基于深度 CNN-LSTM 网络的组合多任务学习架构，利用 ECG-PPG 特征的差异进行无创连续血压估计 -- 知识铺

基于深度 CNN-LSTM 网络的组合多任务学习架构，利用 ECG-PPG 特征的差异进行无创连续血压估计

• Article
• Open access
• Published: 29 June 2021

 科学报告 volume 11
，文章编号：13539 (2021) 引用本文

• 9101 Accesses

• 42 Citations

• 1 Altmetric

• Metrics details

 抽象的

脉搏到达时间 (PAT) 是心电图 (ECG) 信号的 R 峰值时间与光电体积描记 (PPG) 信号的收缩峰值之间的差值，是实现无创、连续血压估计的指标。

然而，由于患者特定的身体特征、病理状况和运动，ECG 和 PPG 信号的形状不一致，因此很难准确测量 PAT。

因此，需要复杂的预处理来基于 PAT 估计血压。在本文中，作为替代解决方案，我们提出了一种无创连续算法，利用 ECG 和 PPG 之间的差异作为可以包含 PAT 信息的新特征。

所提出的算法是一种基于 CNN-LSTM 的深度多任务机器学习模型，可输出收缩压 (SBP) 和舒张压 (DBP) 的同步预测结果。

我们总共使用了 PhysioNet 网站上的 48 名患者，将其分为 38 名患者进行训练，10 名患者进行测试。 SBP 和 DBP 的预测精度分别为 0.0 ± 1.6 mmHg 和 0.2 ± 1.3 mmHg。

尽管所提出的模型仅对 10 名患者进行了评估，但这一结果符合三个指南的要求，即血压测量设备的 BHS、AAMI 和 IEEE 标准。

其他人正在查看类似内容

人工智能在高血压实际管理中的未来可能性

文章 2020 年 7 月 13 日

 介绍

用于测量血压的方法有两种：有创性和无创性。常用的无创方法是通过向袖带内注入空气 1,2 压缩前臂血管时产生的脉搏音来测量血压。然而，在使用袖带进行无创血压（NIBP）测量的情况下，无法连续测量血压。在有创血压测量方法中，可以连续测量血压。

但它仅用于急性功能障碍衰竭、在重症监护室（ICU）病情危重的患者，通过将插管插入动脉 3 来测量血压。

许多研究小组提出了一种基于心电图（ECG）和光电体积描记法（PPG）的血压测量算法，用于无创、连续血压测量 4,5 。这些是根据血压和脉搏到达时间 (PAT) 之间的已知关系开发的。因此，可以通过连续测量PAT 6,7 的变化来连续估计血压。普罗恩萨等人。使用非线性方程表达了 PAT 与血压之间的关系 <a data-track=“click” data-track-action=“reference anchor” data-track-label=“link” data-test=“citation-ref” aria-label=“Reference 8” title=“Proença, J., Muehlsteff, J., Aubert, X. & Carvalho, P. Is Pulse Transit Time a good indicator of blood pressure changes during short physical exercise in a young population? 2010 Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. EMBC’10 598–601. https://doi.org/10.1109/IEMBS.2010.5626627

             (2010)." href="https://www.nature.com/articles/s41598-021-92997-0#ref-CR8" id="ref-link-section-d3218794e373">8</a></sup> ，Whong 和 Poon 通过线性回归估计了血压、PAT 和心率之间的关系 <sup data-immersive-translate-walked="924e7898-f004-48d5-be11-ad3acf0dcb4a"><a data-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 9" title="Wong, M. Y. M., Poon, C. C. Y. &amp; Zhang, Y. T. An evaluation of the cuffless blood pressure estimation based on pulse transit time technique: A half year study on normotensive subjects. Cardiovasc. Eng. 9, 32–38 (2009)." href="https://www.nature.com/articles/s41598-021-92997-0#ref-CR9" id="ref-link-section-d3218794e377">9</a></sup> 。 PAT可以通过ECG的R峰值和PPG的收缩峰值之间的时间差来测量；然而，这种差异并不容易校准，因为它会根据每个个体的生理特征和病理状况而变化。  

这可能会导致对全新患者组而不是经过验证的患者组 10 估计血压的准确性下降或可靠性问题。与此同时，一些研究小组通过从心电图和 PPG 信号中提取的特征，使用机器学习算法不断估算血压。陈等人。

