基于LSTM模型的無袖帶血壓測量方法研究*

蔣澤宇，趙宇波，趙景波，李清福

（1.青島理工大學信息與控制工程學院，山東青島 266520；2.山東產業技術研究院，山東青島 266101）

0 引言

據世界衛生組織《柳葉刀》的《全球高血壓流行趨勢綜合分析報告》顯示[1]，從1990 年至2019 年，30～79歲成年高血壓患者人數從6.5億人增加到12.8億人，且呈現逐年上漲趨勢。在調查東亞及東南亞人群中，對高血壓的知曉率不足50%，這對于人口基數龐大且人口老齡化嚴重的中國，是一個亟需解決的問題。因此提高高血壓的知曉率，找到一個便捷的、精準的血壓測量方法變得十分重要。

血壓測量方法可分為有創和無創兩種方式。有創血壓測量方法被譽為血壓測量的金標準[2]，但存在傷口感染的風險，不適用于日常血壓測量。無創血壓測量方法主要有張力測定法、恒定容積法、柯氏音法、示波法、脈搏波傳播時間法以及脈搏波特征參數法[3]。柯氏音法和示波法的血壓測量設備均使用袖帶設計，長時間充放氣會使被測者感到不適，而且設備攜帶不方便，無法實現連續血壓測量。張力測定法、恒定容積法雖然可以實現連續測量，但仍需要對動脈施加一定壓力，不利于長時間測量。因此，脈搏波傳播時間法和脈搏波特征參數法脫穎而出，這兩種血壓測量方法適用于長時間的、隨時隨地的連續血壓測量。但前者只考慮脈搏波傳播速度和脈搏波傳播時間來建立血壓計算模型，研究表明[4]，血壓除了與脈搏波傳播時間特征有關還與其他脈搏波特征存在很強的相關性。因此，需要考慮建立多個特征的血壓計算模型來提高血壓測量的準確度。脈搏波特征參數法基于光電容積描記技術（Photoplethysmography，PPG）獲取人體的光電容積脈搏波，結合多個脈搏波特征參數建立血壓計算模型，實現血壓檢測。這種方法常用于一些穿戴設備中，具有體積小、攜帶方便等優點。

PPG 是基于朗伯·比爾定律實現的[5]，被廣泛應用于脈搏波傳播時間法和脈搏波特征參數法。其原理是：當LED 發出的綠光或紅光照射到皮膚表面時，由于人體動脈血管中的血液是具有流動性的吸光物質，因此光線射到動脈時，不同時間段對光的吸收就會發生變化。經過這些吸光物質后，透射或反射出來的光線會被另一端的信號接收器接收，轉化為電信號。最后按一定的頻率進行采樣，獲得的波形為光電容積脈搏波[6]，即PPG信號。

國內外對脈搏波特征參數法做了大量研究。Enric M[7]利用隨機森林方法對血壓進行測量，結果表明，加入PPG波形特征之外的個體信息（如年齡、體重、身高等）后在一定程度上可以提高測量的準確性。Gaurav A等[8]除了PPG 波形特征外還加入了心率變異性特征，結果表明，加入心率變異性特征可以提高測量的準確性。吳紹武[9]提取了15 個PPG 波形特征，并結合歷史血壓數據使用梯度推進機（Light Gradient Boosting Machine，LightGBM）進行血壓測量，最終的結果滿足AAMI 標準。上述文獻雖然都加入PPG 波形特征之外的個體信息來提高血壓測量的準確性，但未考慮到測量血壓的時間這一重要因素。研究表明[10]，人體血壓會隨時間變化呈現勺型、非勺型、反勺型。因此測量血壓的時間對血壓有重大影響，可以考慮加入此特征并結合其他個體特征以及PPG波形特征進行血壓測量，進一步提高血壓測量的準確性。

本文使用測量血壓的時間、前一次測量結果以及當次PPG 波形特征進行血壓測量。由于LSTM（Long-Short Term Memory，LSTM）算法對時間序列數據處理能力顯著，不容易出現梯度消失和梯度爆炸的情況[11]，且具有長期短期記憶能力。因此，本文使用LSTM 算法建立血壓計算模型，并對比不同網絡結構的LSTM 測量精度，找出最優的LSTM 網絡模型。最后，與其他血壓測量方法進行對比分析。

1 LSTM的基本框架

傳統RNN 結構圖如圖1 所示，其隱藏層狀態計算公式如下所示：

圖1 傳統RNN結構圖

由于計算該時刻隱藏層信息時只用到上一時刻隱藏層信息和這一時刻的輸入，因此傳統RNN 無法實現長時記憶功能。

LSTM 內部結構圖如圖2 所示。相比傳統RNN 結構，LSTM 內部增設了3 個門，分別對信息進行遺忘和記憶。3 個門分別為遺忘門、輸入門和輸出門[12]，分別如式（2）～（4）所示。

