基于光電容積脈搏波的無創(chuàng)血壓連續(xù)測量研究進展

葉青, 章祎楓, 沙金亮, 方樺, 余瑛*

(1.江西中醫(yī)藥大學計算機學院, 南昌 330004; 2.江西中醫(yī)藥大學中醫(yī)人工智能重點研究室, 南昌 330004;3.南昌大學教育技術與教學資源中心, 南昌 330004)

血壓檢測是評估心血管健康狀況的重要指標之一,對于預防和治療多種心血管疾病具有重要意義。在最新的全球心血管疾病可歸因的危險因素排名當中,高血壓排在首位[1]。中國是擁有高血壓病人群最多的國家之一,每年因高血壓病導致腦卒中、冠心病、心肌梗死等心腦血管疾病事件,甚至住院、死亡的發(fā)生率均處于“高位”[2]。此外,一些研究表明,雖然高血壓的發(fā)病率會隨著年齡的增長而升高,但如今越來越多的兒童和青少年受血壓異常的影響,許多人在成年早期就患上了高血壓[3],由血壓異常引起的心血管疾病已經成為導致人類高致殘率和高死亡率的主要原因之一,因此,它通常被稱為“沉默的殺手”[4]。由于高血壓的沉默性質,持續(xù)監(jiān)測患者的血壓至關重要。

傳統(tǒng)血壓測量方法(如柯氏音聽診法、示波法等)是最常用的血壓監(jiān)測方法,但因其無法自動實時監(jiān)測血壓的連續(xù)變化,越來越多的國內外學者在基于光電容積脈搏波描記法(photo plethysmo graphy,PPG)信號的血壓連續(xù)測量方法上做了大量研究。該方法因其具有無創(chuàng)、連續(xù)和實時監(jiān)測血壓的優(yōu)勢,對于那些需要長期監(jiān)測血壓的患者或健康人群來說,具有很大的實用價值。從最初研究脈搏傳導時間(pulse transit time, PTT)與血壓之間的理論關系,推算出兩者之間的數(shù)學物理關系模型,包括利用脈搏波傳導速度(pulse wave velocity, PWV)理論估算血壓都取得了一定的成功[5],但由于PTT與PWV會受到個體性差異的影響,此方法預測血壓需要頻繁校準[6]。一些研究也從PPG波形分析出發(fā),從時頻域多角度提取相關波形特征,并融合機器學習算法來預測血壓[7],也是主流的血壓預測方法之一,但由于缺乏臨床數(shù)據(jù)驗證,特征的可解釋性不夠,關于波形的有效特征嚴重缺乏共識[8]。近年來,深度學習技術被廣泛應用于血壓連續(xù)預測,從PPG時序上的原始波形自動提取特征,到融入波形的多階微分信號特征,避免了人工定義特征或淺層學習算法在估計血壓方面的不足[9],但由于個體之間血壓的差異,在大規(guī)模數(shù)據(jù)集上訓練的深度學習模型也不能完全學習血壓,因此血壓預測仍有顯著的改進空間。

現(xiàn)對基于PPG信號的無創(chuàng)血壓連續(xù)測量研究進展進行系統(tǒng)性的綜述,主要包括:闡述傳統(tǒng)血壓測量方法的優(yōu)勢與局限;介紹PPG信號的理論背景與技術原理;回顧最新基于PPG信號的血壓連續(xù)測量的研究方法,對利用PPG信號進行血壓測量的基本原理與具體流程進行描述,包括現(xiàn)有的公開數(shù)據(jù)集、預處理方法、特征提取技術和預測模型的選擇;對基于PPG信號的傳統(tǒng)脈搏時延法、人工設計特征和深度學習3種分別預測連續(xù)血壓方法的優(yōu)缺點進行對比分析,以及在臨床應用中的適用性;討論基于PPG信號的血壓連續(xù)測量方法未來研究方向。從以上5個方面分別進行詳細闡述,以便研究者們更好地了解該項技術的優(yōu)勢與不足,為今后的研究提供參考。

1 傳統(tǒng)血壓測量方法

傳統(tǒng)血壓測量方法有直接測量與間接測量兩種。前者實現(xiàn)血壓的連續(xù)實時監(jiān)測必須通過有創(chuàng)插管的方式,獲取人體瞬時和持續(xù)性的血壓動態(tài)變化[10]。由于可以連續(xù)生成整個血壓波形,有創(chuàng)直接測量是當前血壓測量的金標準[11],但因其侵入特性,僅用于一些臨床研究和危重癥監(jiān)護等特殊場合[12]。間接測量測得的血壓基本接近主動脈內壓力,同時也是臨床診療中最常用的測量方法之一[13]。關于間接血壓測量的傳統(tǒng)方法主要有柯氏音聽診法、示波法、容積補償法、張力測定法、超聲測壓法等[14]。

1.1 柯式音聽診法

柯氏音聽診法通過聽診器來辨別動脈血流受阻過程中的過流聲音,并找到相應的壓力點,通過檢測這些聲音和壓力點,確定收縮壓(systolic blood pressure,SBP)和舒張壓(diastolic blood pressure,DBP)[15]。該方法由聽診器和血壓計袖帶組成,通過袖帶充氣逐漸增加壓力,聽診器在肘部內側和橈動脈處聽取血流聲,最大搏動聲處即為收縮壓的讀數(shù),緩慢放氣直到聽不到搏動聲,即為舒張壓的讀數(shù)。于大騫等[15]利用柯式音法原理,采集這些聲音和壓力信號,擬合出靜壓力方程并識別壓力信號中的突變點,通過自適應計算閾值完成特征點提取,并以心率作為搜索步長,提高了血壓測量的準確性。但該方法受人為因素影響較大,測量結果可能會有較大誤差。

1.2 示波法

示波法是通過檢測袖帶內血管壁搏動產生的氣體振蕩波來間接測量血壓[16]。袁森等[17]采集袖帶壓的同時獲取脈搏波,實時檢測最大脈搏波峰值點,計算出的心率為基準達到智能充氣放氣的要求。該方法袖帶中脈沖波的形狀呈紡錘形,根據(jù)脈沖波和袖帶壓力之間的相應關系構建一個包絡曲線。包絡曲線的頂峰與平均動脈壓(mean artery pressure,MAP)的時相一致,通過包絡曲線可以確定MAP,然后計算出收縮壓和舒張壓[18]。該方法是測試大量人群而給出統(tǒng)一的測量依據(jù),因此不同人群測量可能會出現(xiàn)偏差。

