基于SWT和ANN的無創連續血壓測量方法研究

吳育東，鐘舜聰,2，沈耀春,3

1.福州大學 機械工程及自動化學院光學/太赫茲及無損檢測實驗室，福建福州 350108；2.福建省醫療器械和生物技術重點研究室，福建 福州350108；3.英國利物浦大學 電氣電子工程系，英國 利物浦 L69 3GJ

基于SWT和ANN的無創連續血壓測量方法研究

吳育東1，鐘舜聰1,2，沈耀春1,3

1.福州大學 機械工程及自動化學院光學/太赫茲及無損檢測實驗室，福建福州 350108；2.福建省醫療器械和生物技術重點研究室，福建 福州350108；3.英國利物浦大學 電氣電子工程系，英國 利物浦 L69 3GJ

本文針對電子血壓計不能實現血壓的無創連續測量等問題，提出一種基于平穩小波變換（Stationary Wavelet Transform，SWT）算法和光電容積傳感技術的無創血壓測量方法。實驗分析了模擬數據庫中的26900個脈搏波信號，通過SWT對光電容積脈搏波進行分解，重構第5層高頻系數，提取該重構信號的10個特征參數作為神經網絡（Artif i cial Neural Networks，ANN）的矢量輸入，脈搏波對應的血壓作為ANN的輸出進行血壓模型的訓練，并對模型進行誤差分析。實驗結果表明，模型的測試誤差達到美國醫療器械促進協會制定的標準，通過該方法可實現血壓的無創連續測量。

血壓；光電容積脈搏波；平穩小波變換；神經網絡

引言

血壓表征血液對血管壁的側壓力，通過對人體血壓的連續監測，可以很好地反映出人體心血管系統功能的好壞。現實生活中通常用電子血壓計進行血壓測量[1]，該方式的主要缺點是只能間斷性獲得人體血壓，并且測量過程中充氣袖套的使用會給測量者帶來不適感。

先前許多學者尋求通過脈搏波傳輸時間（Pulse Transit Time，PTT）估計人體血壓[2-4]。其原理是同時獲取人體的心電信號（Electrocardiosignal，ECG）[5]和光電容積脈搏波（Photoplethysmography，PPG）[6-7]信號，利用這兩路信號實現PTT的計算，最后通過PTT與血壓建立的模型間接計算血壓。這種方法需要采集兩路信號，增加了設備系統的復雜性，限制了儀器的小型化，不利于便攜式攜帶實現24 h的連續監測。

后來有些學者提出基于單個PPG信號對血壓的測量方法[8-10]。李章俊等[11]學者也做了關于PPG時域波形與血壓相關性的研究。基于脈搏波的原理，研究PPG信號的時間參數、面積參數、主播點高等參數與血壓的相關性，為利用脈搏波特征參數檢測血壓提供依據。

然而臨床研究表明[12]，隨著血管外周阻力、血管壁彈性和血液粘度等生理因素的變化，人體脈搏波的波形特征也出現了一系類變化。4個不同類型的PPG信號，見圖1。可以看出不同人的PPG信號有所差異，特別是信號中重搏波部分越來越不明顯，PPG波形特征的變化會影響特征參數的提取導致血壓計算精度下降。

圖1 不同類型的PPG信號

針對上述問題，本 文提出一種基于平穩小波變換（Stationary Wavelet Transform，SWT）和光電容積傳感技術的無創血壓測量方法。通過SWT對原始PPG信號進行分解，重構第5層高頻系數，提取該重構信號的10個特征參數作為ANN的矢量輸入，以及每個PPG對應的收縮壓（Systolic Blood Pressure，SBP）和舒張壓（Diastolic Blood Pressure，DBP）作為ANN的矢量輸出進行訓練擬合，通過該方法實現血壓的無創連續測量。

1 實驗原理

1.1 平穩小波變換原理

小波變換[13]類似于傅里葉變化，將一般的信號表示為小波基的線性疊加，從而將對原來函數的分析轉換為疊加權系數，即小波變換的分析。連續小波變化定義為：

平穩小波變換[14-15]是通過對傳統的離散小波變換進行降低重復計算量與復雜度的ε-抽樣來實現的，具有非抽樣的時不變特性。ε-采樣離散小波變換是Pesquet在離散小波變換的基礎上與1996年提出的一種方法，其在采樣過程中選擇保留偶數項或者奇數項，即選定一個ε，而傳統的離散小波變換在采樣時只是保留偶數項。平穩小波變換的分解與重構過程，見圖2。

圖2 平穩小波變換的分解和重構過程

分解濾波器的上采樣過程，見圖3。其中分解濾波器在不同層上均作上采樣的補零操作，使得在不同層次上得到不同的濾波器，如圖3所示為第j+1層所采用的濾波器是在第j層濾波器的基礎上進行上采樣得到的。