提出了一种利用遗传算法-平均影响值-支持向量回归（GA-MIV-SVR）的血压估计方法。

他们从 ECG 和 PPG 信号中提取了各种特征，包括与 PAT 相关的特征，最后使用平均影响值排名选择特征来预测收缩压（SBP）和舒张压（DBP）。

获得的预测性能满足AAMI（高级医疗仪器协议协会）标准（误差：SBP为3.3±5.5mmHg，DBP为1.2±2.0mmHg） 4 。此外，谢里菲等人。提出了一种基于 ECG 和 PPG 信号的多自适应回归样条（MARS）方法。他们以较高的预测准确度预测收缩压、舒张压和平均血压，分别为 − 0.3 ± 9.1 mmHg、− 0.1 ± 5.2 mmHg 和 − 0.2 ± 4.6 mmHg 11 。卡丘伊等人。通过特征工程从 ECG 和 PPG 中提取心率、PPG 特征和 PAT 特征，并使用它们来连续估计血压，同时根据个体生理情况考虑 PAT 的变化 5 。他们表明，可以使用支持向量机方法准确估计 DBP。

上述研究使用通过复杂的特征工程过程提取的特征来估计血压。

在本文中，我们使用 ECG 和 PPG 信号的形态差异作为一种新特征，其中包含 PAT 信息并避免了复杂的预处理任务。

此外，我们提出了一种人工神经网络算法，能够根据 ECG 和 PPG 信号之间的形态差异连续、无创地估计血压。

之前用于血压估计的机器学习方法分别训练了收缩压和舒张压的模型。

然而，所提出的算法是一种基于深度 CNN-LSTM 网络组合的多任务学习架构模型，可以通过考虑 ECG 和 PPG 信号的形态特征以及时间特征来同时预测 SBP 和 DBP。

 结果

作为该模型监督学习的正确答案的 SBP 和 DBP 平均分别为 119.2 (94-147) mmHg 和 70.8 (56-92) mmHg（补充图 S1）。我们使用确定系数（R 2 ）和均方误差来评估所提出的模型预测的血压的准确性，这是用于评估回归模型性能的指标（图1） ）。 SBP的预测准确度高于DBP；预测SBP和预测DBP的R 2 值分别为0.980（p值<0.05，图1A）和0.967（p值<0.05，图1B）。此外，调整后的 SBP 和 DBP R 2 值分别为 0.979 和 0.966。因此，SBP和DBP的均方误差分别为2.7 mmHg 2 和1.8 mmHg 2 。

 图1

所提出模型的预测性能。 （A；训练和测试收缩压，B；训练和测试舒张压）；为了训练和测试所提出的模型，我们使用了一个公开的数据集，即 PhysioNet 原始的重症监护多参数智能监测 (MIMIC) 数据库，可以在此处找到； https://www.phyonet.org/content/mimicdb/1.0.0/。

图2显示了Bland-Altman图以及实际血压（真值）和预测血压的误差分布，以评估所提出模型预测血压的准确性和精密度。

在±5 mmHg的误差范围内，SBP和DBP预测值的累积百分比分别为99.4%和99.6%（图2A、B和表1）。实际血压与预测血压之差的累积百分比曲线如补充图S3所示。这些结果相当于血压监测仪认证标准英国高血压标准 (BHS) 的 A 级 12 。使用图 2C、D 所示的误差直方图确认了估计血压的精度。收缩压和舒张压的估计血压与目标血压之间的误差呈正态分布，约为 0 mmHg。

通过进行 Durbin-Watson 检验来验证所提出模型的观测值和预测值之间的自相关性，证实 SBP 和 DBP 误差的独立性得到满足（SBP 的 d-statics = 1.97，DBP 的 d-statics = 1.99） 。

SBP和DBP平均差值分别为0.02 mmHg和0.2 mmHg，误差标准差分别为1.6 mmHg和1.3 mmHg，均通过AAMI标准（表1和表2） 13 。预测的 SBP 和 DBP 预测误差的 95% 置信区间分别为 (-3.2 mmHg, 3.2 mmHg) 和 (-2.7 mmHg, 2.4 mmHg)。

此外，SBP的平均绝对差（MAD）为1.2，DBP为1.0，满足IEEE标准的A级（表1和表2） 14 。

 图2

所提出模型的 Bland-Altman 图和误差分布。 (A,B) Bland-Altman 图（A；收缩压，B；舒张压）。 (C,D) 预测血压的误差直方图（C；收缩压，D；舒张压）。

表1 通过IEEE、AAMI和BHS标准三个指南的评估结果。

 讨论

在本研究中，我们使用基于深度 CNN-LSTM 网络的多任务学习架构组合开发了 NIBP 算法。组合的深度 CNN-LSTM 模型是基于 Xia 等人的 LSTM-CNN 模型构建的。 15 从 ECG 和 PPG 之间的信号差异中提取形态和时间特征。