1.3 容積補償法

容積補償法利用了血流量與血壓之間的關系,Samimi等[19]研究中描述了該方法的原理,通過測量手指套內的容積變化,調節(jié)系統(tǒng)通過袖帶作用在血管壁上的外部壓力的不斷變化,使血管的血容量保持恒定,用標定好的轉換系數(shù)將容積變化轉換成相應的血壓值。該方法會對測試部位產生一定壓力,受試者會有較強的束縛感,在測量之前需要對被測者進行標定,同時較長時間測試會引起測量部位的靜脈充血。

1.4 張力測定法

張力測定法通過在橈動脈部位的壓力換能器施加適當?shù)耐鈮毫?得到內部壓力等于外部壓力時的外壓力值,檢測動脈搏動的最大和最小信號,獲得相應的收縮壓和舒張壓[15]。該方法需要測試者保持相對平穩(wěn)狀態(tài),外壓會隨內壓的變化而變化,容易產生測量誤差。

1.5 超聲測壓法

超聲測壓法其原理是測量超聲波在經過體內血流循環(huán)系統(tǒng)時產生的多普勒頻移,當袖帶壓力與動脈壓力相同時,超聲波會產生多普勒頻移,初次檢測到多普勒頻移時,可確定袖帶壓力即為動脈收縮壓,多普勒頻移明顯下降時,袖帶壓力即為動脈舒張壓,邢長洋[20]通過超聲成像準確定位右房中心和頸內靜脈塌陷點,能夠簡單快捷實現(xiàn)對右房壓的無創(chuàng)測量。但該方法需要高精度的儀器,并容易受到身體運動干擾。

直接測量與傳統(tǒng)間接測量都存在一定的局限性。前者因其測量侵入性,使得適用人群不夠廣泛,且會對身體造成一定創(chuàng)傷;后者因其測量間斷性與不適性,無法實時跟蹤動態(tài)血壓變化,因此難以獲得連續(xù)血壓[21]。克服這些困難的一種血壓測量技術是光電容積脈搏波描記法(PPG),該方法是一種光學檢測技術,可檢測出人體組織微血管當中的血容量變化,近年來,由于對血壓連續(xù)無袖監(jiān)測的迫切需求,大量研究者們對光電容積脈搏波進行深入分析以實現(xiàn)無創(chuàng)血壓的監(jiān)測,并在可穿戴設備中應用廣泛[22]。

2 PPG理論背景與技術原理

2.1 理論背景

PPG技術的理論背景涉及光的吸收和散射,以及人體血液的光學特性。它基于一個簡單的原理:血液可以吸收和反射不同波長的光。Morère[23]首次給出了光通過介質傳播的理論解釋,該理論表明,當光通過介質傳播時,光的強度損失與光強和光路長度成正比。后來Beer[24]發(fā)現(xiàn)了另一種衰減關系,即如果濃度和路徑長度的乘積保持不變,光通過溶液的透光率保持不變。在此基礎上,朗伯比爾定律的推導結合這兩個定律,將吸光度量化為衰減物質濃度和材料厚度的函數(shù)[25]。

2.2 技術原理

PPG是一種非侵入性的光電測量技術,裝置簡單、易于攜帶且不會對人體造成損傷,用于測量每次脈沖的血容量變化[26]。在大多數(shù)PPG技術應用中,傳感器或探針被放置在皮膚表面照射皮膚組織,透過皮膚組織的光線由組織層和亞層波長相關的光學特性進行調制[27]。其傳感器由兩部分組成:一個發(fā)光二極管用于照亮皮膚表面,另一個光電探測器用于測量一段時間內光吸收的變化。對于肌肉、靜脈、骨骼以及其他連接組織,這些非脈動性以及相對連續(xù)的直流(DC)成分對光的吸收恒定不變;但血液因流動特性,對光的吸收會有所變化[28]。PPG信號的高頻部分,也稱為交流(AC)成分,包含有關心臟搏動的信息,與心跳同步變化。交流成分疊加在直流的低頻部分上,受呼吸、非血管組織、交感神經系統(tǒng)活動和血壓控制等因素的影響[29],如圖1所示。通過光強變化記錄動脈血管中血流量的變化情況,便攜式或電子化的可穿戴的醫(yī)療設備可直接穿戴在人體,并可以用來感知、記錄、分析、管理和干預[30]。目前市場上各類智能手環(huán)、手表等脈搏信號采集端口用的就是此種方法[31]。

圖1 光源照射下PPG信號組成[29]

3 開源數(shù)據(jù)集

在利用PPG信號預測血壓的研究領域,研究人員已經發(fā)布了一些開源數(shù)據(jù)集,包括:MIMIC-Ⅱ、MIMC-Ⅲ、UCI-BP、Queensland Vital Signs、Figshare、PPG-DaLiA和Real-World多個數(shù)據(jù)庫可供解析與下載。開放的數(shù)據(jù)集為研究者們提供了血壓預測實驗的數(shù)據(jù)基礎,有助于不同算法間的公平比較。

3.1 MIMIC-Ⅱ

MIMIC-Ⅱ是由美國麻省理工學院計算機科學和人工智能實驗室開發(fā)的數(shù)據(jù)庫。包含了來自兩家波士頓醫(yī)院超過32 000名病人的詳細醫(yī)療信息,含有關生理信號、血壓和其他波形的記錄[32]。包括診斷、治療、生理監(jiān)測、實驗室測試結果、藥物治療和醫(yī)療過程中使用的設備等信息。這些數(shù)據(jù)通常用于研究臨床問題、構建預測模型和評估治療方法等。

3.2 MIMIC-Ⅲ

MIMIC-Ⅲ是MIMIC-Ⅱ數(shù)據(jù)庫的更新版本,包含了更多病人數(shù)據(jù)和更豐富的信息。它提供了在不同醫(yī)院接受重癥治療超過46 000名病人的詳細醫(yī)療信息與數(shù)據(jù)。包含2001—2012年ICU收治的53 423名成年患者,它還包含了2001—2008年入住的7 870名新生兒的信息[33]。MIMIC-Ⅱ、MIMIC-Ⅲ的所有數(shù)據(jù)都免費公開,研究者們可以通過PhysioNet庫(http://physionet.org/)訪問。

