基于多波長脈搏波的血壓預測方法

摘要：為便于對高血壓患者進行長期血壓監測，提出一種基于多波長脈搏波的血壓預測方法。首先，利用多波長脈搏波信號采集系統獲取多波長脈搏波信號，并從中推導出脈搏傳導時間；然后，結合多波長脈搏波的其他特征構建特征向量矩陣；并利用Lasso回歸先對特征向量矩陣進行篩選，再進行血壓預測。實驗結果表明，該方法準確性較高，預測收縮壓、舒張壓的平均絕對誤差分別為4.92、5.68"mmHg，標準差分別為6.15、6.68"mmHg，可作為血壓測量的有效補充方法。

關鍵詞：多波長脈搏波；血壓預測；Lasso回歸；脈搏傳導時間

中圖分類號：R318; TP181"""""""""文獻標志碼：A""""""""文章編號：1674-2605（2025）01-0007-06

DOI：10.3969/j.issn.1674-2605.2025.01.007"""""""""""""""""""""開放獲取

Blood Pressure Prediction Method Based on Multi-wavelength Pulse Wave

GUO"Bin""YANG"Qiyu

（Guangdong University of Technology， Guangzhou 510006， China）

Abstract： To facilitate long-term blood pressure monitoring of hypertensive patients， a blood pressure prediction method based on multi wavelength pulse wave is proposed. Firstly， using a multi wavelength pulse wave signal acquisition system to obtain multi wavelength pulse wave signals， and deriving pulse transit time from them. Then， a feature vector matrix is constructed by combining other features of multi wavelength pulse wave， and use Lasso regression to screen the feature vector matrix first， and then perform blood pressure prediction. The experimental results show that this method has high accuracy， with average absolute errors of 4.92 and 5.68 mmHg in predicting systolic and diastolic blood pressure， and standard deviations of 6.15 and 6.68 mmHg， respectively. It can be used as an effective supplementary method for blood pressure measurement.

Keywords："multi-wavelength pulse wave; blood pressure prediction; Lasso regression; pulse transit time

0 引言

心血管疾病嚴重危害人類的生命健康，每年造成約1"040萬人死亡^[1]。高血壓不僅是心血管疾病的主要病因之一，還可能對心臟、大腦、腎臟、視網膜等器官造成傷害，甚至引發心肌梗死、腦出血、腎衰竭等危重癥狀^[2]。近年來，隨著人口老齡化、肥胖等因素的影響，全球高血壓患者數量呈上升趨勢。根據世界衛生組織的報告，在過去30年里，高血壓患者的數量翻了一番，目前已超過12億人^[3]。對高血壓患者進行長期、準確的血壓監測，可以幫助臨床醫生更好

地診斷病情。

脈搏波是心臟收縮引起的血液脈沖在動脈傳播過程中產生的波動。光電容積脈搏波描記法（photo plethysmo graphy，"PPG）是一種低成本、無創、簡單的生理信號檢測方法，用于獲取外周部位（指尖、耳垂和腳趾等）的動脈心血管信號。通過PPG信號可獲得與血壓相關的重要臨床參數，如心率（heart rate，"HR）、脈搏傳導時間（pulse transit"time，"PTT）、脈沖波速（pulse wave velocity， PWV）等。

近年來，PPG信號表征和分析的相關研究已有報

道^[4-6]，文獻[7]采用嵌入式設備從單個傳感器節點獲取多波長光電容積脈搏波（multi-wavelength PPG， MVPPG）信號，并從中提取小動脈PTT來預測血壓，相較于傳統基于PTT的血壓預測方法準確性更高；但該方法需要對每個個體建立模型，應用范圍較為局限。文獻[8]采用與文獻[7]相同的方法獲取MVPPG信號，利用不同波長PPG信號之間的相位不相干特性建立血壓線性模型，但該模型使用的特征較為單一，其預測準確性還有較大提升空間。

針對現有研究存在的問題，本文提出一種基于多波長脈搏波的血壓預測方法。該方法將從MVPPG信號中提取出的PTT特征、PPG信號特征與Lasso回歸相結合，對血壓進行長期、準確地預測。

1 相關理論基礎

1.1 "MVPPG信號

MVPPG信號是指利用多個波長的光獲取的脈搏波信號。因為皮膚具有層狀結構，所以不同波長的光進入皮膚的穿透深度不同，導致光學接收器產生的PPG信號也不同。將不同的PPG信號在時間軸上對齊，即可獲取MVPPG信號。一組典型的MVPPG信號如圖1所示。

