎn)，脈搏波傳導(dǎo)時(shí)間定義，見圖1。

圖1 脈搏波傳導(dǎo)時(shí)間定義

1.2 脈搏波傳導(dǎo)時(shí)間與血壓的關(guān)系[11]

理想流體的彈性管內(nèi)波傳播速度公式為：

其中，E是管壁的楊氏彈性模量；h為管壁厚度；D是平衡狀態(tài)下彈性管徑；ρ是流體密度。

Hughes等證明了血管跨壁壓和血管彈性模量之間有以下關(guān)系:

其中，E0是壓力為零時(shí)的彈性模量，P是血壓，γ是表征血管特征的一個(gè)量，數(shù)值從0.016～0.018 mmHg-1。

當(dāng)傳導(dǎo)距離一定時(shí)，脈搏波傳導(dǎo)時(shí)間和脈搏波速度成反比，可用以下公式表示：

其中，S為脈搏波傳導(dǎo)距離，T為脈搏波傳導(dǎo)時(shí)間。將公式(2)和(3)代入公式(1)得公式(4)，忽略血壓改變時(shí)動(dòng)脈內(nèi)徑大小和動(dòng)脈壁厚度的改變，(4)式右邊第一項(xiàng)可看個(gè)常量，也就是說，如果血管的彈性保持不變，那么血壓的變化和脈搏波傳導(dǎo)時(shí)間成正比[10-12]。

本研究采用PhysioNet里MIMIC II里2009年挑戰(zhàn)賽的測試集數(shù)據(jù)，此數(shù)據(jù)來自ICU監(jiān)護(hù)中患者的心電和脈搏波信號(hào)，具有很好地代表性。

2 脈搏波傳導(dǎo)時(shí)間提取

2.1 脈搏波峰點(diǎn)檢測

脈搏波信號(hào)具有非線性、非平穩(wěn)并且微弱的特點(diǎn)。本文采用小波變換技術(shù)檢測峰值，在閾值處理方面采用給定閾值法。

脈搏波信號(hào)在S=23的尺度上具有最大的小波變換幅度，而高、低頻噪聲在這一尺度上有較大衰減，因此主要采用S=23尺度上的小波變換來檢測脈搏波信號(hào)的峰值，見圖2。

經(jīng)過小波變換處理的下半部分圖消除了基線漂移的干擾，拉大了局部極值與小波形極值的差距，局部極值對(duì)應(yīng)原始波形的最低點(diǎn)，有利于準(zhǔn)確定位脈搏波峰點(diǎn)。

圖2 應(yīng)用小波變換檢測脈搏波峰值

2.2 心電信號(hào)R波定位及特征提取

心電R波定位采用基于濾波和閾值檢測的方法實(shí)現(xiàn)，結(jié)果如圖3所示。

圖3 心電R波定位

利用檢測的脈搏波波峰和心電信號(hào)R波可以計(jì)算脈搏波傳導(dǎo)時(shí)間及其變化曲線，見圖4。

圖4 PWTT波形

3 基于人工神經(jīng)網(wǎng)絡(luò)的AHE預(yù)測

3.1 數(shù)據(jù)

研究數(shù)據(jù)來源于復(fù)雜生理信號(hào)網(wǎng)站www.PhysioNet.org的數(shù)據(jù)庫MIMIC II（the Multi-parameter Intelligent Monitoring for Intensive Care II）[13-14]。用作實(shí)驗(yàn)樣本的數(shù)據(jù)均為對(duì)重癥監(jiān)護(hù)室中患者各項(xiàng)生理指標(biāo)超過10 h的連續(xù)監(jiān)測的時(shí)間序列信號(hào)，這些生理指標(biāo)包括動(dòng)脈血壓（Artery Blood Pressure，ABP）、心率（Heart Rate，HR）、脈搏以及血氧飽和度（SpO2）等。樣本數(shù)據(jù)分為60組訓(xùn)練集和50組測試集，其中訓(xùn)練集分為H組（發(fā)生急性低血壓的患者）和C組（未發(fā)生急性低血壓的患者），每組各30名患者；測試集分為A組和B組，A組10名患者（其中5名來自H組，5名來自C組），B組40名患者（其中14名來自H組，26名來自C組）。每名患者的時(shí)間序列信號(hào)都設(shè)置有1個(gè)T0點(diǎn)，需要對(duì)T0后1h內(nèi)是否發(fā)生急性低血壓進(jìn)行預(yù)測。

3.2 相關(guān)性分析

本文對(duì)每一個(gè)樣本計(jì)算PWTT曲線，并提取峰度、偏度、內(nèi)距、幾何平均值、調(diào)和均值、算數(shù)平均值、內(nèi)部平均值、中位數(shù)、平均絕對(duì)誤差、動(dòng)差、方差、標(biāo)準(zhǔn)差、范圍、百分位數(shù)（75%）等14個(gè)統(tǒng)計(jì)特征數(shù)據(jù)和5層小波變換后的各分量的峰度、偏度、內(nèi)距、幾何平均值、調(diào)和均值、算數(shù)平均值、內(nèi)部平均值、中位數(shù)、平均絕對(duì)誤差、動(dòng)差、方差、標(biāo)準(zhǔn)差、范圍、百分位數(shù)（75%）以及各小波分量的能量比例共98個(gè)能量特征數(shù)據(jù)。