3.3 UCI-BP

加州大學歐文分校機器學習數(shù)據(jù)庫(UCI-BP)中的血壓數(shù)據(jù)集來源于MIMIC-Ⅱ,該數(shù)據(jù)集由3個信號組成,存儲在矩陣單元陣列中[34]。其中PPG、動脈血壓(arterial blood pressure,ABP)、心電信號(electro cardio gram,ECG)采樣頻率均為125 Hz,該數(shù)據(jù)庫的數(shù)據(jù)集已經進行了一些相應的預處理與驗證,在大多數(shù)研究中也被廣泛采用。

3.4 Queensland Vital Signs

昆士蘭大學的生命體征數(shù)據(jù)集記錄了32例病例,每個病例的信號長度為13 min～5 h不等,其中包含無創(chuàng)血壓記錄和原始PPG信號波形[35]。然而,該數(shù)據(jù)集存在一些局限性,因病例數(shù)量有限,在常規(guī)外科手術不涉及重大關鍵事件時,數(shù)據(jù)在異常事件識別中的應用受到限制。

3.5 PPG-BP Figshare

該數(shù)據(jù)集在中國桂林人民醫(yī)院記錄,可在Figshare數(shù)據(jù)庫中下載,并建立了一個由PPG傳感器樣品、微控制器和相應應用程序組成的定制移動硬件平臺[36]。它包括入院患者的血壓信號和PPG信號,采樣頻率為1 000 Hz,包含219名21～86歲的患者記錄,還涵蓋了高血壓和糖尿病等疾病。

3.6 PPG-DaLiA

該數(shù)據(jù)集由德國卡爾斯魯厄理工學院的研究人員收集,并由PhysioNet平臺托管,PPG-DaLiA數(shù)據(jù)集包含約42名受試者超過5 000 h的生理記錄[37]。每個受試者的數(shù)據(jù)包括脈搏波形和心率等生理數(shù)據(jù),以及個人特征(年齡、性別、身高和體重)和活動數(shù)據(jù)(步數(shù)、活動類型)。該數(shù)據(jù)庫在數(shù)據(jù)收集中,有15人接受了與日常活動類似的體育活動,但PPG-DaLiA數(shù)據(jù)集提供的年齡信息有限。

3.7 Real-World

該數(shù)據(jù)集包含35名健康受試者記錄的2 074個PPG信號。每個PPG信號包含300個樣本,分為訓練組和測試組,整個數(shù)據(jù)集66%的組別可用于訓練與驗證,測試組約占總數(shù)據(jù)集的34%[38]。

除了上述幾個常用的開源數(shù)據(jù)集以外,也有一些研究者們對自采集的數(shù)據(jù)集進行相應研究,雖然一定程度上能夠提取出PPG特征,實現(xiàn)血壓的預測,但由于采集設備和成本等原因,這些數(shù)據(jù)集規(guī)模大多很小。如表1所示,總結了大多文獻中常用的公開數(shù)據(jù)集,為了適應算法的處理需求,對于采集時間較長的數(shù)據(jù)集,需要將其進行分段處理,將長序列轉化為短序列,這些短序列被稱為樣本。

表1 公開數(shù)據(jù)集

4 PPG信號預處理

無論是開源數(shù)據(jù)集或自采集數(shù)據(jù)集,獲取的PPG信號都容易受到噪聲的影響。這種噪聲源有可能干擾信號的高頻成分,此外,采集的數(shù)據(jù)可能包含一些缺失的序列和異常值,會導致PPG信號丟失原本的信息。特別是患病人群,其身體狀況對PPG信號的影響比較復雜。因此,在進行后續(xù)的特征分析和模型建立之前,對PPG信號進行預處理以獲得高質量的信號是準確預測血壓的關鍵步驟。通常PPG信號的預處理流程包括濾波、周期劃分、信號質量評估與篩選、歸一化4個部分。

4.1 濾波

脈搏信號由心臟搏動產生,檢測時采集的PPG信號比較微弱,容易受到多種噪聲干擾,降低信號的純度,主要有設備產生的電磁干擾、工頻干擾,人體的呼吸、身體位移以及傳感器的偏移等干擾,需要濾波去除高低頻噪聲和基線漂移等影響,以獲得更干凈的PPG信號。

4.2 周期劃分

4.3 信號質量與評估篩選

開源數(shù)據(jù)庫與自采集PPG數(shù)據(jù)集中,信號的質量可能受到如運動偽影、信號噪聲等多種因素的影響。目前關于PPG信號質量的評估還沒有建立一致的標準,往往需要經驗或實驗來篩選出質量較高的信號序列。

Shirbani等[48]計算高于上四分位數(shù)或低于下四分位數(shù)的異常值,識別并去除它們的1.5倍四分位數(shù)區(qū)間。由于純凈的PPG序列應該保持高度的周期性,因此當序列隨著周期長度的倍數(shù)偏移時,信號的自相關性很高。Leitner等[49]利用這一經驗設計了一個自相關濾波器,自相關信號中的峰值被用來確定每個PPG片段的質量,最大自相關的經驗閾值為0.7。師榮堃[45]獲得每個脈搏周期波峰、起點的數(shù)值和位置,尋找相關數(shù)據(jù)指標的上四分位數(shù),并計算每個脈搏周期與平均脈搏周期的相似度,該PPG質量評估算法復雜度較低、魯棒性較高。劉麗佳[50]提出一種基于Chauvenet準則的PPG信號質量檢測方法,通過自適應閾值算法檢測尖峰噪聲信號并計算信號標準差,利用該閾值的Chauvenet準則對標準差進行判別,以檢測并剔除不良信號。

4.4 歸一化

將PPG信號的幅值轉換為[0,1]范圍,可以簡化和增強PPG信號的分析過程,并確保提取的特征對后續(xù)血壓預測過程更加公平。歸一化的方法有線性歸一化、標準差歸一化和非線性歸一化等。朱凌建等[51]使用線性歸一化對數(shù)據(jù)等比縮放使結果映射到[0,1]的范圍內,公式為

(1)

式(1)中:x為原始數(shù)據(jù);xmax、xmin分別為x的最大值與最小值。

陳曉等[52]對樣本數(shù)據(jù)進行歸一化操作,消除數(shù)據(jù)間量綱影響,其歸一化公式為

(2)

式(2)中:M(t)為原始數(shù)據(jù);Mmax、Mmin分別為數(shù)據(jù)中最大值和最小值。

線性歸一化會受到離群點數(shù)據(jù)的影響,數(shù)據(jù)極值可能會導致數(shù)據(jù)在歸一化過程中出現(xiàn)丟失精度的問題;標準差歸一化對于數(shù)據(jù)較小的情況,標準差可能會較小,會放大噪聲的影響;非線性歸一化對于數(shù)據(jù)較為均勻分布的情況,轉換后的效果不明顯。因此需要根據(jù)數(shù)據(jù)的特點和具體需求選擇合適的歸一化方法。