如圖1所示，MVPPG信號不僅存在信號強度差異，還存在相位差，這是因為心臟產生的血液脈沖沿血管傳播時，在不同時間依次到達外周動脈、小動脈和毛細血管。因此，MVPPG信號相較于PPG信號，可以從更多維度來反映人體的信息，在醫療監測和生理學研究中具有重要意義。

1.2""PTT模型

2 預測方法及原理

2.1 MVPPG信號采集

MAX30101是一款用于監測脈搏血氧飽和度與HR的集成模塊。本文將2個MAX30101模塊分別置于右手食指的近掌骨指節和遠掌骨指節處，用于獲取這2個位置的MVPPG信號。每個位置的MVPPG信號均包括紅外光PPG信號、紅光PPG信號和綠光PPG信號。

STM32F103主控芯片用于數據的緩存及傳輸，其通過I²C通信協議與MAX30101模塊連接，通過串口將緩存數據傳輸至QT上位機。

QT上位機在Intel i5 13600KF上搭建Windows 10操作系統，并采用QT 5.12.10軟件編寫界面，能夠可視化采集的MVPPG信號，丟棄波動較大的MV-PPG信號。

2.2 MVPPG信號預處理及特征選取

通過對MVPPG信號進行預處理，可提取有用特征，去除噪聲干擾。本文采用0.5～5 Hz的二階Butter-worth帶通濾波器，去除采集MVPPG信號時，因呼吸或肌肉震顫而引起的基線漂移和高頻噪聲。

血壓預測采用的特征主要分為三部分：第一部分主要包括年齡、BMI指數、HR、血氧值，如表1所示；第二部分主要包括由MVPPG信號獲取的PTT，以及其與HR相關的數學運算，如表2所示；第三部分主要包括MVPPG信號及其一階導數、二階導數的重要特征，如表3所示，特征獲取示意圖如圖4所示。

第三部分特征分別提取2個采集點的紅外光PPG信號、紅光PPG信號和綠光PPG信號等6種PPG信號的10個特征，共60個特征。將這60個特征與表1、2的13個特征融合，形成73維的特征向量矩陣X，用于血壓預測。

2.3""Lasso回歸

最小絕對收縮和選擇算法（least absolute shrink-age and selection operator， Lasso）回歸是一種線性回歸的正則化方法，可解決線性回歸面臨的過擬合問題。MVPPG信號比PPG信號增加了更多維度，引入了更多特征。Lasso回歸通過在損失函數中引入L1正則化項，使模型權重向量中的部分權重為零，從而實現多重特征選擇。

本文利用Lasso回歸模型來完成特征篩選和血壓預測。采用兩次迭代的方法生成Lasso回歸模型參數用于最終的血壓預測：第一次迭代記錄Lasso回歸生成的參數向量，保留權重系數較大的特征向量，移除權重系數較小的特征向量；第二次迭代使用第一次迭代更新后的特征向量矩陣，重新訓練Lasso模型參數，完成對SBP、DBP的預測，并計算SBP、DBP的預測值與實際值的平均絕對誤差，得到最終的實驗結果。血壓預測流程圖如圖5所示。

3 "實驗

3.1 "實驗設置

本實驗數據來源于MVPPG信號采集系統采集的實驗室人員26組MVPPG信號，采樣率為500 Hz。DBP范圍為62～96 mmHg，SBP范圍為96～134 mmHg，血壓值分布如圖6所示。

實驗硬件環境為Intel i5 13600KF處理器，操作系統為Windows 10，內存為32 GB，軟件環境為MATLAB R2021a版本。本實驗利用歐姆龍血壓計測量的SBP、DBP作為參考血壓。

3.2""實驗結果及分析

為驗證本文提出的基于多波長脈搏波的血壓預測方法的有效性，將其與多元線性回歸^[12]、決策樹^[13]、基于PPG信號的Lasso回歸^[14]3種方法進行血壓預測對比實驗。血壓預測常用的評價指標有平均絕對誤差（mean absolute error，"MAE）和標準差（standard deviat-ion，"STD），其值越小，代表預測值越接近于真實值。美國醫療器械發展協會規定，血壓測量儀器的MAE應小于5"mmHg，STD應小于8"mmHg^[5]。