采用SPSS對(duì)以上98個(gè)特征數(shù)據(jù)進(jìn)行相關(guān)性分析，選擇其中相關(guān)性較好的（相關(guān)系數(shù)＞0.35）細(xì)節(jié)分量的峰態(tài)、偏度、四分位距、75%位數(shù)、一層高頻分量的四分位距、二層高頻分量的四分位距、75%位數(shù)7個(gè)特征數(shù)據(jù)構(gòu)成特征向量進(jìn)行預(yù)測。

3.3 BP人工神經(jīng)網(wǎng)絡(luò)建模

BP（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，拓?fù)浣Y(jié)構(gòu)包括輸入層（Input）、隱層（Hide layer）和輸出層（Output layer）。當(dāng)實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。

BP神經(jīng)網(wǎng)絡(luò)的建模過程如下：樣本50例，其中H組21例，C組29例。H定義為（0），C定義為（1）。隨機(jī)抽取12例作為測試集（12×10矩陣），每1行為1個(gè)樣本；剩下的為訓(xùn)練集38×7矩陣，每1行為1個(gè)樣本，共38個(gè)樣本，由于3層BP神經(jīng)網(wǎng)絡(luò)能逼近任意連續(xù)函數(shù)，故隱含層一般只選擇為1層。輸入神經(jīng)元數(shù)目為特征值的個(gè)數(shù)(7)，輸出為[0 1]，0表示沒有發(fā)生AHE，1表示發(fā)生了AHE。

由于BP神經(jīng)網(wǎng)絡(luò)的性能十分依賴于網(wǎng)絡(luò)初始權(quán)值的選擇，故每次隨機(jī)初始化神經(jīng)網(wǎng)絡(luò)會(huì)獲得不同的結(jié)果，因此采用Holdout驗(yàn)證方式來建模。每次隨機(jī)選取12例做訓(xùn)練集測試集，剩余38例訓(xùn)練集，通過10次實(shí)驗(yàn)來確定最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)。在最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)中，選取驗(yàn)證中性能最好的網(wǎng)絡(luò)，用測試集進(jìn)行測試。

3.4 結(jié)果

將測試集的數(shù)據(jù)輸入到訓(xùn)練過的BP神經(jīng)網(wǎng)絡(luò)中，統(tǒng)計(jì)預(yù)測正確率，見表1。表1中訓(xùn)練集平均正確率表示訓(xùn)練集中用來測試網(wǎng)絡(luò)性能的子集，在已建立網(wǎng)絡(luò)預(yù)測下的正確率的平均值，測試集平均正確率表示用測試集測試網(wǎng)絡(luò)所得到的正確率的平均值，通過對(duì)比分析，從中選取最優(yōu)模型7-13-2。由表1可以看出，當(dāng)隱含層選擇為13時(shí)，可以取得較高的測試集平均正確率，最高可以達(dá)到83.33%的正確率。

表1 Holdout驗(yàn)證的網(wǎng)絡(luò)特性

4 結(jié)論

本文利用PWTT來研究急性低血壓預(yù)測模式，相比平均動(dòng)脈壓有著以下優(yōu)勢：① 脈搏波傳導(dǎo)時(shí)間可以由脈搏波和心電圖數(shù)據(jù)處理得到，且這兩者已是很成熟的技術(shù)、可以方便精確地采集；② 脈搏波傳導(dǎo)時(shí)間信息量大，可以在很短的時(shí)間內(nèi)得到大量數(shù)據(jù)。研究結(jié)果表明，此預(yù)測模式具有較高的預(yù)測準(zhǔn)確率與可行性，有著廣闊的應(yīng)用前景和價(jià)值，為今后ICU急性低血壓預(yù)測提供了一種新的研究思路。

[1] 況瑜天,俞銘燕．心臟介入治療并發(fā)急性低血壓癥的臨床表現(xiàn)與對(duì)策[J]．實(shí)用醫(yī)學(xué)雜志,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] 賴麗娟,吳效明．ICU中發(fā)生急性低血壓的預(yù)測方法研究進(jìn)展[J]．北京生物醫(yī)學(xué)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] 王志剛,賴麗娟,熊冬生,等．基于AR模型和支持向量機(jī)的急性低血壓預(yù)測方法研究[J]．中國生物醫(yī)學(xué)工程學(xué)報(bào),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] 羅志昌,張松,楊文鳴．脈搏波波形特征信息的研究[J]．北京工業(yè)大學(xué)學(xué)報(bào),1996,22(l):71-79．

[12] 焦學(xué)軍,房興業(yè)．利用脈搏波特征參數(shù)連續(xù)測量血壓的方法研究[J]．生物醫(yī)學(xué)工程學(xué)雜志,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

教育部留學(xué)回國人員科研啟動(dòng)基金資助項(xiàng)目。

諸強(qiáng)，博士，副教授。

通訊作者郵箱：qzhu@bjtu.edu.cn