1. 引言

高血压是冠心病的主要危险指标,根据世界卫生组织的数据,高血压相当于全球主要的死亡风险[1]。血压 (BP) 测量,包括收缩压 (SBP) 和舒张压 (DBP),是医疗保健的重要生命体征,是管理高血压相关风险的基本生物医学信号。

今天,最常见的血压测量实践是示波技术,因为它的原始性和可用性。

这种做法所证明的问题之一是所谓的“白大褂效应”,即在医生在场的情况下患者的血压升高。

虽然示波技术可以在家中使用,在这种情况下,它有望显示更准确的测量结果,因为它需要使用限制血压自记录的袖带。

此外,文献表明,大多数心血管参数(心率、血压、动脉阻力)都与光电容积脉搏图信号的特征相关,光电容积脉搏图信号揭示了心动周期中血容量的变化[2]。

考虑到这些观察结果,研究人员一直在开发基于心电图(ECG)和光电容积脉搏波(PPG)信号的血压测量技术,其中使用各种方法来提取不同的特征(如PTT)和其他形态特征(如[3]所示)。

尽管目前的方法在BP估计方面表现出高保真度,但它们需要高度的传感器同步,因为它们基于脉搏波速度(PWV)。此外,它们在不同场景中缺乏适用性。

因此,本文提出了一种基于连续小波变换的信号处理方法。此外,为了评估 BP,除了 PTT 之外,我们还考虑了 PPG 信号形态的一些参数。

最后阶段,设计并实现前馈神经网络,构建参考BP与估计BP之间的回归线和相关系数,从而评估可行性。

2.材料与方法

2.1. 设备和实验程序

数据收集涉及记录来自移动心脏监测仪 CardioQvark [ 4] 的 ECG 和 PPG 信号 3 分钟 [ 图 1]。

该设备以 1000 Hz 的采样率获取生物医学信号。 此外,SBP 和 DBP 是从传统的血压计测量的 [图 2],其信息通过 ECG 和 PPG 信号检索。

11 名患者中每位患者平均测量 20 份记录。患者的年龄范围在30至70岁(30至70岁)之间,整体健康状况各不相同。

Patient holding the cardioQVark.
 图1
患者拿着 cardioQVark。
 资料来源:[ 3]。

Reference BP measurement.
 图2
参考血压测量。
 资料来源:作者。

 2.2. 信号处理

以前的信号处理方法需要一个过程来消除来自运动伪影和电源线的不需要的信息,这可能会影响信号的质量。

首先,一旦收集到数据,它就会被组织在表格中,其中收集患者的 ID、血压测量值、ECG 和 PPG 记录并将其导入 Matlab 工作区 [图 3]。

其次,从原始心电图信号中,使用算法识别QRS波群并进一步确定患者的心率(HR)。

为了实现这一点,获得了原始ECG信号的第一个代数导数,以强调R波斜率[5]。

Signal preprocessing.
 图3
 信号预处理。
 资料来源:作者。

其次,根据一阶导数最大值和平均值设置振幅阈值;然后,超过限值的峰被视为R峰。

使用阈值可以自动调整信号变化条件,因为阈值会浮动在噪声上。

常见的心动周期频率范围为每分钟60-120次[6],因此,一旦确定了第一个R峰,预计在下一个R峰出现之前应该经过最短的时间。因此,除了幅度阈值之外,还实现了时域中的滑动窗口。