所提出的模型使用 ECG 和 PPG 信号之间的信号差作为输入来估计 SBP 和 DBP。心电图的R峰值是指心脏收缩前的电兴奋时间 16 ，PPG的收缩峰值是指心脏收缩引起的脉搏到达外周端的时间 17

因此，我们使用了 ECG 和 PPG 信号之间的差异，其中包括有关机电延迟的信息，即心脏电激励和机械收缩的时间延迟，以及 PAT（补充图 S2）。所提出的模型使用线性函数 18 通过线性回归模型来预测SBP和DBP。接下来，R 2 值用于衡量估计的线性模型与给定数据的拟合程度。这是指可以使用应用模型 <a data-track=“click” data-track-action=“reference anchor” data-track-label=“link” data-test=“citation-ref” aria-label=“Reference 19” title=“Miles, J. R squared, adjusted R Squared. Wiley StatsRef Stat. Ref. Online. https://doi.org/10.1002/9781118445112.stat06627

             (2014)." href="https://www.nature.com/articles/s41598-021-92997-0#ref-CR19" id="ref-link-section-d3218794e1421">19</a></sup> 解释的因变量变化的比例。一般来说，随着回归模型中自变量数量的增加，准确性可能会提高，但由于对训练数据的过度拟合，可能无法正确预测实际数据 <sup data-immersive-translate-walked="924e7898-f004-48d5-be11-ad3acf0dcb4a"><a data-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 20" title="Cohen, J., Cohen, P., West, S. G. &amp; Aiken, L. S. Applied Multiple Regression/Correlation Analysis for the Behavioral Sciences (Routledge, 2013)." href="https://www.nature.com/articles/s41598-021-92997-0#ref-CR20" id="ref-link-section-d3218794e1425">20</a></sup> 。因此，根据添加的自变量对SBP和DBP的影响添加惩罚，计算调整后的R <sup data-immersive-translate-walked="924e7898-f004-48d5-be11-ad3acf0dcb4a">2</sup> ，以防止过度拟合或高估所提出模型的预测精度 <sup data-immersive-translate-walked="924e7898-f004-48d5-be11-ad3acf0dcb4a"><a data-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 19" title="Miles, J. R squared, adjusted R Squared. Wiley StatsRef Stat. Ref. Online. 
              https://doi.org/10.1002/9781118445112.stat06627
              
             (2014)." href="https://www.nature.com/articles/s41598-021-92997-0#ref-CR19" id="ref-link-section-d3218794e1431">19</a>, <a data-track="click" data-track-action="reference anchor" data-track-label="link" data-test="citation-ref" aria-label="Reference 20" title="Cohen, J., Cohen, P., West, S. G. &amp; Aiken, L. S. Applied Multiple Regression/Correlation Analysis for the Behavioral Sciences (Routledge, 2013)." href="https://www.nature.com/articles/s41598-021-92997-0#ref-CR20" id="ref-link-section-d3218794e1434">20</a></sup> .

本研究使用的数据库来自需要重症监护和持续监测的 ICU 患者。每个数据点都可能根据测量时患者的状况改变信号的形状，即使它来自同一患者。

组合的深度CNN-LSTM架构模型可以提取特征，包括信号随时间的连续特征和输入信号序列的形态特征。

因此，预测的血压准确度很高，但误差随着血压的升高而增大（图1和图2）。发生这种情况的原因有三个：首先，因为获取数据的患者的平均年龄组为 65 岁。

在老年人中观察到血压突然变化，这给用于训练监督学习模型的真实血压标签带来了可靠性问题。

其次，所使用的信号不仅包括可以通过预处理去除的患者运动伪影，还包括由于某些疾病而难以通过预处理去除的形态变化。

例如，10名患者患有充血性心力衰竭（CHF），这主要与左心室功能障碍有关。该CHF患者心电图显示QT间期波异常，与既往研究 21 相对应。此外，他们还患有肺水肿，并且他们的PPG信号表现出非常不稳定的形状。在这些情况下，在这些患者信号的情况下，即使经过预处理，某些间隔仍然不清楚。

最后，预测所提出的模型无法完全学习这些因素的信号特征。

这些问题在之前的研究中也被发现过；然而，可以看出，通过我们提出的模型获得的错误率低于以前的研究（表2） 4, 5, 11 。

我们将我们提出的模型的预测精度与之前研究的三个模型 4, 5, 11 进行了比较。即使使用相同的MIMIC数据库，但版本不同。陈等人。使用 MIMIC III 匹配子集 4 和 Kachuee 等人。 5 和 Sharfi 等人。 11 分别使用MIMIC III和MIMIC II数据集。本研究使用的数据集是原始的MIMIC数据库。