圖3 分解濾波器的上采樣過程

在初狀態下，F0= L0_ D, G0= H_D，隨著分解層數的遞增，分解濾波器也隨之變大。與離散小波變換的分解過程相比較，平穩小波變換在每一層的分解過程中并沒有采用下采樣，所以分解系數仍與原始信號保持相同的長度，這一特性使得分解系數在直接作用重構濾波器后直接相加就可以得到上一次的近似系數部分，而不需要再進行上采樣。在應用中，信號采用電的長度要滿足被2N整除的條件，其中N為平穩小波變換中信號的分解層數。

本研究通過對不同特征的PPG信號進行10層的SWT分解分析，由各層的高頻系數重構對應的高頻信號，發現第5層（以下簡稱D5層）高頻信號具有共同的特征。圖1中不同特征的脈搏波和對應的D5層高頻信號，見圖4。原始信號的有用高頻成分大部分都分布在D5層中，而且D5層的每搏信號與原始PPG信號在時間尺度上一一對應，原始PPG信號有的重播波不明顯，在D5層都能體現出來。所以本研究以D5層作為研究對象，提取D5層的特征參數作為ANN的擬合輸入。

提取D5層的10個特征參數，見圖5。原始PPG信號通過SWT分解，由第5層高頻系數重構得到D5層分量。再利用差分閥值法計算D5層每搏波形信號的主動脈瓣開放點A1，收縮期最高壓力點B1，降中峽點C1，重搏波點D1等特征點[16-18]，以此基礎上提取10個特征參數：主波B1點的幅值Hb，降中峽點C1點的幅值Hc，重播波點D1的幅值Hd。時間參數有主波點B1點到起始點A1的時間Tb，降中峽點C1點到起始點A1的時間Tc，重播波點D1點到起始點A1的時間Td。面積參數有起始點A1到主播點B1的面積s1，主播點B1到下一個波起始點面積s2，以及總面積s。以這10個特征參數作為ANN的輸入。

圖4 不同特征的PPG信號和 對應的D5層

1.2 BP神經網絡原理

20世紀80年代中期，Rumelhart和McCelland[19]提出了誤差反向傳播算法，即熟稱Bcak Propagation （BP）神經網絡算法。算法在實行網絡的訓練時，數據的傳輸是從輸入層到輸出層正向傳輸，而在訓練各層權值時，則是按照誤差降低的方向，從輸出層通過隱含層逆向地逐層訂正，訓練的過程中重復著正向數據傳播和反向權值訂正，直到網絡的輸出與期望輸出的誤差達到設定的數值，或是到達設定的訓練次數，網絡停止訓練。

圖5 提取c4層信號的10個特 征參數

本文使用的BP神經網絡結構，見圖6。總共分為輸入層，隱含層，輸出層3層結構，其中隱含層使用sigmoid傳遞函數，輸出層則是線性的，訓練時網絡采用Levenberg-Marquardt算法[20]，及trainlm函數。以D5層提取的10個特征參數作為輸入層的輸入矢量。隱含層共包括30個神經元，以每搏PPG信號對應的SBP和DBP作為輸出層，進行模型的訓練。

圖6 BP神經網絡結構圖

1.3 模擬數據庫

實驗中分析的PPG信號和對應的SBP和DBP數據都來自于模擬數據庫[21-26]，該數據庫記錄了多種生理信號和生命體征。這些信號中大多數包括了心電圖、血壓和PPG信號。以125 Hz采樣頻率記錄保存。數據庫的信號，見圖7。本文以PPG信號進行分析，提取特征參數作為ANN的輸入，數據庫中記錄的每搏ABP信號對應的收縮壓和舒張壓作為ANN的輸出，進行訓練。

2 血壓模型建立與測試

本文總共計算了不同人的26900個每搏PPG信號和信號對應的SBP和DBP。把這些數據分為ANN模型訓練和測試兩部分，其中24900個作為模型訓練數據，2000個作為模型測試數據。

2.1 模型建立

在進行ANN模型訓練時候，算法隨機地將24900個數據的70%劃分為訓練樣本，15%劃分為驗證樣本，剩下15%的數據為測試樣本。根據訓練數據的誤差直方圖和R值來判定所訓練的模型的性能。

圖7 數據庫的信號

訓練模型的性能評估結果，見圖8。圖8a為訓練完成后訓練樣本、驗證樣本、和測試樣本的誤差直方圖。誤差計算公式為：誤差=目標輸出-實際輸出。如圖可以看出誤差大部分集中在0附近。圖8b為訓練樣本，驗證樣本，測試樣本的回歸圖。如圖訓練樣本，驗證樣本，測試樣本及所有數據的R值分別為：0.96614，0.96415，0.96008，0.96493。根據誤差直方圖和回歸圖可以看出訓練的模型良好。