因此,超过幅度阈值和时间盲区的候选峰表示为R峰。以下工作流程显示了QRS识别过程的算法[图4]。

图5显示了R峰检测的示例。在上面的框中,心电图首先推导,低于盲区区间,检测到 R 峰。

尽管在算法的准确性方面,在某些情况下,R峰无法准确识别,但不精确性不超过十个样本的差异。

这项工作的目的不是深入研究QRS波群,而只是使用R峰来获得R-R区间,这将提供足够的信息来分割周期中的信号。

QRS complex identification process.
 图4
QRS复合物识别过程。
 资料来源:作者。

QRS complex identification example.
 图5
QRS波群识别示例。
 资料来源:作者。

2.3. 信号处理 ECG & PPG 时频分析

小波分析正在成为处理非平稳信号的有力工具[7]。它们通过信号在频域中的频谱分量来描述信号的时间特性。

小波变换 (WT) 是将信号分解为一组基本函数。对于WT程序的设计,有两个重要的函数需要描述:缩放函数和初级小波函数。

缩放函数使信号膨胀或变窄,并与信号的分解水平有关。例如,在第一个分解级别中,应用了 2 的刻度,并将信号采样频率一分为二。

然后在第二个分解级别中,信号采样频率被缩放四倍 [ 8]。

图6显示了应用小波变换后ECG信号的时频表示。可以观察到,包含重要心电图信息的波动特征位于 8 至 32 Hz 的频率范围内。

因此,在较低频率下展示的组件被认为是与患者运动相关的伪影,而在较高频率下暴露的组件是来自电源线的噪声。

WT也应用于原始PPG信号,结果如图7所示。应用与心电图信号相同的解释,主要的PPG信息在2至10 Hz的频率范围内。

在这项工作中,我们考虑随着患者心率 (HR) 的变化,心电图心跳间期也会发生变化。

出于这个原因,我们使用自适应频率范围来提取信号信息,其中边界是根据我们在预处理步骤[9]中获得的R-R间隔检索到的HR来设置的。

ECG scalogram.
 图6
 心电图标线图。
 资料来源:作者。

PPG scalogram.
 图7
 PPG 标尺图。
 资料来源:作者。

在对生物医学 ECG 和 PPG 信号进行时频表示并确定有意义信息所在的频谱范围后,重建过程开始。

在此步骤中,逆连续小波变换 (ICWT) 用于将选定的信号分量组装回原始信号,而不会丢失信息。在图8中,显示了重建和原始的心电图信号。对于信号的组装,通过去除与运动伪影或低频噪声重合的频率分量来校正基线漂移。

此外,来自电力线或高频噪声的伪影被识别并丢弃,以获得滤波和基线校正信号。

对于PPG信号,在进行时频表示和分析后,使用ICWT完成重建信号,并建立重建频率范围,以提取识别的基线漂移分量和捕获的高频噪声[图9]。

ECG signal after WT and Raw ECG.
 图8
WT 和 Raw ECG 后的心电图信号。
 资料来源:作者。

PPG signal after WT and Raw PPG.
 图9
WT 和 Raw PPG 之后的 PPG 信号。
 资料来源:作者。

 2.4. 信号分析

在对生物医学信号进行处理后,需要选择相应的单周期波形模型进行特征提取。

为了获得最能描述整个信号的PPG波形单周期,使用R-R间隔根据一个周期对信号进行整形。

换句话说,最初在向量中描述的信号被组织在一个矩阵中,其中一行表示一个信号周期的数据。

行数取决于信号的长度和 R - R 间隔幅度。

其次,获得一个具有循环间相关系数的矩阵,以便能够评估哪些循环是强相关的。

最后,在信号组模型中收集高度相关的信号组[图10]。通过该过程,获得了图11所示的单周期PPG波形。

考虑到PPG和ECG之间的同步要求,提出了生物医学信号。

在确定最能描述PPG信号或组模型的周期后,提取与ECG信号对应的相同时间的局部周期,并得到相应的模型[图12]。

PPG signal group models.
 图10
PPG 信号组模型。
 资料来源:作者。

PPG Single cycle model.
 图11
PPG单周期模型。
 资料来源:作者。

ECG Single cycle model.
 图12
心电图单周期模型。
 资料来源:作者。

2.5. ECG & PPG 特征提取

脉搏传输时间(PTT)是血液在体内两点之间传播时间的量度,已知与脉搏波速度(PWV)呈线性关系,因此是血压的函数[10,11]。PTT通常定义为心电图信号中的R峰与相应PPG周期的下一个峰之间的时间差[12,13]。

尽管上述定义的PTT由于其与血压的线性关系而具有连续和无袖带监测动脉血压的潜力[14,15],但目前的大多数PTT-BP模型只能提供一个血压参数。

下面介绍了提高血压估计值的努力。对PTT定义提出并解释如下:

峰对点 PTT:本研究提出的峰对峰 PTT 是心电图的 R 峰与 PPG 的第一眼之间的时间差。两种信号模型都是在WT之后获得的[图13]。

峰到脚点 PTT:峰到脚点 PTT 是 ECG 模型的 R 峰和 PPG 模型的脚点之间的时间延迟 [图 14]。

峰至最大斜率点 PTT:确定为同一心动周期中心电图的R峰与PPG一阶导数峰之间的时间间隔[图15]。

在此步骤中,得到PPG模型的一阶导数,并识别局部最大值,给出峰的位置。

该点的时间位置被传输到 PPG 信号以获得模型中的振幅,因此使用它来确定 PTT 的点。

基于 PTT 的血压估计方法作为无袖带监测的可行方法存在一些挑战。在实施方面,它们需要以不同的采样率实时同步两个不同的传感器数据(ECG 和 PPG)。

此外,有研究[ 16] 认为 PTT 与 SBP 密切相关,但在谈论 DBP 时没有表现出相同的性能。这也许是仅根据 PTT 降低预测 BP 准确性的原因之一。

另一方面,在测量血压时,PPG波形内的信息几乎不会被考虑在内。在[17]中,研究发现光电容积脉搏波[图16]信号中出现的第二个峰会影响原始PPG信号主峰的位置和振幅,从而影响PTT。