在 Physionet 的描述中，提到 MIMIC II 和 MIMIC III 数据库的大小是原始 MIMIC 数据库的许多倍，并且它们唯一的优势是每秒包含 125 个“峰值选取”样本，具有 8 或 10 个样本。位精度和 ± 6 ms 抖动。

因此，有必要使用相同的待验证数据集客观地评估模型性能。

为了对所提出的模型进行监督学习，我们使用了从 MIMIC 数据库中的动脉血压 (ABP) 信号检测到的 SBP 和 DBP。

ABP信号是通过插入血管的导管或插管有创地获取的，主要用于监测ICU患者的血压。

也就是说，使用有创血压值对所提出的模型进行训练，以无创地估计准确的血压，该值更接近有创血压值。

此外，由于所提出的方法没有强化学习，因此在实际使用过程中它不会接收反馈或通过袖带BP提供额外的学习。换句话说，有创血压和无创血压不一起用于学习。

因此，通过所提出的模型估计的血压是有创血压，它不一定与通过标准袖带设备测量的血压相同。

为了训练和测试所提出的模型，我们在 48 秒内从每位患者身上随机提取数据集。

为了评估样本量较小导致的过拟合，我们在不同时间间隔的其他 48 秒内提取相同大小的数据集，并在 80 秒至 800 秒的时间间隔内提取较长的数据集。

基于血压测量的三个标准评估了在不同时间间隔使用这两个数据集的所提出模型的性能（表1）。预测血压的准确性略有下降，但仍然表现出与 A 级相对应的良好性能。不同时间间隔的 SBP 和 DBP 的预测结果如补充图 1 和 2 所示。 S4-S6。

之前的大多数研究都训练并使用单独的模型来预测收缩压和舒张压。此外，还有其他研究开发了CNN-LSTM模型来预测SBP和DBP，分别训练CNN-LSTM模型来估计每个BP值 15 。使用 PAT 的血压估计算法基于脉压和 PAT 之间的关系。脉压由SBP和DBP控制。因此，为了精确预测血压，需要同时考虑收缩压和舒张压来训练模型。

本研究开发的基于深度 CNN-LSTM 架构的组合多任务处理模型使用单个模型同时输出 SBP 和 DBP。

与单独针对每个因子进行训练相比，这可以带来更好的性能，因为在 ECP 和 PPG 差异信号通过共享层 22,23 时提取了 SBP 和 DBP 的共同代表因子。结果表明，所提出的模型的预测性能优于先前研究中开发的模型。

所提出模型的误差直方图呈正态分布形式，统计证实平均误差收敛于接近于零且满足正态性（图2C，D）。一般来说，时间序列数据（例如血压）的回归模型可能与每个误差值 24 相关。这称为自相关，具有自相关的回归模型，其中模型的预测值的误差受到相邻观测值误差的影响，可能不完全可靠。

因此，进行了Durbin-Watson检验来检验所提出模型的观测值和预测值之间的自相关性，并通过与2相邻的d统计量确认了误差的独立性满足两个预测误差收缩压和舒张压 24,25 。

BHS指南根据预测SBP误差在5、10、15mmHg以内的累积百分比，将血压计预测SBP的准确度分为A到D四个等级。这里， A 是最准确的，并且准确度朝着 D 12 降低。此外，AAMI指南要求真实值与预测值的平均差值应小于5毫米汞柱，85%真实值的标准差应小于8毫米汞柱 13 。在对 10 名患者进行的验证中，所提出的模型达到了满足这两个指南的准确性。这些标准用于评估上臂袖带测量血压的性能。

因此，我们使用 IEEE 标准验证了所提出的模型，该模型适合评估可穿戴式无袖血压测量设备。 IEEE标准使用MAD精度来评估性能，如果MAD超过4毫米汞柱，则获得A级。

本标准建议报告每个患者在校准之前和之后测量的血压表现 14 。

然而，使用神经网络进行血压估计不需要根据受试者进行校准，因为神经网络可以根据受试者的体重、年龄、性别等提取考虑个体特征的机器学习特征< b0> 。唯一的是，如果它在6-12个月的长期内估计血压，则可能需要校准 11 。

我们提出的模型有几个限制。首先，长期监测的准确性未经验证。对于 LSTM 模型，精度可能会根据所使用的数据的测量时间 27 而变化。因此，当使用几周到几个月的长期数据估计血压时，尚不清楚我们提出的模型的准确性是否会降低或增加。其次，模型的普适性没有得到验证。