2.2 模型測試

2000個每搏PPG信號作為模型的測試估計。測試血壓實際值和估計值對應的折線圖，見圖9。由圖可以從宏觀看出經模型計算的血壓估計值和實際值之間很接近。

圖9中對應SBP和DBP的誤差直方圖，見圖10，其中誤差e由下面公式計算得到：

式中BPest為經過ANN訓練模型估計出的SBP或者DBP，而BP為對應數據庫中的實際值。從圖中可以看出收縮壓和舒張壓的誤差e大部分都集中在[-5,5] mmHg之間。

3 結果分析

上述血壓模型測試結果統計，即以SBP和DBP對應的絕對誤差ea的均值和標準差作為性能分析結果（均值±標準差），見表1。其中絕對誤差ea由下面公式計算得到：

表1 實驗結果

由表1可知，通過該方法估算的收縮壓絕對誤差ea的均值為3.98 mmHg，標準差為3.32 mmHg，舒張壓絕對誤差ea的均值為3.81 mmHg，標準差為3.63 mmHg。根據美國醫療器械促進協會（AAMI）頒發的評價血壓計準確性的國際標準[27]，設備測量的血壓與標準血壓計測量的絕對誤差ea的均值必須＜5 mmHg，標準差必須＜8 mmHg。上表中SBP和DBP所對應的絕對誤差均值和標準差都＜（5±8）mmHg，滿足該標準的要求。

圖8 訓練模型性能評估

4 討論與結論

圖9 血壓實際值與估計值折線圖

圖10 血壓誤差直方圖

本文提出了利用PPG信號無創測量血壓的新方法。通過SWT對原始PPG信號進行分解。由第5層高頻系數重構得到D5層分量,提取D5層信號的10個特征參數進行ANN的矢量輸入，以每搏PPG信號對應的SBP和DBP作為ANN的矢量輸出。總共分析了數據庫中26900個PPG信號，根據測試的結論SBP絕對誤差ea為（3.93±3.22）mmHg，DBP絕對誤差ea為（3.81±3.63）mmHg，滿足美國醫療器械促進協會頒發的評價血壓計準確性的國際標準，即絕對誤差ea應在（5±8）mmHg以內。因此，通過該方法能夠測量人體的每搏血壓值，為智能穿戴等健康監護設備實現血壓的無創連續監測提供一定的參考價值，后續將設計相應的硬件系統，將該方法應用于系統中進行測試研究。

[1] 劉穩,劉公致,陳龍. 一種基于示波法的電子血壓計設計[J].電子設計技術,2014,21(1):1023-7364.

[2] Xu L,Gao K.Continuous cuffless arterial blood pressure measurement based on PPG quality assessment[J].Int J Comput Biol Drug Des,2015,8(2):150-158.

[3] 白麗紅,王成,文苗,等.基于脈搏波傳導時間的連續血壓監測系統[J].生物醫學工程研究,2014,33(4):221-225.

[4] 王帥.脈搏傳導時間與收縮壓相關性的研究[D].沈陽:中國醫科大學,2013.

[5] Lin HD,Lee YS,Chuang BN. Using dual-antenna nanosecond pulse near-field sensing technology for non-contact and continuous blood pressure measurement[A].2012 Annual International Conference of the IEEE Engineering in Medicine and Biology Society[C]. New York:IEEE,2012:219-222.

[6] 鄒滋潤,陳真誠,朱健銘.基于光電容積脈搏波的呼吸波提[J].中國生物醫學工程學報,2013,32(4):508-512.

[7] 郭麗華.基于PPG信號的無袖帶連續性血壓測量方法研究[D].杭州:浙江大學,2011.

[8] Teng XF,Zhang YT.Continuous and noninvasive estimation of arterial blood pressure using a photoplethysmographic approach[A].Proceedings of the 25th Annual International Conference of the IEEE[C].New York:IEEE,2003,4:3153-3156.

[9] Yoon YZ,Yoon GW.Nonconstrained blood pressure measurement by photoplethysmography[J].J Opt Soc Korea,2006,10(2):91-95.

[10] Fortino G,Giampa V.PPG-based methods for non invasive and continuous blood pressure measurement: an overview and development issues in body sensor networks[A].Medical Measurements and Applications Proceedings (MeMeA),2010 IEEE International Workshop on[C].New York:IEEE,2010:10-13.

[11] 李章俊,王成,朱浩,等.基于光電容積脈搏波描記法的無創連續血壓測量[J].中國生物醫學工程學報,2012,31(4):607-614.

[12] 羅志昌,張松,楊益民.脈搏波的工程分析與臨床應用[M].北京:科學出版社,2006.

