基于混合特征卷積神經(jīng)網(wǎng)絡(luò)的血壓建模方法研究*

張佳骕，顧林躍，姜少燕

(1.浙江好絡(luò)維醫(yī)療技術(shù)有限公司，浙江 杭州 310012；2. 青島大學(xué)附屬心血管病醫(yī)院，山東 青島 266071)

1 引 言

據(jù)世界衛(wèi)生組織報(bào)告，全球約有24%的男性和20.5%的女性患有高血壓，而高血壓也在慢慢損害其身體的內(nèi)部器官[1-2]。血壓被多種因素影響且實(shí)時(shí)變化，因此連續(xù)血壓監(jiān)測(cè)對(duì)于醫(yī)生診斷和控制患者的病情非常重要。

到目前為止，諸多文獻(xiàn)建立回歸模型對(duì)血壓進(jìn)行連續(xù)測(cè)量，其中使用脈搏波速率(pulse wave velocity，PWV)構(gòu)建的模型最為常見(jiàn)[3]。PWV是血管中壓力波的傳播速度，常使用心跳傳輸?shù)缴眢w周圍的時(shí)間，即脈搏傳播時(shí)間(pulse transit time，PTT)對(duì)PWV進(jìn)行估計(jì)[4]。Ahmad等人提出，血壓和PTT之間存在顯著關(guān)聯(lián)[5]，之后有文獻(xiàn)使用不同的PTT回歸模型對(duì)血壓進(jìn)行預(yù)測(cè)但精度較低[6-8]。

也有文獻(xiàn)依據(jù)脈搏波波形特征對(duì)血壓進(jìn)行預(yù)測(cè)，因?yàn)槊}搏波傳播會(huì)受到血管內(nèi)壁阻力、血管彈性等因素的影響，所以其波形也成為評(píng)價(jià)血壓等人體心血管系統(tǒng)生理狀態(tài)的重要依據(jù)[9]。董鋒使用的特征為主波高度，心臟收縮時(shí)間等[10]，Yuriy使用的特征為多位置處收縮分支和舒張分支的寬度[11]。但因?yàn)閭€(gè)體間脈搏波形態(tài)差異較大，某些特征點(diǎn)無(wú)法進(jìn)行準(zhǔn)確定位，從而導(dǎo)致了特征無(wú)法提取的問(wèn)題。

針對(duì)上述問(wèn)題，本研究首先提出脈搏波分解算法(pulse wave decomposition algorithm，PWDA)，定位重搏波位置，獲取準(zhǔn)確的PTT；之后提出一種新型血壓預(yù)測(cè)模型ABP-net，該模型是一種混合特征卷積神經(jīng)網(wǎng)絡(luò)，在傳統(tǒng)使用PTT構(gòu)建的全連接神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，加入使用一維卷積神經(jīng)網(wǎng)絡(luò)(1D-CNN)自動(dòng)提取出的脈搏波波形特征，共同對(duì)血壓進(jìn)行預(yù)測(cè)；最后使用MIMIC III數(shù)據(jù)庫(kù)中數(shù)據(jù)作為實(shí)驗(yàn)樣本建立血壓模型，結(jié)果表明，相比于其他模型，ABP-net對(duì)血壓的預(yù)測(cè)具備更高的精度。

2 方法

本研究算法流程見(jiàn)圖1。

圖1 算法流程圖Fig 1 Algorithm flowchart

2.1 數(shù)據(jù)采集及預(yù)處理

本研究數(shù)據(jù)來(lái)源為MIMIC III數(shù)據(jù)庫(kù)，其包含從醫(yī)療信息系統(tǒng)采集的多種生命體征信號(hào)[12]。本研究使用的信號(hào)包括心電信號(hào)(electrocardiogram，ECG)，光體積描記器信號(hào)(photoplethysmograph，PPG)和動(dòng)脈血壓信號(hào)(arterial blood pressure，ABP)。PPG即指端容積脈搏波。預(yù)處理包含如下階段：

(1)去除基線漂移：用小波分解去除ECG和PPG低頻部分，達(dá)到去除基線的目的。

(2)心動(dòng)周期劃分：首先選取ECG的R波波峰點(diǎn)作為心動(dòng)周期的起點(diǎn)；其次使用文獻(xiàn)[13]中方法對(duì)PPG和ABP進(jìn)行心動(dòng)周期劃分，并依據(jù)時(shí)間關(guān)系，從每個(gè)R波波峰向后尋找首個(gè)PPG和ABP的心動(dòng)周期，將同屬于一個(gè)心動(dòng)周期的ECG起點(diǎn)，PPG和ABP片段合并；最后根據(jù)ABP片段確定該心動(dòng)周期的真實(shí)收縮壓(SBP)和舒張壓(DBP)。