在这项研究中，使用了来自 PhysioNet 的 ICU 患者的数据。尽管信号是同时测量的，但丢失的信号或质量差的信号被从数据集中删除。

例如，在一些PPG信号中，在随机提取的区间内没有观察到任何脉动波，而在一些ABP信号中，观察到无意义的值，例如-2,147,483,648或零状态。

因此，用于验证所提出模型的样本数量为7400，患者数量为10，因此该模型对许多患者的适用性尚未得到验证。

所有评估血压测量准确性的指南都要求必须通过模型或设备验证最少数量的受试者。

我们使用的评估指南还规定了最低受试者数量； BHS 指南和 AAMI 标准要求报告涵盖超过 85 个科目，IEEE 标准要求所有阶段总共超过 45 个科目。

尽管我们在本研究中显示的结果对其中三个指南感到满意，但这可能是由于患者数量较少。换句话说，当我们提出的模型对超过 85 名患者进行测试时，结果可能会有所不同。

因此，我们提出的模型需要更多受试者的评估。

总之，如果通过更多数据验证和优化模型的普适性，它可以应用于需要长期监测的医疗设备，包括患者监护仪和植入式心脏设备，例如动态心电图监测系统。

特别是，所提出的更简单的算法在应用于移动系统时将得到更多利用。

 方法

 数据集

在本研究中，我们使用了 PhsioNet 重症监护多参数智能监测 (MIMIC) 数据库中同时测量的 ECG、PPG 和 ABP 信号 28,29 。测量 ICU 患者的整体信号，特别是通过侵入性方法获得 ABP 信号。 57例患者（男性36例，女性21例）的数据中，未使用不包含ECG、PPG、ABP或包含缺失信号的数据。

最后，使用48例接受重症监护的患者（30名男性和18名女性）的心电图、PPG和ABP数据进行预测，患者的平均年龄为69.9（21-92）岁。

患者患有13种疾病之一，包括出血、呼吸衰竭、充血性心力衰竭/肺水肿、脑损伤、败血症、心绞痛、瓣膜术后、冠状动脉搭桥术后、脐带受压、创伤、肾衰竭、心肌梗塞和心源性休克。

每个信号的采样频率为 125 Hz，记录时间不同，但平均记录时间为 42.7 (10.5–77.4) h。

 预处理

从每位患者身上随机提取从 PhysioNet 数据库收集的同步测量信号，以获得 6000 个样本（48 秒）。

一些提取的信号具有零值或不可用值，这些值是无意义的值，例如-24,975,832或不随时间变化。这些信号根据相邻数据点被移除或插值。

为了消除运动伪影并解决基线漂移问题，对 ECG 信号应用 2 Hz 至 20 Hz 的带通滤波器，对 PPG 信号应用 0.5 Hz 至 20 Hz 的带通滤波器。从滤波后的心电图提取 R 峰值后，根据检测到的心电图 R 峰值 (n)，从心电图、PPG 和 ABP 信号生成 R(n-1) − R(n + 1) 序列包括两个周期。基于最大 R-R 序列应用零填充，以补偿由于 R-R 间隔随时间变化而导致生成的 R-R 序列的数据长度差异。

使用 MinMax 缩放技术对生成的 ECG 和 PPG 序列进行转换，使最大值和最小值分别为 + 1 和 - 1。

接下来，计算转换后的 ECG 和 PPG 信号之间的差异，并将其用作基于组合深度 CNN-LSTM 架构的多任务模型的输入。

此外，从ABP序列中提取峰值和反峰值后，计算每个峰值的平均值并用作SBP和DBP的目标值。

 模型结构

所提出的模型由一个共享层组成，用于从 ECG 和 PPG 之间的信号差异中提取形态和时间特征，以及一个用于预测 SBP 和 DBP 的特定层。

共享层由一个用于形态特征的 CNN 层和三个用于时间特征的 LSTM 层组成。它们通过批量归一化层连接以防止过度拟合。

CNN层由56个大小为10的核组成，并使用修正线性单元（ReLU） 30 作为激活函数。此外，应用L2正则化来提高所提出模型的泛化性能。

三个 LSTM 层由一个具有 28 个神经元的双向 LSTM 和两个通过全局平均池化层连接到特定层的单向 LSTM 组成。 SBP 和 DBP 的每个特定层都由两个全连接层和一个输出层组成。