5 血壓預測方法

許多研究學者正從PPG信號中尋找多種特征信息,用于連續(xù)血壓檢測,以獲得更精確的結果,其特征提取技術已經被廣泛研究,并在使用方法上有了顯著改進。目前,基于PPG信號實現(xiàn)的血壓檢測方法主要有以下類型,分別為:基于脈沖傳導速度(PWV)、脈沖傳導時間(PTT)、脈沖到達時間(pulse arrival time,PAT)實現(xiàn)血壓檢測,基于PPG波形特征實現(xiàn)血壓檢測,基于PPG原始信號實現(xiàn)血壓檢測。詳細闡述以上血壓估計的原理與預測方法,通過對PPG信號特征、模型選擇等方面分析,總結并比較基于不同血壓估計方法的各自優(yōu)勢與不足。

5.1 評估標準

血壓預測是回歸分析,通常用均方誤差(mean square error,MSE)、均方根誤差(root mean square error,RMSE)、平均誤差(mean error,ME)、平均絕對誤差(mean absolute error,MAE)、標準誤差(standard deviation,STD)等標準進行評估。

(1) 均方誤差(MSE)。

(3)

(2) 均方根誤差(RMSE)。

(4)

(3) 平均誤差(ME)。

(5)

(4) 平均絕對誤差(MAE)。

(6)

(5) 標準誤差(STD)。

(7)

常用血壓預測評估標準為美國醫(yī)療儀器先進協(xié)會(Association for the Advancement of Medical Instrumentation,AAMI)規(guī)定的血壓測量儀器的MAE與ME應小于5 mmHg,STD與RMSE應小于8 mmHg;英國高血壓學會(British Hypertension Society,BHS)制定的分級標準[53],如表2所示,達到A級或B級則符合臨床使用條件。

表2 BHS累積誤差百分比

5.2 基于PWV、PTT、PAT的血壓檢測

5.2.1 理論基礎

脈搏波傳導速度(PWV)公式[54]為

(8)

式(8)中:E為血管壁的彈性模量;h為血管壁的厚度;ρ為血液的濃度;D為平衡狀態(tài)下彈性血管的內徑。對流體波傳導速度公式進行修正,得到可以適用于動脈血管流體的傳導速度公式[54]為

(9)

式(9)中:K為莫恩斯常數(shù),動脈壁彈性越大(彈性模量E越小),脈搏波的傳導速度(PWV)越慢,反之越快。Hughes對動脈壁彈性模量模型深入研究,提出彈性模量與血管跨壁壓(Ptm)之間的物理公式[55]為

E=E0exp(αPtm)

(10)

式(10)中:E0為無壓環(huán)境下的血管彈性模量;α為血管的特征量;Ptm為血管跨壁壓。當動脈血管中的脈搏波傳遞距離(L)一定時,脈搏波傳導速度與其傳導時間(T)成反比,代入式(10)最終得到血壓的計算公式[55]為

(11)

5.2.2 檢測方法

Geddes等[56]首次提出利用心電圖(electrocardiogram,ECG)的R波和脈搏波傳導時間間隔(PTT)來預測收縮壓和舒張壓。該方法需要在兩個不同部位放置兩個信號傳感器,測量兩個部位的脈搏傳播時間差, PTT、PWV是脈搏波在動脈兩個部位之間傳播所需的時間或速度[57]。兩個位置的信號其中一個可以從心電圖中獲取,另一個從PPG中獲取,此外,還可以通過使用兩個PPG傳感器來計算PTT、PWV。因此,可以通過從PPG和其他動脈波形計算PTT、PWA并將其校準來檢測血壓。放置傳感器最常見的身體部位通常是耳朵、手指、腳趾和胸部等。

不同PTT的檢測方式也有所區(qū)別,Lin等[58]使用ECG和PPG的不同特征點,計算出不同PTT參數(shù),并與血壓進行相關性分析,如圖2所示。

圖2 不同PTT計算方法[58]

PTT計算為從ECG的R峰、Q谷或S谷到PPG的一階導數(shù)的峰或谷的時間間隔,Lin等[58]計算了所選13個數(shù)據(jù)集的心跳間血壓與不同心跳間 PTT參數(shù)的相關性,共3 910個心跳數(shù)據(jù),當PTT作為從心電圖Q谷到PPG一階導數(shù)峰值的時間間隔時,與收縮壓、舒張壓相關性最高,有助于提高血壓估計的準確性。Nabeel等[47]開發(fā)了一種具有雙模態(tài)探頭布置的原型裝置來估計頸動脈血壓,建立了動脈段BP與PWV的數(shù)學模型,通過同時測量頸動脈局部PWV、頸動脈到手指脈搏通過時間(PTT)和頸動脈脈沖到達時間(PAT),并對模型進行校準,研究局部PWV、PAT和PTT的無袖帶血壓估計精度。結果顯示使用局部PWV通過受試者特異性模型能實現(xiàn)更準確的動脈血壓測量,并證明了在高血壓檢查和動脈硬度指數(shù)評估中的潛在效用。陸一乾[59]提出一種基于LMS的多波長算法來獲得小動脈PTT,在多波長PPG信號中,重建動脈和毛細血管的PPG信號,排除其他血管層的干擾,以精確提取小動脈的PTT信號,驗證了小動脈 PTT對于連續(xù)血壓模型的預測結果提升,且高血壓人群收縮壓的MAE降低了0.34 mmHg(1 mmHg=133.322 Pa)。

脈沖到達時間(PAT)是另一種預測血壓的參數(shù),PAT定義為在同一心跳周期內,不僅包括脈沖傳輸時間,還包括心臟血液預射期(pre-ejection peri-od,PEP),即收縮的心肌將心室內壓力增加至足以打開主動脈瓣并將血液壓出心室的時間間隔[60]。Heimark等[61]研究了受試者參加等長和動態(tài)的運動測試,包括在之前、期間和之后的坐姿休息時間。結果證實PAT是跟蹤SBP變化的潛在主要特征,DBP和PAT之間的關系因運動方式而異,不同運動方式之間的相關性會從負變正。如表3所示,總結了最新研究中利用PWV、PAT、PTT實現(xiàn)血壓預測的研究果與不足之處。