(3)噪聲樣本去除：使用規(guī)則對(duì)波形形態(tài)存在明顯異常的心動(dòng)周期進(jìn)行去除，如PPG和ABP中起始點(diǎn)劃分錯(cuò)誤造成的心動(dòng)周期過(guò)長(zhǎng)，因設(shè)備采集等問(wèn)題造成的信號(hào)形態(tài)扭曲等。

2.2 PTT特征提取

脈搏波蘊(yùn)含豐富的生理信息[14]，主要特征點(diǎn)有脈搏波起始點(diǎn)A，主波波峰B，潮波起始點(diǎn)C，潮波結(jié)束點(diǎn)D，降中峽E和重搏波波峰F，見(jiàn)圖2。

其中，主波波峰B是由心室收縮，血液從左心室射入主動(dòng)脈所致，反映心室射血能力、血管順應(yīng)性等；重搏波波峰F是由心臟舒張期，主動(dòng)脈瓣關(guān)閉阻止血液回流到心室所致，反映動(dòng)脈彈性和主動(dòng)脈瓣的關(guān)閉功能[14]。B和F是一個(gè)心動(dòng)周期中最為重要的兩個(gè)特征點(diǎn)，故選取B和F作為終止點(diǎn)來(lái)計(jì)算PTT并分別記為PTT-p和PTT-d，見(jiàn)圖3。

圖2 單個(gè)心動(dòng)周期脈搏波特征點(diǎn)Fig 2 Single cardiac cycle pulse wave feature points

圖3 PTT特征提取方法Fig 3 PTT feature extraction method

B通過(guò)計(jì)算一個(gè)心動(dòng)周期PPG的最大值位置得到，F(xiàn)則通過(guò)對(duì)PPG進(jìn)行小波基為gaus1的連續(xù)小波分解得到，B后第一個(gè)過(guò)零點(diǎn)為E，第二個(gè)過(guò)零點(diǎn)即為F。

但由于個(gè)體差異或年齡增長(zhǎng)，有些人的重搏波不明顯甚至消失，導(dǎo)致F無(wú)法定位。針對(duì)該問(wèn)題，本研究提出一種將脈搏波分解成主波，潮波和重搏波三個(gè)鐘型波的脈搏波分解算法，從而對(duì)重搏波進(jìn)行準(zhǔn)確定位。

脈搏波分解算法(PWDA)

(1)對(duì)單個(gè)心動(dòng)周期脈搏波波形， B前的部分為脈搏波的上升分支，定義為main_up。

(2)以點(diǎn)B為軸做main_up的軸對(duì)稱曲線main_down，將main_up和main_down拼接組成主波main_wave，并將其擴(kuò)展到與PPG相同長(zhǎng)度。

(3)將PPG與main_wave相減，將主波在脈搏波中分離，剩余部分即為潮波和重搏波的疊加波形res_wave。

(4)使用相同方法構(gòu)造出潮波tide_wave，并將res_wave與tide_wave相減得到重搏波dicrotic_wave。

(5)dicrotic_wave的最大值點(diǎn)即為F。

針對(duì)重搏波不明顯以及消失兩種情況，使用PWDA對(duì)脈搏波進(jìn)行分解，結(jié)果見(jiàn)圖4。從結(jié)果可以發(fā)現(xiàn)，PWDA能夠有效地定位重搏波波峰F，從而獲取到準(zhǔn)確的PTT-d。

圖4 脈搏波分解算法結(jié)果 (a).重搏波不明顯；(b).重搏波消失Fig 4 Pulse wave decomposition algorithm results (a).Dicrotic wave not obvious; (b).Dicrotic wave disappearance

2.3 波形特征提取及模型構(gòu)建

本研究提出一種新型的血壓預(yù)測(cè)模型ABP-net，使用1D-CNN自動(dòng)提取PPG的波形特征并進(jìn)行血壓預(yù)測(cè)，解決了特征點(diǎn)難以提取的問(wèn)題，見(jiàn)圖5。

ABP-net為一種混合特征卷積神經(jīng)網(wǎng)絡(luò)，灰色標(biāo)識(shí)部分為使用PTT特征構(gòu)建的模型。本研究將同一個(gè)心動(dòng)周期的PPG片段也作為輸入添加到網(wǎng)絡(luò)中，使用一維卷積對(duì)脈搏波的波形特征進(jìn)行提取，并使用全連接層對(duì)提取出的波形特征進(jìn)行綜合及選擇，之后與PTT特征共同用于血壓預(yù)測(cè)。模型輸入包含兩種類型特征，PTT為傳統(tǒng)數(shù)值型特征，PPG為形式化特征(如信號(hào)，圖像等)。ABP-net有效地將數(shù)值型特征和形式化特征進(jìn)行綜合，為使用不同類型的特征共同建模提供了新思路，利用兩種類型特征與輸出之間的關(guān)聯(lián)提升模型的有效性和準(zhǔn)確性。ABP-net中包含多種處理模塊，虛線標(biāo)注部分為殘差結(jié)構(gòu)[15]。見(jiàn)圖5。