圖2 LSTM內部結構

式中：f(t)、i(t)、o(t)分別為遺忘門、輸入門、輸出門狀態。

LSTM 除了比RNN 增加了3 個門來控制輸入和輸出信息之外，內部還包含了一個記憶細胞c(t)，用來對之前重要的信息進行記憶[13]，即長時記憶。該時刻記憶細胞的更新主要由兩個階段完成：

（1）遺忘階段，經遺忘門后得到一組0～1的向量，0表示將無關信息全部遺忘，1表示將有用信息全部記住；

（2）短時記憶階段，該階段將h( )t- 1 和x(t)經過激活后得到一個候選細胞信息c～(t)，輸入門的作用是將c～(t)中有用的信息進行記憶[13]。

LSTM 內部結構和原理綜上所述，通過增加多個門控狀態來篩選輸入信息并通過不斷更新記憶細胞，從而實現長期記憶。相比較傳統RNN，LSTM 對研究血壓這種時間序列數據的優勢突出。

2 數據處理與特征提取

2.1 數據預處理

本研究的數據是通過某公司的設備采集的，包含了542 個個體的數據信息。由于在采集數據過程中會受到測量環境光線干擾、被測人員肢體抖動、傳感器運動等影響，采集的PPG 信號含有多種噪聲[14]，如高頻噪聲、低頻噪聲、無效噪聲、隨機噪聲等。圖3 為一段PPG 原始信號，由于受到不同頻段噪聲的干擾，導致該信號產生了基線漂移現象，需要進行降噪處理。降噪處理通常可以采用小波變換、傅里葉變換、中值濾波、維納濾波等方法[15]，由于小波變換可以將原始波形一些重要特征很好地保留下來[16]，因此本文使用小波變換的方法去除噪聲。具體步驟是：首先選用db8 小波將原始PPG 信號進行分解，然后將噪聲所處的高頻分量和低頻分量置零，再設置軟閾值將噪聲進行濾波處理，最后進行小波重構。經小波變換處理完的PPG信號如圖4所示。

圖3 PPG原始信號

圖4 小波變換后的PPG信號

2.2 特征提取

本研究提取的PPG 信號特征主要包括：PPG 信號峰值點、PPG 信號最大斜率點幅度、PPG 信號峰值點相對于PPG 信號起點的幅度、PPG 信號最大上升沿斜率點到PPG 結束點之間的面積、PPG 信號重搏波相對于PPG 信號起點的幅度、PPG 信號起點到PPG 重搏波節點之間的時間間隔與整個PPG 寬度的比值、PPG 信號起點到PPG信號結束點之間的時間間隔等42 個特征。一個波段的PPG波形信號特征如圖5所示。

圖5 一個波段的PPG波形信號特征

2.3 數據集分割

該數據集的數據總數為6 931 條，除PPG 信號特征外，該數據集還包含被測者的真實收縮壓、真實舒張壓、測量時間以及年齡等個體信息。收縮壓頻率分布直方圖如圖6所示，舒張壓頻率分布直方圖如圖7所示，年齡頻率分布直方圖如圖8 所示。該數據集收縮壓和舒張壓范圍分別為80～184 mmHg 和47～114 mmHg。年齡分布范圍為25～87歲，平均年齡為64.9歲。

圖6 收縮壓頻率分布直方圖

圖7 舒張壓頻率分布直方圖

圖8 年齡頻率分布直方圖

為了提高血壓計算模型的泛化能力，本研究對542個個體的數據進行10 折交叉驗證，且測試集個體的數據信息不包含在訓練集中。將9折數據作為訓練集，1折數據作為測試集，分別進行10次模型訓練，取10次結果的平均值作為最后的測量結果。

3 實驗設計與結果分析

由于人的血壓會隨測量時間變化發生不同程度的波動[10]，所以將測量血壓的時間作為一個重要信息加入模型進行訓練。此外，歷史血壓數據也是一個重要特征[9]。本研究將測量血壓的時刻、前一次測量結果以及當次PPG 波形特征一起放入LSTM 中進行模型訓練，通過訓練多個神經網絡來確定LSTM 隱藏層層數和神經元數量，找出最優的LSTM模型。

本研究對比了不同網絡結構的LSTM 模型，設置的隱藏層層數為1～2 層。分別搭建了8 組LSTM 模型進行血壓測量，結果均采用10 折交叉驗證方法取均值。不同網絡結構的LSTM 模型參數如表1 所示。不同網絡結構的LSTM 模型測評結果如表2 所示。不同網絡結構LSTM 模型SBP 的MAE 測評結果曲線如圖9 所示。不同網絡結構LSTM 模型SBP 的SD 測評結果曲線如圖10 所示。不同網絡結構LSTM 模型DBP 的MAE 測評結果曲線如圖11 所示。不同網絡結構LSTM 模型DBP 的SD 測評結果曲線如圖12所示。