表3 基于PWV、PTT、PAT的血壓檢測

基于PWV、PTT、PAT實現(xiàn)血壓預測存在一定的局限性。一方面,PWV、PTT、PAT因動脈硬化等疾病的生理因素影響,從而影響動脈壓或脈搏波在整個動脈中的傳輸,例如衰老會改變動脈壁的組成,年齡的增長會使得血管中的彈性蛋白被膠原蛋白取代,降低動脈順應性,進而降低了PWV、PTT、PAT[69],因此基于該方法的血壓檢測需要頻繁校準。同時大多數(shù)利用該方法的研究都采用較為簡單的線性模型進行血壓預測,在不同的數(shù)據(jù)集上的預測效果不太理想。另一方面,PWV、PTT、PAT的測量需要近端和遠端動脈波形,在兩個波形測量PTT的情況下,最好將傳感器放置在盡可能遠的位置,從便捷性的角度來看,使用PPG等其他傳感器時,希望將多個傳感器封裝到單個設備中。綜上,基于PWV、PTT、PAT的血壓測量需要在預測精度和便捷性之間進行提升與改善。

5.3 基于人工設計特征機器學習的血壓檢測

血壓波動會引起PPG信號的變化,其波形中蘊含著大量生理病理信息,與心血管系統(tǒng)密切相關,對脈搏波波形分析(pulse wave analysis, PWA)是另一種血壓預測的研究方法。不同于利用PWA、PTT、PAT建立具有生物醫(yī)學意義的血壓檢測方法,基于PPG波形特征的血壓檢測是通過提取和選擇PPG波形的特征,并形成復雜的校準方程,將大量的特征參數(shù)回歸間接估測血壓。該方法通常篩選與血壓相關性最高的信號特征,結合人工智能算法來建立血壓估計模型,該方法也可與PTT一起使用,提高血壓測量的準確性。相對于只利用PWV、PTT、PAT的方法,基于PPG波形特征的血壓檢測模型通常不需要進行參數(shù)校正。

5.3.1 波形特征提取

許多研究人員正在從PPG信號中尋找更多特征信息,以獲得用于血壓估計的可靠結果。Teng等[70]在利用脈搏波分析技術估計血壓的可行性進行了前瞻性研究,在沒有使用袖帶的情況下,從單個PPG波形中提取4個特征:1/2的寬度、2/3的脈搏幅度和收縮時間以及舒張時間,進行血壓預測的實用性分析。目前大量文獻中已經研究了許多PPG信號特征提取技術,通常有時域、頻域、人口信息、熵、混沌等特征,并在使用的方法上提出了相應的改進[71]。

1)時域特征

時域特征是指在時間軸上對PPG信號進行統(tǒng)計分析,通常先對原始PPG信號進行關鍵特征點的識別,包括波形的波谷、波峰、重搏切跡等,PPG信號的脈沖寬度(pulse width)可以用來反映心臟的收縮和舒張過程中的血液量變化情況,從而反映出心臟的功能,如圖3所示。

圖3 PPG信號常見脈沖寬度[7]

其中收縮寬度分別為10%、25%、33%、50%、66%和75%,舒張寬度分別為10%、25%、33%、50%、66%和75%。同時PPG的一階導數(shù)和二階導數(shù)在檢測PPG的特征點和分析PPG波形的特征方面也發(fā)揮著重要作用[72],如圖4所示。

起始和結束分別表示波形的開始和結束;sys和dia分別表示收縮和舒張峰值;dic表示重搏切跡;ms表示最大斜率點;a、b、c、d和e為二階導數(shù)的5個關鍵特征點

由圖4已知的重要波形特征點,可計算出相關時域特征,主要包括時間參數(shù)、波形幅值參數(shù)、波形面積參數(shù)、時間對比參數(shù)與幅值對比參數(shù)等[73]。

2)頻域特征

3)熵

PPG信號的信息熵、樣本熵、近似熵、排列熵等可以反映其復雜度和不規(guī)則程度[75]。計算快速傅里葉變換分量大小并歸一化可得信息熵,可以評估信號的復雜度與信息量;樣本熵是基于相鄰信號點之間的距離來確定PPG信號的復雜性,而不是直接計算信號的波形形狀[76]。近似熵也是基于相鄰信號點之間的距離來衡量PPG信號的規(guī)則性。根據(jù)排列熵準則判斷信號的閾值范圍能夠濾除高頻噪聲和基線漂移[77]。

4)個人體征信息

在PPG信號特征分析中,個人體征信息(身高、體重、性別、年齡等)可以用于研究不同人群的生理差異和疾病風險等問題,也可以作為血壓預測模型的輸入。此外,個人體征信息還可以用于PPG信號的人群分類和個性化識別[78]。將PPG信號的特征與不同人群的生理差異聯(lián)系起來,實現(xiàn)對個體的識別和分類,進一步提高血壓監(jiān)測的準確性和有效性。

5)其他特征

混沌方法非線性特征可以直觀地為血壓估計提供可靠的框架[79]。此外,還有一些能夠反映生理狀態(tài)的特征參數(shù),都可以通過PPG信號進行相應計算,脈搏波波形特征系數(shù)K值與血管結構、血液循環(huán)特性等多種參數(shù)有關,可以反映微循環(huán)中的優(yōu)劣程度[80]。光容量描記強度比能反映動脈內徑的變化,與血壓的變化相關[81]。

5.3.2 特征選擇

在PPG信號特征分析中,特征選擇是一個重要的環(huán)節(jié),其目的是從眾多特征中篩選出對血壓估計最具有優(yōu)勢的特征,避免特征的冗余,得到全局最優(yōu)解。該過程通常會根據(jù)特征與血壓的相關性、PPG特征維數(shù)和分析方法等因素選取其中數(shù)個特征進行分析。此外,李勐等[82]還提出一種支持包括脈搏信號在內的多種生理指標特征的融合分析方法。常用的特征選擇方法包括相關性分析、主成分分析、嵌入式特征選擇等。將特征選擇作為機器學習算法的一部分,通過訓練模型選擇最優(yōu)特征組合。該過程需要注意避免特征過多、特征之間相關性過強等問題,以提高特征分析的可靠性和有效性。

5.3.3 機器學習算法

許多機器學習算法可以識別和分析PPG信號與血壓之間的復雜映射關系,從而建立有效的血壓預測模型。利用PPG進行血壓的預測是一種回歸方法,通常有多元線性回歸模型(multiple linear regression,MLR),隨機森林回歸(random forest regression,RFR),人工神經網絡(artificial neural networks,ANN)等,故討論基于機器學習方法實現(xiàn)PPG信號與血壓之間的預測。