圖5 ABP-net網(wǎng)絡(luò)結(jié)構(gòu)圖Fig 5 ABP-net network structure

2.3.1一維卷積層Conv-1D Conv-1D中輸入輸出特征圖均為一維，對(duì)于單個(gè)樣本，設(shè)ui(x)(i=1，2，…，N)為輸入的第i個(gè)特征圖的第x個(gè)節(jié)點(diǎn)，N為輸入特征圖數(shù)量，vj(x)(j=1，2，…，M)為輸出的第j個(gè)特征圖的第x個(gè)節(jié)點(diǎn)，M為輸出特征圖數(shù)量，則Conv-1D運(yùn)算如下：

(1)

其中，ki，j是卷積核，連接ui和vj兩個(gè)特征圖，卷積核的長(zhǎng)度為K，S是卷積核的滑動(dòng)步長(zhǎng)，bj為偏置，見(jiàn)圖6。

圖6 一維卷積運(yùn)算示意圖Fig 6 1-D convolution operation

2.3.2批標(biāo)準(zhǔn)化層BN BN解決了深度網(wǎng)絡(luò)中某一層輸入的分布因之前網(wǎng)絡(luò)參數(shù)變化而改變的問(wèn)題。設(shè)一個(gè)Batch為B={x1，x2，…，xn}，算法如下：

(2)

(3)

(4)

(5)

2.3.3激活函數(shù)層ReLU 激活函數(shù)使模型獲得非線性建模能力，ReLU函數(shù)：

f(x)=max(0,x)

(6)

不會(huì)導(dǎo)致梯度消失問(wèn)題且計(jì)算簡(jiǎn)單，使得模型前向計(jì)算速度更快。

2.3.4池化層max pool 池化可以在獲取特征圖中主要信息的同時(shí)降低特征維度，分為最大值池化和平均值池化兩種。

最大值池化：

pi(x)=max{ui(p)|xS≤p≤xS+K-1}

(7)

平均值池化：

pi(x)=mean{ui(p)|xS≤p≤xS+K-1}

(8)

其中，pi為特征向量ui池化后的結(jié)果，K為池化窗口大小，S為窗口滑動(dòng)步長(zhǎng)。

其他模塊為傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模塊，F(xiàn)C為全連接層，AVG是用平均的方法將卷積層的輸出轉(zhuǎn)換為全連接層需要的輸入格式。

2.4 模型訓(xùn)練

(9)

其中，n為一個(gè)Batch的大小。本研究使用批量梯度下降的方法對(duì)模型進(jìn)行訓(xùn)練，對(duì)MSE進(jìn)行優(yōu)化。

3 實(shí)驗(yàn)

為證明ABP-net模型的有效性和準(zhǔn)確性，使用tensorflow搭建模型，選取MIMIC III數(shù)據(jù)庫(kù)中15個(gè)完整包含ECG，PPG和ABP的記錄并使用2.1節(jié)中的方法在每個(gè)記錄上提取10萬(wàn)個(gè)心動(dòng)周期作為實(shí)驗(yàn)樣本，隨機(jī)打亂后80%作為訓(xùn)練集，20%作為測(cè)試集。數(shù)據(jù)采樣率為125 Hz，本研究統(tǒng)一單個(gè)心動(dòng)周期PPG片段長(zhǎng)度為130，不足則補(bǔ)零，保證輸入網(wǎng)絡(luò)的數(shù)據(jù)長(zhǎng)度相同。

因個(gè)體間脈搏波差異明顯，本研究針對(duì)不同個(gè)體的SBP和DBP分別構(gòu)建模型。模型的評(píng)價(jià)標(biāo)準(zhǔn)使用平均絕對(duì)誤差(mean absolute error，MAE)評(píng)價(jià)。

(10)

首先驗(yàn)證PTT特征，圖5中灰色部分為PTT-net，輸入可為PTT-p，PTT-d或兩者同時(shí)使用。對(duì)所有測(cè)試集樣本SBP進(jìn)行預(yù)測(cè)，使用PTT-p，PTT-d和兩者同時(shí)使用的MAE分別為8.00 mmHg，7.69 mmHg和6.87 mmHg；對(duì)DBP預(yù)測(cè)的MAE則分別為3.84 mmHg，3.55 mmHg和3.28 mmHg，故使用PTT-p和PTT-d共同對(duì)血壓進(jìn)行預(yù)測(cè)。