因此,通过在BP估计中引入PPG第二峰值的信息,测量的血压和预测的血压之间的相关系数可能会增加 (1819)

Peak - to - peak PTT.
 图13
峰值 - 到 - 峰值 PTT。
 资料来源:作者。

Peak - to - foot point PTT.
 图14
峰 - 到 - 脚点 PTT。
 资料来源:作者。

Peak - to - Maximum slope point PTT.
 图15
峰值 - 至 - 最大斜点 PTT。
 资料来源:作者。

考虑到二峰切迹和PPG第二峰的正确识别包含在ECG和PPG分析算法的开发中。PPG 一阶导数用于定位 PPG 信号中的拐点。

二致缺口被确定为PPG一阶导数从负区到正区穿过零值的点[图15]。

此外,舒张峰值被确定为 PPG 一阶导数从负区域穿过零值到正区域的后续点。

最后,一旦在空间和时间上定位了双峰点和次级峰点,我们就可以建立PPG的形态特征,以进行BP估计。

  • Ra:这是PPG信号一个周期中第一个和第二个峰值之间关于脚点的幅度比[图17]。

  • Tsd:表示从第一个峰值到双峰缺口的周期。

  • Tfd:标识PPG脚点和双切迹之间的周期[图18]。

  • T1:表示同一心动周期中从 PPG 足点到 PPG 最大斜率点的时间段。

    通过构建一条最能代表收缩点前PPG波并穿过最大斜率点的线,图形化地获得该线与PPG脚点振幅线之间的交点。

    因此,T1被定义为该交点与脚点时间之间的时间间隔[图19]。

总而言之,在数据集中收集了六个时间跨度指数和一个振幅指数,以构建 ECG 和 PPG BP 相关参数组。对于每个患者,都会创建一个数据集。在每个列中,列分别表示七个特征,并对记录的试验进行行列。

Second peak identification, a - PPG waveform model. b - PPG First derivative. C - PPG Second derivative.
 图16
第二峰值识别,一个-PPG波形模型。b - PPG 一阶导数。C - PPG 二阶导数。
 资料来源:作者。

Ra representation.
 图17
 Ra 表示。
 资料来源:作者。

Tsd and Tfd representation.
 图18
Tsd 和 Tfd 表示。
 资料来源:作者。

T1 representation.
 图19
 T1 表示。
 资料来源:作者。

2.6. 回归分析

为了评估可行性,将从处理信号中提取的七个 PPG 和 ECG 参数与参考 SBP 和 DBP 相关联,使用位于患者上臂的标准血压计测量血压的两个组成部分。

为此,设计并实现了一个具有1个隐藏层和2个输出神经元的人工前馈神经网络,并获得了每个患者的回归线和参考血压与估计血压之间的相关系数[20]。

 3. 结果

在表 1 中,以体重指数、测量的血压和估计的心率来显示患者的健康状况。

该算法针对11名患者进行了测试,ECG和PPG BP相关参数与SBP和DBP之间的相关系数收集在表2中。

 表1

患者的心率、血压和BMI

Patient’s heart rate, blood pressure and BMI
 资料来源:作者。

 表2

参考血压与估计血压之间的相关系数

Correlation coefficient between reference and estimated blood pressure
 资料来源:作者。

图 20 显示了一名患者的参考和估计血压的线性回归。

Linear regression reference and estimated BP
 图20
线性回归参考和估计血压
 资料来源:作者。

 4. 结论

本文提出的方法探索了小波分析作为生物医学信号处理创新方法的能力。

此外,为了实现仅使用PTT进行血压估计的想法,评估中包括了PPG形态学中的一些新参数。结果显示,估计血压和参考血压之间存在很强的相关性。

这为无袖带血压估计提供了机会。

尽管所提出的试点研究提供了一种潜在的无袖带血压测量方法,但应使用具有相应标准要求的更大样本组进一步验证,例如,可穿戴无袖带血压测量设备的 IEEE 1708-2004 标准。

此外,在实施方面仍存在一些挑战。

所取得的结果为SBP与各自的DBP相比提供了高级估计的证据。它表明应考虑与DBP直接相关的新参数,以提高估计精度。

最终,以一种不显眼的基于移动的方式进行血压监测,从而达到相当的准确性,可以改善高血压控制,从而减轻心血管疾病产生的全球负担。

 引用

“高血压全球简报:沉默的杀手,全球公共卫生危机:2013年世界卫生日”,世界卫生组织,2013年。(在线)。可供应: https://apps.who.int/iris/handle/10665/79059