圖9 不同網絡結構LSTM 模型SBP的MAE測評結果曲線

圖10 不同網絡結構LSTM 模型SBP的SD測評結果曲線

圖11 不同網絡結構LSTM 模型DBP的MAE測評結果曲線

圖12 不同網絡結構LSTM 模型DBP的SD測評結果曲線

表1 不同網絡結構的LSTM模型參數

表2 不同網絡結構的LSTM模型測評結果

從10折交叉驗證的結果可以得到以下結論。

（1）對于1層隱藏層的LSTM 模型，隨著神經元數量增加，SBP 和DBP 的MAE 和SD 總體呈現下降趨勢。SBP的MAE 從神經元數為16 的4.586 mmHg 下降到神經元數為128的4.288 mmHg，下降了0.298 mmHg；SD從神經元數 為16 的6.392 mmHg 下 降 到 神 經 元 數 為128 的6.117 mmHg，下降了0.275 mmHg。而DBP 中，神經元數為16到神經元數為32 的MAE 和SD 幾乎不發生變化。在此之后，隨著神經元數量的增加，MAE 和SD 逐漸下降，從神經元數為32 的2.770 mmHg 和3.919 mmHg 下降到神經元數為128 的2.681 mmHg 和3.857 mmHg，MAE 和SD 分別下降了0.089 mmHg和0.062 mmHg。

（2）對于兩層隱藏層的LSTM 模型，隨著神經元數量的增加，SBP 和DBP 的MAE 和SD 呈現下降趨勢。SBP的MAE 從神經元為{16，8}的4.658 mmHg 下降到神經元為{128，64}的4.303 mmHg，下降了0.355 mmHg；SD 從神 經 元 為{16，8} 的6.506 mmHg 到{128，64} 的6.130 mmHg，下降了0.376 mmHg。DBP 的MAE 從神經元為{16，8}的2.945 mmHg 下降到神經元為{128，64}的2.697 mmHg，下降了0.248 mmHg；SD 從神經元為{16，8} 的4.100 mmHg 下 降 到 神 經 元 為{128，64} 的3.865 mmHg，下降了0.235 mmHg。

對比結果發現，隱藏層數少，神經元數量多的模型表現較好。結果最優的模型的編號為4，該模型隱藏層數為1，神經元數為128，SBP 和DBP 的MAE 和SD 分別為 4.288 mmHg、6.117 mmHg 和 2.681 mmHg、3.857 mmHg。最終選擇的LSTM網絡結構如圖13所示。

圖13 LSTM網絡結構

對于編號為4 的模型，取10 折交叉驗證中的第1 折結果進行分析。收縮壓計算誤差頻率分布直方圖如圖14所示。舒張壓測量誤差頻率分布直方圖如圖15 所示。收縮壓測量值和真實值分布圖如圖16 所示。舒張壓測量值和真實值分布圖如圖17 所示。由圖14 和圖15 可知，測量的SBP 誤差多數分布在-5～5 mmHg 之間，最大誤差分布在-25～30 mmHg 之間；測量的DBP 誤差多數分布在-5～5 mmHg 之間，最大不超過±20 mmHg。由圖16和圖17可知，SBP 和DBP 計算模型的決定系數R2分別為0.74 和0.83，決定系數R2均接近1，說明LSTM 模型的測量值接近真實值，尤其是在DBP測量上表現更為明顯。

圖14 收縮壓測量誤差頻率分布直方圖

圖15 舒張壓測量誤差頻率分布直方圖

圖16 收縮壓測量值和真實值分布圖

圖17 舒張壓測量值和真實值分布圖

將本研究方法與其他深度學習方法進行對比，結果如表3所示。對比表3數據可以發現，本研究方法測量的SBP 的MAE 僅高于李帆等[17]使用LSTM 的測量結果，且數值相差不大，而本研究方法SBP的SD、DBP的MAE以及DBP 的SD 均低于其他血壓測量方法。相比其他方法，本研究有效利用了時間與血壓的關系并結合其他與血壓有關的重要特征，最終測量的SBP 和DBP 的MAE 均小于5 mmHg，SD 均小于8 mmHg，符合AAMI 標準，同時獲得了較高的測量精度。

表3 本研究方法與其他深度學習方法的對比

4 結束語

本文利用日間血壓呈現勺型、非勺型或反勺型的特點，將測量血壓的時刻、前一次血壓數據以及當次PPG波形特征一起加入到LSTM 中進行模型訓練。通過對比多個血壓計算方法，最終發現基于LSTM 模型利用以上特征對血壓進行計算可以獲得較高的準確性，對于方便無擾、精準有效地預測高血壓，有效降低高血壓的發病率，提高高血壓的知曉率有著重要意義。另外，由于高血壓患者日間血壓呈現非勺型、反勺型，在今后研究中可以利用這個特點，結合時間特征，先將高血壓患者以及其他血壓人群進行分類，再對不同人群進行血壓測量，從而進一步提高血壓測量的準確性。