全连接层神经元数量分别为28和16，激活函数均为ReLU。最后，我们使用线性函数 18 作为SBP和DBP输出层的激活函数（图3）。输入层的形状为 (None, 250, 1)，SBP 和 DBP 的输出形状为 (None, 1)。因此，参数总数为 38,370 个，其中可训练参数为 38,258 个，不可训练参数为 112 个（补充表 S1）。

 图3

提议的模型架构。

模型训练与评估

总数据集的 80% 用于训练模型，20% 用于评估模型性能。此外，10%的训练数据用于验证，以防止模型过度拟合训练数据集。

采用均方误差作为输出结果的误差函数，采用学习率为0.01、衰减率为0.00002的Adam（自适应矩估计） 31 作为模型优化函数。模型训练了 1000 次，batch size 为 28；然而，通过早期停止选择具有超参数的最优模型作为最终模型。

通过均方根误差和平均绝对误差 32 以及R值 2 和均方误差<来评估所提出模型预测的SBP和DBP的准确性。 b2>用于回归模型的性能评估。预测性能使用 BHS 12 和 AAMI 13 标准进行验证，这是上臂袖带验证的血压监测仪认证标准 12,13 。此外，还使用 IEEE 标准评估了将所提出的模型移植到医疗设备中的可能性，该标准是可穿戴式无袖血压监测设备的评估指南 14 。尽管这三个标准要求评估的最低患者人数，但我们并没有严格遵循；我们仅对 10 名患者验证了所提出的模型（参见“讨论”部分）。

 数据可用性

在本研究中，使用公开数据集进行分析。该数据可以在这里找到：https://www.physionet.org/content/mimicdb/1.0.0/。

 参考

1. Alpert, B. S.、Quinn, D. 和 Gallick, D. 示波血压：临床医生综述。 J. Am.苏克。高血压。 8, 930–938 (2014)。

   Article  Google Scholar 

2. Perloff, D.、Grim, C.、Flack, J. 和 Frohlich, E.D. 通过血压测量法测定人体血压。流通量 88, 2460–2470 (1993)。

   Article  CAS  Google Scholar 

3. Gupta, B. ICU 麻醉更新中的监测。Updat。麻醉 28, 37–42 (2012)。

   Google Scholar 

4. Chen, S., Ji, Z., Wu, H. & Xu, Y. 基于机器学习的无创连续血压估算方法。传感器 19, 2585 (2019)。

   Article  ADS  Google Scholar 

5. Kachuee, M.、Kiani, M. M.、Mohammadzade, H. 和 Shabany, M. 使用脉搏传播时间进行无袖高精度免校准血压估计。过程。 IEEE 国际。症状。电路系统。 1006–1009（2015）。

6. Geddes, L. A.、Voelz, M.、James, S. 和 Reiner, D. 脉搏到达时间作为间接获取收缩压和舒张压的方法。医学。生物。工程师。计算。 19, 671–672 (1981)。

   Article  CAS  Google Scholar 

7. Lokharan, M.、Lokesh Kumar, K. C.、Harish Kumar, V.、Kayalvizhi, N. 和 Aryalekshmi, R. 使用光电体积描记法测量脉搏传导时间 (PTT)。 IFMBE 程序。 61, 130–134 (2017)。

   Article  Google Scholar 

8. Proença, J.、Muehlsteff, J.、Aubert, X. 和 Carvalho, P。脉搏传导时间是年轻人短暂体育锻炼期间血压变化的良好指标吗？ 2010 年。国际。会议。 IEEE 工程师。医学。生物。苏克。 EMBC’10 598–601。 https://doi.org/10.1109/IEMBS.2010.5626627（2010）。

9. Wong, M. Y. M., Poon, C. C. Y. 和Zhang, Y. T. 基于脉搏传导时间技术的无袖血压估计的评估：对正常血压受试者的半年研究。心血管。工程师。 9, 32–38 (2009)。

   Article  Google Scholar 

10. Peter, L.、Noury, N. 和 Cerny, M。无创连续血压监测方法综述：脉搏传导时间方法有前途？。 Irbm 35, 271–282 (2014)。

[Article](http://zshipu.com/t/index.html?url=https://doi.org/10.1016%2Fj.irbm.2014.07.002)  [Google Scholar](http://zshipu.com/t/index.html?url=http://scholar.google.com/scholar_lookup?&title=A%20review%20of%20methods%20for%20non-invasive%20and%20continuous%20blood%20pressure%20monitoring%3A%20Pulse%20transit%20time%20method%20is%20promising%3F&journal=Irbm&doi=10.1016%2Fj.irbm.2014.07.002&volume=35&pages=271-282&publication_year=2014&author=Peter%2CL&author=Noury%2CN&author=Cerny%2CM) 