M. Elgendi,“关于指尖光电容积脉搏波信号的分析”,《当代心脏病学评论》,第 8 卷,第 1 期,第 14-25 页,2012 年,doi:10.2174/157340312801215782。

M. Singla、S. Azeemuddin、P. Sistla,“使用从 ECG 和 PPG 信号中提取的特征进行基于学习的中央血压估计模型”,载于 42a 2020 年第 42 届 IEEE 医学与生物学工程学会 (EMBC) 年度国际会议,2020 年,第 855-858 页,doi:10.1109/EMBC44109.2020.9176593。

“CardioQVARK,心血管系统控制”,2020 年。(在线)。可供应: https://cardioqvark.ru

S. Rezk、C. Join、S. El Asmi,“基于代数导数的 R 波检测方法”,第 19 届欧洲信号处理会议,2011 年,第 1578-1582 页。

J. Hart,“正常静息脉率范围”,《护理教育与实践杂志》。第 5 卷,第 8 期,第 95-98 页,2015 年,doi: 10.5430/jnep.v5n8p95。

M. Unser, A. Aldroubi, “生物医学应用中小波综述”, Proceedings of the IEEE, vol. 84, no. 4, pp. 626-638, 1996, doi: https://doi.org/10.1109/5.488704.

M. Singla、P. Sistla、S. Azeemuddin,“使用通过小波变换提取的补充心电图和 PPG 特征进行无袖带血压测量”,载于 IEEE 医学与生物学工程学会 (EMBC) 第 41 届年度国际会议,2019 年,第 4628-4631 页,doi:10.1109/EMBC.2019.8857709。

X. He, RA Goubran, XP Liu, “用于连续无袖带动脉血压测量的PPG信号的二次峰值检测”,IEEE Transactions on Instrumentation and Measurement,第63卷,第6期,第1431-1439页,2014年,doi:10.1109/TIM.2014.2299524。

S. Datta、R. Banerjee、AD Choudhury、A. Sinha、A. Pal,“使用潜在参数从光电容积脉搏图估算血压”,IEEE 国际通信会议 (ICC),2016 年,第 1-7 页,doi:10.1109/ICC.2016.7511599。

P. Shi, S. 胡, Y. Zhu, J. Zheng, Y. Qiu, P. Cheang,“从年轻人的指尖洞察光电容积脉搏脉冲中的二分切迹”,《医学工程与技术杂志》,第 33 卷,第 8 期,第 628-633 页,2009 年,doi:10.3109/03091900903150980。

A. N. Kalinichenko,“远程心脏病监测系统心电图分析的算法支持”,载于第 20 届果糖协会会议论文集,2018 年,第 112-117 页。

M. Chaykovskaya、A. Kalinichenko、E. Fetisova、S. Mironovich、A. Kiprensky,“使用便携式心脏监护仪和移动应用程序进行人工节律识别”,第 43 届心脏病学置信度计算论文集,温哥华,2016 年,第 97-100 页。

A. N. Kalinichenko、M. K. Chaykovskaya、D. A. Danilova,“移动心脏监护仪中的起搏心电图分析”,载于第 43 届心脏病学计算会议论文集,温哥华,2016 年,第 649-652 页。

O. V. Senko 和 Oleg Sen’ko,“使用心脏监护仪 CardioQvark 进行无创动脉压估算”,Matematicheskaya Biologiya i Bioinformatika,第 12 卷,第 2 期,第 536-545 页,2017 年,doi:10.17537/2017.12.536。

M. Y. Man Wong、C. C. Yan Poon 和 Y. Y. Ting Zhang,“基于脉搏传输时间技术的无袖带血压估计评估:对正常血压受试者的半年研究”,《心血管工程》,第 9 卷,第 1 期,第 32-38 页,2009 年,doi:10.1007/s10558-009-9070-7。

X. He、R. A. Goubran、X. P. Liu,“用于连续无袖带动脉血压测量的 PPG 信号的二次峰值检测”,IEEE Transactions on Instrumentation and Measurement,第 63 卷,第 6 期,第 1431-1439 页,2014 年,doi:10.1109/TIM.2014.2299524。

X. R. Ding, Y. T. Zhang, J. Liu, W. X. Dai, H. K. Tsang,“使用脉冲传输时间和光电容积脉搏波强度比进行连续无袖带血压估计”,IEEE Trans. Biomed。工程,第 63 卷,第 5 期,第 964-972 页,2016 年,doi:10.1109/TBME.2015.2480679

A. I. Khuri,“线性回归分析导论”,《国际统计评论》,第 81 卷,第 2 期,第 318-319 页,2013 年,doi:10.1111/insr.12020_10。

M. T. Hagan、H. B. Demuth、MH Beale,神经网络设计。美国马萨诸塞州波士顿:PWS 出版社,1996 年。