由于數據樣本較少，為確保實驗結果的可靠性，采用26折交叉驗證，并取其平均值作為最終結果，如表4所示。

由表4可以看出：本文方法相較于多元線性回歸、決策樹與基于PPG信號的Lasso回歸方法，SBP的預測準確性更高，DBP的預測準確性還有提升空間；且與基于PPG信號的Lasso回歸采用233個特征進行血壓預測相比，本文方法在特征數（73）更少的情況下，SBP的預測準確性更高，證明了本文方法的有效性。

4 "結論

本文提出一種基于多波長脈搏波的血壓預測方法。該方法將MVPPG信號與Lasso回歸相結合，有效提高了血壓預測的準確性，可用于無袖套、長期血壓預測。但本文使用的數據集數據量較少，未來需要包含更多MVPPG信號的數據集進行進一步驗證。

?The author（s） 2024. This is an open access article under the CC BY-NC-ND 4.0 License （https：//creativecommons.org/licenses/ by-nc-nd/4.0/）

參考文獻

[1] ZHOU B， PEREL P， MENSAH G A， et al. Global epidemiology， health burden and effective interventions for elevated blood pressure and hypertension[J]. Nature Reviews Cardiology， 2021， 18（11）：785-802.

[2] SUVILA K， NIIRANEN T J. Interrelations between high blood pressure， organ damage， and cardiovascular disease： no more room for doubt[J]. Hypertension， 2022，79（3）：516-517.

[3] ZHOU B， CARRILLO-LARCO R M， DANAEI G， et al. Worldwide trends in hypertension prevalence and progress in treatment and control from 1990 to 2019： a pooled analysis of 1201 population-representative studies with 104 million partici-pants[J]. The Lancet， 2021，398（10304）：957-980.

[4] LOH H W， XU S， FAUST O， et al. Application of photoplethys-mography signals for healthcare systems： An in-depth review[J]. Computer Methods and Programs in Biomedicine， 2022，216： 106677.

[5] QIN C， WANG X， XU G， et al. Advances in Cuffless Continu-ous Blood Pressure Monitoring Technology Based on PPG Signals[J]. BioMed Research International， 2022，2022（1）：809-4351.

[6] CHARLTON P H， PALIAKAIT? B， PILT K， et al. Assessing hemodynamics from the photoplethysmogram to gain insights into vascular age： A review from VascAgeNet[J]. American Journal of Physiology-Heart and Circulatory Physiology， 2022， 322（4）：493-522.

[7] LIU J， YAN B P， ZHANG Y T， et al. Multi-wavelength photoplethysmography enabling continuous blood pressure measurement with compact wearable electronics[J]. IEEE Tran-sactions on Biomedical Engineering， 2018，66（6）：1514-1525.

[8]"李嘉瑋，張勁，白中博，等.基于多波長光電容積脈搏波采集系統的連續血壓測量方法[J].計算機應用，2021.41（S2）：351-356.

[9] LAZAZZERA R， BELHAJ Y， CARRAULT G. A new wearable device for blood pressure estimation using photoplethysmo-gram[J]. Sensors， 2019，19（11）：2557.

[10] KIM S C， CHO S H. Blood pressure estimation algorithm based on photoplethysmography pulse analyses[J]. Applied Sciences， 2020，10（12）：4068.

[11] BOTE J M， RECAS J， HERMIDA R. Evaluation of blood pressure estimation models based on pulse arrival time[J]. Computers amp; Electrical Engineering， 2020，84：106616.

[12] HADDAD S， BOUKHAYMA A， CAIZZONE A. Continuous PPG-based blood pressure monitoring using multi-linear re-gression[J]. IEEE Journal of Biomedical and Health Informa-tics， 2021，26（5）：2096-2105.

[13] HASANZADEH N， AHMADI M M， MOHAMMADZADE H. Blood pressure estimation using photoplethysmogram signal and its morphological features[J]. IEEE Sensors Journal， 2019，20（8）：4300-4310.

[14] DEY J， GAURAV A， TIWARI V N. InstaBP： Cuff-less blood pressure monitoring on smartphone using single PPG sensor [C]//2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society （EMBC）. IEEE， 2018：5002-5005.

作者簡介：

郭彬，男，1999年生，碩士研究生，主要研究方向：生物醫藥信號處理。E-mail： 2300795815@qq.com

楊其宇，男，1977年生，博士研究生，副教授，主要研究方向：生物醫藥信號處理。E-mail："yangqiyu@gdut.edu.cn