11. Sharifi, I.、Goudarzi, S. 和 Khodabakhshi, M. B. 基于 ECG 和 PPG 信号的连续无袖血压估计的新颖动态方法。阿蒂夫。英特尔。医学。 97, 143–151 (2019)。

[Article](http://zshipu.com/t/index.html?url=https://doi.org/10.1016%2Fj.artmed.2018.12.005)  [Google Scholar](http://zshipu.com/t/index.html?url=http://scholar.google.com/scholar_lookup?&title=A%20novel%20dynamical%20approach%20in%20continuous%20cuffless%20blood%20pressure%20estimation%20based%20on%20ECG%20and%20PPG%20signals&journal=Artif.%20Intell.%20Med.&doi=10.1016%2Fj.artmed.2018.12.005&volume=97&pages=143-151&publication_year=2019&author=Sharifi%2CI&author=Goudarzi%2CS&author=Khodabakhshi%2CMB) 

12. 奥布莱恩，E.等人。英国高血压学会血压测量设备评估协议。 J.高血压。 11, 677–679 (1993)。

[Article](http://zshipu.com/t/index.html?url=https://doi.org/10.1097%2F00004872-199306000-00013)  [Google Scholar](http://zshipu.com/t/index.html?url=http://scholar.google.com/scholar_lookup?&title=The%20british%20hypertension%20society%20protocol%20for%20the%20evaluation%20of%20blood%20pressure%20measuring%20devices&journal=J.%20Hypertens.&doi=10.1097%2F00004872-199306000-00013&volume=11&pages=677-679&publication_year=1993&author=O%E2%80%99Brien%2CE) 

13. 怀特，W. B. 等人。自动血压计测量静息血压和动态血压的国家标准。高血压 21, 504–509 (1993)。

[Article](http://zshipu.com/t/index.html?url=https://doi.org/10.1161%2F01.HYP.21.4.504)  [CAS](http://zshipu.com/t/index.html?url=https://www.nature.com/articles/cas-redirect/1:STN:280:DyaK3s3gvFKquw%3D%3D)  [Google Scholar](http://zshipu.com/t/index.html?url=http://scholar.google.com/scholar_lookup?&title=National%20standard%20for%20measurement%20of%20resting%20and%20ambulatory%20blood%20pressures%20with%20automated%20sphygmomanometers&journal=Hypertension&doi=10.1161%2F01.HYP.21.4.504&volume=21&pages=504-509&publication_year=1993&author=White%2CWB) 

14. IEEE。可穿戴式无袖血压测量设备的 IEEE 标准。 IEEE 标准 1708-2014 (2014)。

15. Xia, K.、Huang, J. 和 Wang, H. 用于人类活动识别的 LSTM-CNN 架构。 IEEE 访问 8，56855–56866 (2020)。

[Article](http://zshipu.com/t/index.html?url=https://doi.org/10.1109%2FACCESS.2020.2982225)  [Google Scholar](http://zshipu.com/t/index.html?url=http://scholar.google.com/scholar_lookup?&title=LSTM-CNN%20architecture%20for%20human%20activity%20recognition&journal=IEEE%20Access&doi=10.1109%2FACCESS.2020.2982225&volume=8&pages=56855-56866&publication_year=2020&author=Xia%2CK&author=Huang%2CJ&author=Wang%2CH) 

16. Dale, D. 心脏病学：心电图的快速解释（封面出版公司，2000 年）。

[Google Scholar](http://zshipu.com/t/index.html?url=http://scholar.google.com/scholar_lookup?&title=Cardiology%3A%20Rapid%20Interpretation%20of%20EKG%E2%80%99s&publication_year=2000&author=Dale%2CD) 

17. Elgendi, M.、Norton, I.、Brearley, M.、Abbott, D. 和 Schuurmans, D. 在热带条件下的应急响应人员测量的加速度光电体积描记图中的收缩峰值检测。 PLoS ONE 8, 1–11 (2013)。

[Google Scholar](http://zshipu.com/t/index.html?url=http://scholar.google.com/scholar_lookup?&title=Systolic%20peak%20detection%20in%20acceleration%20photoplethysmograms%20measured%20from%20emergency%20responders%20in%20tropical%20Conditions&journal=PLoS%20ONE&volume=8&pages=1-11&publication_year=2013&author=Elgendi%2CM&author=Norton%2CI&author=Brearley%2CM&author=Abbott%2CD&author=Schuurmans%2CD) 