王夢婷[73]根據(jù)PPG波形特征點與其生理學意義,對提取出時域波形特征與血壓進行相關性分析和多元線性回歸,實現(xiàn)群體和個體標定的血壓測量。但該研究僅采用了PTT和時域特征來計算血壓,可增加頻域等其他特征進一步提高血壓檢測的準確性。趙彥峰等[83]利用偏最小二乘法對50名志愿者的200組PTT和脈搏特征訓練建模,分析了個體脈搏波特征參數(shù)與血壓值的相關性,并將與血壓高度相關的參數(shù)作為優(yōu)化脈搏波特征參數(shù)加入PTT與血壓的校正模型中,克服在基于PTT的無創(chuàng)血壓檢測中個體差異對測量準確度的影響,預測出舒張壓、收縮壓的MAE均小于5 mmHg。黃曉祥[84]在被試者不同的實驗狀態(tài)下(平躺、坐立、深呼吸等),利用支持向量回歸和隨機森林回歸兩種方法建立血壓預測模型。測試集的預測結果滿足AAMI標準,并展望了建立端到端的無需人工提取特征的深度學習模型。Mahmud等[85]探討了自動編碼器在根據(jù)PPG和ECG信號自動提取特征預測血壓方面的適用性,對 MIMIC-Ⅱ數(shù)據(jù)集的12名患者的942個實例進行了實驗,在自采集數(shù)據(jù)集與MIMIC-Ⅱ數(shù)據(jù)集上的預測結果均達到了英國高血壓協(xié)會(BHS)的A級。

除了傳統(tǒng)的機器學習算法,近年來基于深度學習的血壓預測研究也在逐年增加。Dey等[78]開發(fā)出基于人口統(tǒng)計學和生理劃分的血壓預測模型,收縮壓與舒張壓的MAE測試精度為6.9 mmHg 和5 mmHg。這種方法驗證了基于單個PPG傳感器的方法也可以較高精度預測血壓。此外,卷積神經網絡(convolutional neural network,CNN)可以對高維特征進行學習,雙向長短記憶網絡(BiLSTM)可以雙向提取特征并在時間序列上進行建模分析,注意力機制(Attention)可以根據(jù)關鍵性來為特征分配權重。楊瑤[86]利用這些網絡特性,構建出CNN-BiLSTM-Attention的新模型結構,該模型在訓練過程中的收斂速度快,測量更加精準,在輸入人工提取的5個特征后,與長期遞歸卷積網絡和Attention-BiLSTM網絡進行比較,該方法在少量數(shù)據(jù)集上得到的血壓測量結果優(yōu)勢明顯。Senturk等[74]介紹了一種基于PPG信號特征的新型血壓估計技術,該研究使用LSTM和主成分分析,從原始PPG信號中提取了12個時域特征,對PPG信號主成分分析提取了10個特征。使用LSTM模型形成22個特征用于血壓估計,結果證明基于LSTM和主成分分析相結合的模型在提高血壓預測精度上明顯提升。Yao等[87]實現(xiàn)一種基于特征組合和人工神經網絡的便攜式血壓預測系統(tǒng),提取并融合多維特征,包括2 010組基于PPG的特征和2組基于人口統(tǒng)計學的特征,最后,采用兩層前饋人工神經網絡算法進行回歸,該模型對兩名受試者的血壓進行了半個月的跟蹤,為日常血壓監(jiān)測奠定了基礎。

PPG二階衍生物可以治療血管老化,其包含了與血壓高度相關的主動脈順應性與血管硬度等信息。Liu等[88]利用這一新發(fā)現(xiàn),提出了14個新的基于二階導數(shù)特征,將其與21個時域PPG特征相結合,開發(fā)出一種基于支持向量回歸的BP預測方法,該方法能將傳統(tǒng)基于PPG時域特征的BP估計精度提高40%。此外Park等[89]設計了模擬電路來采集心肺復蘇術期間的 PPG 信號,在心肺復蘇過程中使用耳垂PPG信號結合LSTM模型用于血壓測量,并展望了僅使用單耳PPG通過LSTM來估計BP的前景,即使在心肺復蘇術期間也可以估計血壓。Landry等[90]研究了中等強度和重度運動期間的血壓監(jiān)測方法,通過將基于人群的非線性自回歸模型與前饋人工神經網絡(ANN)模型和脈沖到達時間(PAT)模型進行了比較,結果顯示基于人群的非線性自回歸模型比其他模型表現(xiàn)更好,并在估計平均動脈壓(MAP)的較大變化時效果顯著,但該方法需要定期校準以解釋勞累期間血管阻力的變化。Aguet等[91]對基于PPG的方法以準確跟蹤麻醉誘導過程中產生的血壓變化,通過LASSO回歸自動識別最能反映血壓變化的特征子集,并進行特征相關性分析,使用三種模型回歸,結果表明與侵入性血壓參考值的一致性超過99%。此基礎上,Chang等[92]將PPG的原始波形、快速傅里葉變換計算的頻譜圖和連續(xù)小波變換計算得到的標度圖視為3種輸入特征類型,使用CNN模型訓練,當沒有其他參考信號源時,降低了運動偽影的影響。

大多數(shù)BP預測模型側重于PPG信號的波形特征,而ECG中R波的峰值僅用作時間參考,很少有參考研究ECG波形。Ma等[93]評估了心電圖中7種特征波形對血壓估計改善的影響,PPG是主要信號,通過添加ECG、P波、QRS波、T波和無形成5種輸入組合,在比較結果中,可視化了卷積神經網絡對PPG和ECG每個波形的關注分布,其中QRS波和T波對最小化誤差的貢獻大于P波。表4總結了近幾年基于PPG波形特征(PWA)實現(xiàn)血壓檢測的研究成果與不足。

表4 基于脈搏波波形特征的血壓檢測

基于PPG波形特征的方法在大多研究中展現(xiàn)出良好的預測效果,但其也存在如下局限性。一是PPG信號的特征提取算法雖然從生理學的角度探討了特征與血壓、心血管狀態(tài)之間的關系,但并未經過臨床數(shù)據(jù)驗證,難以確定血壓與脈搏波形參數(shù)之間的數(shù)學物理關系。二是基于脈搏波波形特征的血壓檢測方法需要充分挖掘PPG波形中包含的信息,其結果高度依賴于PPG波形基準點檢測的準確性。三是對于與血壓監(jiān)測相關的PPG波形的有效特征,嚴重缺乏共識,證明其有效性的生理基礎不足,文獻中大多沒有闡明。四是絕大多數(shù)利用PPG波形特征預測血壓的實驗結果中,收縮壓的預測誤差大于舒張壓的預測誤差。