[13] 飛思科技產品研發中心.小波分析理論與MATLAB 7實現[M]. 北京:電子工業出版社,2005.

[14] 羅曼婷,游騰飛,張秋坤,等. 基于平穩小波變換的時域光學相干層析系統[J].應用光學,2015,36(4):543-549.

[15] 王智,殷奎喜,趙華,等.基于小波變換實現脈搏信號降噪處理[J].通信技術,2011,44(5):151-153.

[16] 唐銘一,李凱,馬小鐵. 脈搏波信號時域特征提取與算法的研究[J].計算機與現代化,2010,(4):15-17.

[17] 徐可欣,王繼寸,余輝,等. 脈搏波時域特征與血壓相關性的研究[J].中國醫療設備,2009,24(8):42-45.

[18] 石萍. 基于PPG的心血管系統功能評價研究及應用[D].上海:上海交通大學,2010.

[19] 周品.MATLAB 神經網絡設計與應用[M].北京:清華大學出版社,2013:153-154.

[20] 陳明. MATLAB 神經網絡原理與實例精解[M].北京:清華大學出版社,2013:246-249.

[21] Moody GB,Mark RG.A database to support development and evaluation of intelligent intensive care monitoring[A].Computers in Cardiology, 1996[C].New York:IEEE,1996:657-660.

[22] Madhav KV,Ram MR,Krishna EH,et al.Robust extraction of respiratory activity from ppg signals using modif i ed mspca[J]. IEEE Trans Instrum Meas,2013,62(5):1094-1106.

[23] Li P,Liu M,Zhang X,et al. Novel wavelet neural network algorithm for continuous and noninvasive dynamic estimation of blood pressure from photoplethysmography[J]. Sci China Infor Sci,2016:59(4):1-10.

[24] Choi Y,Zhang Q,Ko S.Noninvasive cuffless blood pressure estimation using pulse transit time and Hilbert-Huang transform[J]. Com Elec Engin,2013,39(1):103-111.

[25] He X,Goubran RA,Liu XP.Secondary peak detection of PPG signal for continuous cuffless arterial blood pressure measurement[J]. IEEE Trans Instrum Meas,2014,63(6):1431-1439.

[26] Sayadi O,Shamsollahi MB.Utility of a Nonlinear Joint Dynamical Framework to Model a Pair of Coupled Cardiovascular Signals[J]. IEEE J Biomed Health Inform,2013,17(4):881-890.

[27] Charbonnier FM.AAMI/ANSI standard for automatic or advisory external defibrillators.Association for the Advancement of Medical Instrumentation.American National Standards Institute[J]. J Electrocardiol,1993,26(S1):147.

本文編輯 袁雋玲

Noninvasive Continuous Blood Pressure Measurment Method Based on SWT and ANN

WU Yu-dong1, ZHONG Shun-cong1,2, SHEN Yao-chun1,3

1.Laboratory of Optics, Terahertz and Non-destructive Testing & Evaluation, School of Mechanical Engineering and Automation, Fuzhou University, Fuzhou Fujian 350108, China; 2.Fujian Key Laboratory of Medical Instrument and Pharmaceutical Technology, Fuzhou Fujian 350108, China; 3.Department of Electrical Engineering and Electronics, University of Liverpool, Liverpool L69 3GJ, United Kingdom

In order to solve the problem of non-invasive continuous measurement of blood pressure in electronic sphygmomanometer, a non-invasive blood pressure measurement method based on stationary wavelet transform (SWT) algorithm and photoplethysmography were proposed. In the experiment, a total of 26900 pulse wave signals from the mimic database were analyzed and subsequently the pulse wave was decomposed by SWT. Furthermore, 10 characteristic parameters of the 5thlayer high frequency reconstruction signal were extracted as the input of artif i cial neural networks (ANN). The blood pressure corresponding to the pulse wave was taken as the output of ANN to train the blood pressure model. The error analysis of the model was carried out. The results indicated that the error of the model met the standards of the American association for the advancement of medical instrumentation. Therefore, this method can be employed in noninvasive continuous measurement of blood pressure.

blood pressure; photoplethysmography; stationary wavelet transform; artificial neural networks

TP391.4

A

10.3969/j.issn.1674-1633.2017.05.006

1674-1633(2017)05-0022-06

2017-01-23

2017-03-11

國家自然科學基金資助項目（51675103）；教育部高等學校博士學科點科研基金（博導類：20133514110008）；國家衛生和計劃生育委員會科研基金（WKJ-FJ-27）；福建省杰出青年基金（滾動資助計劃，2014J07007）。

鐘舜聰，研究員/博士生導師，主要研究方向為無損檢測。

通訊作者郵箱：zhongshuncong@hotmail.com