其次將ABP-net與單獨(dú)使用波形特征的網(wǎng)絡(luò)(PPG-net)以及單獨(dú)使用PTT特征的網(wǎng)絡(luò)(PTT-net)進(jìn)行比較，結(jié)果見(jiàn)圖7。ABP-net對(duì)所有測(cè)試樣本SBP預(yù)測(cè)的MAE為3.32 mmHg，相比于PPG-net和PTT-net分別下降了0.55 mmHgh和3.55 mmHg；對(duì)DBP預(yù)測(cè)的MAE為1.76 mmHg，相比于PPG-net和PTT-net分別下降了0.34 mmHg和1.52 mmHg。PPG-net的模型精度高于PTT-net，說(shuō)明波形特征相比于PTT特征對(duì)血壓值預(yù)測(cè)的精度更高，通過(guò)使用1D-CNN提取到的波形特征是有效的；ABP-net的精度相比于PPG-net和PTT-net均有上升，說(shuō)明對(duì)兩種特征的綜合是有效的。

文獻(xiàn)[4]中提出多種使用PTT或單個(gè)心動(dòng)周期PPG作為輸入的回歸模型，將ABP-net與其進(jìn)行比較，結(jié)果見(jiàn)表1和表2，表中單位為mmHg。

對(duì)各個(gè)模型，預(yù)測(cè)DBP精度更高，說(shuō)明DBP與PTT以及PPG的相關(guān)性更高。對(duì)傳統(tǒng)回歸模型，使用PPG構(gòu)建的模型比使用PTT構(gòu)建的模型效果好，但精度均低于ABP-net模型精度，說(shuō)明ABP-net模型對(duì)PTT特征與PPG特征的綜合是有效的，且相對(duì)于其他模型有更大優(yōu)勢(shì)。

圖7 ABP-net與PTT-net模型精度比較

表2 ABP-net與傳統(tǒng)血壓模型預(yù)測(cè)DBP精度比較

表3 與BHS標(biāo)準(zhǔn)的對(duì)比結(jié)果

表4 與AAMI標(biāo)準(zhǔn)的對(duì)比結(jié)果

最后，將ABP-net模型結(jié)果與BHS標(biāo)準(zhǔn)[17]和AAMI標(biāo)準(zhǔn)[18]進(jìn)行比較。BHS以誤差在三個(gè)不同閾值以下樣本數(shù)目占全部測(cè)試樣本數(shù)目百分比作為評(píng)判標(biāo)準(zhǔn)。AAMI則要求平均誤差小于5 mmHg，標(biāo)準(zhǔn)差小于8 mmHg。本研究使用上述15條記錄的所有測(cè)試集樣本上的誤差與BHS和AAMI進(jìn)行對(duì)比，結(jié)果見(jiàn)表3和表4。

從表3和表4可以看出，ABP-net已經(jīng)符合AAMI標(biāo)準(zhǔn)且達(dá)到BHS標(biāo)準(zhǔn)grade A級(jí)別，說(shuō)明ABP-net模型對(duì)動(dòng)脈血壓值的預(yù)測(cè)符合BHS和AAMI規(guī)定的標(biāo)準(zhǔn)，具備良好的工程學(xué)意義。

4 結(jié)束語(yǔ)

本研究首先通過(guò)ECG和PPG提取到PTT特征，針對(duì)重搏波不明顯的情況提出PWDA，分離出重搏波，獲取到準(zhǔn)確的PTT-d；之后提出混合特征卷積神經(jīng)網(wǎng)絡(luò)模型ABP-net，使用1D-CNN提取PPG波形特征，解決了傳統(tǒng)方法提取脈搏波特征點(diǎn)困難的問(wèn)題；其次進(jìn)一步將波形特征與PTT特征結(jié)合，對(duì)SBP和DBP進(jìn)行預(yù)測(cè)；最后，使用MIMIC III中數(shù)據(jù)進(jìn)行實(shí)驗(yàn)證明ABP-net的有效性和準(zhǔn)確性。通過(guò)對(duì)比PPG-net，PTT-net以及其他回歸模型，說(shuō)明ABP-net對(duì)波形特征和PTT特征綜合的有效性且相比于其他回歸模型擁有更高的精度；通過(guò)對(duì)比AAMI和BHS標(biāo)準(zhǔn)，說(shuō)明ABP-net具備良好的工程學(xué)意義。