5.4 基于深度學習的血壓檢測

機器學習是一種淺層學習模型,通常需要人工提取特征,難以應對海量高維數(shù)據(jù)和復雜函數(shù)表征[100]。近年來,深度學習在PPG信號預測血壓的應用上正在不斷增長,包括利用深度學習算法從原始PPG信號中提取血壓信息。許多研究人員傾向于將原始PPG信號與導數(shù)信號作為輸入,利用深度學習提取復雜高維特征,通過卷積計算能力的優(yōu)勢進行連續(xù)血壓監(jiān)測。整個過程,從輸入原始數(shù)據(jù)到獲取所需的計算結果,都在網絡內進行,包括訓練和推理階段[101]。如卷積神經網絡(CNN)、循環(huán)神經網絡(RNN)、長短記憶網絡(LSTM)等網絡模型的應用。

5.4.1 基于PPG原始序列信號的血壓檢測

大多基于PPG原始信號的血壓檢測方法已經在研究中得到驗證,與傳統(tǒng)血壓監(jiān)測方法的準確性相當。師榮堃等[102]構建出循環(huán)神經網絡層、上下文連接層及全連接層三層合一的模型,分別在RNN層與上下文連接層輸入PPG信號和個人體征信息,預測結果達到AAMI標準的測試精度。CNN+LSTM模型也是該項研究中應用最廣泛的模型之一。在Tazarv等[103]的研究中,CNN被用作特征提取模塊,LSTM負責對時間序列進行建模,在MIMIC-Ⅱ數(shù)據(jù)集隨機選擇的20名受試者身上驗證了CNN+LSTM模型,收縮壓和舒張壓的MAE和STD分別為(3.70±3.07) mmHg和(2.02±1.76) mmHg,而在昆士蘭數(shù)據(jù)集上的驗證結果也達到了BHS標準的A級。熊嘉豪等[104]提出一種基于嵌入SE注意力機制的時域卷積網絡(TCN-SE)模型,使得模型能摒棄一些雜質信息,關注PPG信號內的細微特征,不僅可以有效地解決梯度消失問題,在防止模型過擬合的同時,增加模型的感受野,加強了模型對于不同通道信息的關注度,測試得到收縮壓誤差為(5.09±7.04) mmHg,舒張壓的誤差為(2.96±4.23) mmHg。蒲彥安[105]通過分階段的方式構建多模態(tài)多階段血壓預測模型,通過裁剪方法對訓練集進行數(shù)據(jù)增強,并加入ECG信號特征,對比采用CNN、VGG19和LSTM的血壓預測模型,實驗結果表明VGG19預測性能高于CNN,遠高于LSTM,且基于深度學習的血壓預測模型普遍比基于人工特征的非線性模型性能更高,結果不光滿足AAMI標準同時達到了BHS的A級標準。Leitner等[49]提出了一種混合神經網絡架構,由卷積層、循環(huán)層和全連接層組成,直接對原始PPG時間序列進行操作,每5 s提供一次BP估計,并提出一種遷移學習技術解決個人PPG和BP數(shù)據(jù)有限的問題,對預先訓練的網絡的特定層進行個性化,對收縮壓和舒張壓預測的MAE分別為3.52 mmHg和2.20 mmHg,優(yōu)于現(xiàn)有方法。Tanveer等[9]提出了一種ANN+LSTM網絡,該網絡由用于提取特征的ANN和用于對序列信號建模的兩個堆疊LSTM層組成,所提出的模型在39名MIMIC數(shù)據(jù)集的受試者身上進行了測試,收縮壓和舒張壓的MAE為1.10 mmHg和0.58 mmHg。王軍昂等[106]提出了基于MultiRes+Unet模型的連續(xù)無創(chuàng)動脈血壓測量方法,將原始光電容積脈搏波(PPG)信號作為輸入,使用U-net網絡重構動脈血壓信號,為進一步提高預測血壓波形精度,將重構的血壓信號作為網絡的輸入,采用MultiRes模塊學習不同特征,計算出的收縮壓、舒張壓和平均壓的MAE均在3 mmHg以下。Huang等[107]出了一種基于MLP-Mixer的新型深度神經網絡估計血壓,通過多濾波器到多通道的方法對PPG和ECG信號進行預處理,沒有任何人工特征提取操作,研究了3種不同輸入信號(PPG,ECG或PPG和ECG)的性能,在自采集數(shù)據(jù)集與公開數(shù)據(jù)集上,所提出的方法均取得了優(yōu)異的效果。Yen等[108]采用由多尺度卷積網絡和長短期記憶網絡組成的改進型長期循環(huán)卷積網絡,采用PPG+ECG數(shù)據(jù)作為輸入,得到所提模型的最佳預測結果。該研究中開發(fā)的深度學習模型僅需要較少的層數(shù)便能夠準確估計血壓和心率,驗證了所提模型在估計生理信息方面的有效性。

除了對PPG信號提取復雜的高維特征,一些研究人員還從PPG信號提取出其他信號參與血壓的預測,研究表明這類方法具有一定可行性。胡軍鋒等[109]采用基于小波包的模態(tài)分解技術,從PPG信號中提取出心臟信號和呼吸信號,并將其與ECG信號同步。然后采用卷積神經網絡對上述信號建立血壓檢測模型,從MIMIC-Ⅲ數(shù)據(jù)集中篩選出的5 776條數(shù)據(jù)作為實驗數(shù)據(jù)。結果顯示模態(tài)分解技術與ECG信號結合后,可以有效提高血壓的檢測精度。Chuang等[110]在MIMIC數(shù)據(jù)集中篩選了45名受試者的11 000個PPG和ECG片段,并將注意力機制引入CNN-LSTM模型中,以識別更有效的特征。Treebopachatsakul等[111]對開放數(shù)據(jù)集中的PPG和ECG信號進行傅立葉變換,并使用PPG和心電信號的幅度和相位作為上下文聚合網絡的輸入。此外,Rastegar等[112]提出一種新型混合模型,將卷積神經網絡(CNN)集成為可訓練特征提取器,支持向量回歸(SVR)作為回歸模型,結果表明該混合模型在預測收縮壓方面更有優(yōu)勢。

PPG信號是一維生理信號,一些研究將它們轉換為二維圖像,通過在ImageNet上預訓練的模型進行遷移學習。Wang等[113]通過使用可見性圖(visibility graphs,VG)方法將一維PPG信號轉換為圖像。這種創(chuàng)新的方法保留了PPG信號中的時頻信息,并允許使用在大型數(shù)據(jù)庫ImageNet上預訓練的CNN模型進行變換學習。所提出的想法在UCI_BP數(shù)據(jù)集的348條記錄上得到了驗證,預訓練的AlexNet模型得出收縮壓和舒張壓的MAE分別為6.17 mmHg和3.66 mmHg。

5.4.2 基于PPG導數(shù)序列信號的血壓檢測

表5 基于深度學習的血壓檢測

綜上所述,目前基于PPG信號實現(xiàn)血壓檢測在已有研究中已經取得了一定成就,但在數(shù)據(jù)分類、特征解釋與模型檢測方面還存在一些不足:一是對于不同人群的PPG與血壓信號的數(shù)據(jù)庫急需搭建,同時與血壓相關的PPG波形有效特征的可解釋性不夠。二是由于個體之間血壓的差異,即使是在大規(guī)模數(shù)據(jù)集上訓練的深度學習模型也不能完全學習血壓。三是在通用模型的基礎上需要針對個體找到比較簡單的單點校準方法,實現(xiàn)人體個性化血壓建模技術研究。以上都是基于PPG信號實現(xiàn)血壓預測的未來發(fā)展與實驗研究的重要環(huán)節(jié)。

6 未來研究方向

PPG在無袖帶連續(xù)血壓監(jiān)測中具有巨大的應用潛力,從早期基于多路信號的簡單回歸,到結合人工智能算法的PPG特征提取,再到最近使用原始PPG信號的深度學習模型,連續(xù)無袖帶血壓估計的研究取得了巨大進展。然而,盡管當前多種血壓估計方法已經出現(xiàn)并取得了一些成果,但要達到商業(yè)與臨床應用的標準,基于PPG的連續(xù)血壓監(jiān)測技術未來還需要在以下方面進行深入研究。

6.1 數(shù)據(jù)有效分類

大多數(shù)研究人員通常使用開源數(shù)據(jù)集進行研究,詳細的個人體征信息與合適的生理信號血壓數(shù)據(jù)集較難同時獲取。例如MIMIC-Ⅱ、MIMIC-Ⅲ數(shù)據(jù)集,該數(shù)據(jù)集的采樣人群幾乎都是ICU重癥監(jiān)護室的患者,其中包含復雜的身體狀況存在對血壓的不同影響,不同人群之間的血壓變化存在差異,因此需要大規(guī)模的異構數(shù)據(jù)集來提高模型的適應性。一些研究人員也使用自己收集的數(shù)據(jù)集進行研究,但是由于數(shù)據(jù)量較小,研究中很少對不同采樣數(shù)據(jù)進行有效分類,導致血壓預測模型建立的對象較為混亂,實驗的驗證結果置信度不高。因此,建立大規(guī)模的異構數(shù)據(jù)集進行有效分類,有助于提高模型的魯棒性和泛化能力,以應對不同人群的血壓預測情況。

6.2 特征可解釋性

PPG信號的特征提取算法在探索特征與血壓、心血管狀態(tài)之間的關系方面存在一些挑戰(zhàn),尤其是缺乏臨床數(shù)據(jù)驗證和共識,特征的可解釋性不夠。特征提取算法雖然從生理學的角度探討了特征與血壓、心血管狀態(tài)之間的關系,但并未經過現(xiàn)有臨床病人的數(shù)據(jù)驗證,難以確定血壓與脈搏波形參數(shù)之間的數(shù)學物理關系。對于與血壓監(jiān)測相關的PPG波形的有效特征,研究中大多沒有闡明,嚴重缺乏共識。未來需要更深入探究波形特征與心血管系統(tǒng)之間的內在聯(lián)系,證明其有效性的生理基礎,可能涉及更大規(guī)模的臨床數(shù)據(jù)驗證,與其他生理參數(shù)的關聯(lián)研究,以及更全面的生理學理論研究。

6.3 數(shù)據(jù)增強

一般通過可穿戴式設備或傳感器來檢測獲取PPG信號,但初步獲得的PPG信號因易受到噪聲影響,使得獲取的信號較為復雜,這些噪聲對于后期的波形特征提取具有嚴重影響。未來研究可以探索更好的信號測量方式與處理方法,得到高質量、低干擾PPG信號,同時根據(jù)信號質量的好壞動態(tài)調整硬件采集的刷新時間,以補償運動偽影對PPG信號的影響。設計復雜的動態(tài)模型應用于穿戴式血壓監(jiān)護產品中,提高血壓連續(xù)監(jiān)測系統(tǒng)的健壯性,解決可穿戴設備生理參數(shù)預測不準確的難題。

6.4 個性化建模技術研究

一方面在采用同一種預測模型對收縮壓和舒張壓進行預測時,大多估計的收縮壓誤差大于舒張壓誤差。由于兩種壓力產生的生理機制不同,因此在基于PPG信號的血壓預測中,可能需要使用不同的特征和算法,才能更好地預測收縮壓和舒張壓。另一方面,大多研究公開數(shù)據(jù)集都只是使用ICU病人的數(shù)據(jù),對于不同的人群測出的血壓誤差較大。人體的生理特征因人而異,不同人群的PPG信號特征、心血管系統(tǒng)等方面存在差異,這些差異性可能會影響到基于PPG信號預測血壓的模型的準確性和有效性。未來需要引入個性化校準技術,實現(xiàn)輕量級模型的特征挖掘和優(yōu)化,提高血壓預測模型的準確性與泛化能力。

7 總結

通過文獻檢索回顧了最新基于PPG信號無袖帶血壓連續(xù)預測技術的研究工作,包括其技術原理、數(shù)據(jù)集、評估標準、預處理方法、特征提取和建模方法等。匯總當前研究者最常使用的公開數(shù)據(jù)集和評估標準,闡述其各自優(yōu)點、局限性及適用范圍;突出采用深度學習模型在血壓預測中的應用,以及這些模型相對于傳統(tǒng)方法的優(yōu)勢;強調基于PPG信號進行血壓測量時所面臨的潛在研究難點與挑戰(zhàn),特別是個體差異與特征可解釋性不夠的影響;最后討論基于PPG信號血壓連續(xù)測量的潛在應用前景,總結該研究領域未來的研究方向與重點。以期為研究人員和學者們提供這一領域關鍵技術的全面理解,闡明最顯著的研究進展,為今后的研究提供參考。