18. Weisberg, S. 应用线性回归卷。 528（威利，2005）。

[Book](http://zshipu.com/t/index.html?url=https://doi.org/10.1002%2F0471704091)  [Google Scholar](http://zshipu.com/t/index.html?url=http://scholar.google.com/scholar_lookup?&title=Applied%20Linear%20Regression&doi=10.1002%2F0471704091&publication_year=2005&author=Weisberg%2CS) 

19. Miles，J. R 平方，调整后的 R 平方。 Wiley Stats参考统计。参考号在线的。 https://doi.org/10.1002/9781118445112.stat06627（2014）。

[Article](http://zshipu.com/t/index.html?url=https://doi.org/10.1002%2F9781118445112.stat06627)  [Google Scholar](http://zshipu.com/t/index.html?url=http://scholar.google.com/scholar_lookup?&title=R%20squared%2C%20adjusted%20R%20Squared&journal=Wiley%20StatsRef%20Stat.%20Ref.%20Online.&doi=10.1002%2F9781118445112.stat06627&publication_year=2014&author=Miles%2CJ) 

20. Cohen, J.、Cohen, P.、West, S. G. 和 Aiken, L. S. 行为科学的应用多重回归/相关分析（Routledge，2013）。

[Book](http://zshipu.com/t/index.html?url=https://doi.org/10.4324%2F9780203774441)  [Google Scholar](http://zshipu.com/t/index.html?url=http://scholar.google.com/scholar_lookup?&title=Applied%20Multiple%20Regression%2FCorrelation%20Analysis%20for%20the%20Behavioral%20Sciences&doi=10.4324%2F9780203774441&publication_year=2013&author=Cohen%2CJ&author=Cohen%2CP&author=West%2CSG&author=Aiken%2CLS) 

21. Jahmunah，V.等人。使用心电图信号对充血性心力衰竭进行计算机辅助诊断：综述。物理。医学 62, 95–104 (2019)。

[Article](http://zshipu.com/t/index.html?url=https://doi.org/10.1016%2Fj.ejmp.2019.05.004)  [CAS](http://zshipu.com/t/index.html?url=https://www.nature.com/articles/cas-redirect/1:STN:280:DC%2BB3M3it1Skuw%3D%3D)  [Google Scholar](http://zshipu.com/t/index.html?url=http://scholar.google.com/scholar_lookup?&title=Computer-aided%20diagnosis%20of%20congestive%20heart%20failure%20using%20ECG%20signals%3A%20A%20review&journal=Phys.%20Medica&doi=10.1016%2Fj.ejmp.2019.05.004&volume=62&pages=95-104&publication_year=2019&author=Jahmunah%2CV) 

22. Liu, H., Cai, J. & Ong, Y. S. 关于多输出高斯过程回归的评论。基于知识的系统144, 102–121 (2018)。

[Article](http://zshipu.com/t/index.html?url=https://doi.org/10.1016%2Fj.knosys.2017.12.034)  [Google Scholar](http://zshipu.com/t/index.html?url=http://scholar.google.com/scholar_lookup?&title=Remarks%20on%20multi-output%20Gaussian%20process%20regression&journal=Knowl.-Based%20Syst.&doi=10.1016%2Fj.knosys.2017.12.034&volume=144&pages=102-121&publication_year=2018&author=Liu%2CH&author=Cai%2CJ&author=Ong%2CYS) 

23. Borchani, H.、Varando, G.、Bielza, C. 和 Larrañaga, P. 多输出回归调查。 Wiley Interdiscip Rev. 日期 Min。迪可夫。 5, 216–233 (2015)。

[Article](http://zshipu.com/t/index.html?url=https://doi.org/10.1002%2Fwidm.1157)  [Google Scholar](http://zshipu.com/t/index.html?url=http://scholar.google.com/scholar_lookup?&title=A%20survey%20on%20multi-output%20regression&journal=Wiley%20Interdiscip%20Rev.%20Data%20Min.%20Knowl.%20Discov.&doi=10.1002%2Fwidm.1157&volume=5&pages=216-233&publication_year=2015&author=Borchani%2CH&author=Varando%2CG&author=Bielza%2CC&author=Larra%C3%B1aga%2CP) 

24. Dubbin, J. & Watson, G. S. 最小二乘回归中的序列相关性测试。二.生物计量学 38, 159–178 (1951)。

[Article](http://zshipu.com/t/index.html?url=https://doi.org/10.1093%2Fbiomet%2F38.1-2.159)  [MathSciNet](http://zshipu.com/t/index.html?url=http://www.ams.org/mathscinet-getitem?mr=42662)  [Google Scholar](http://zshipu.com/t/index.html?url=http://scholar.google.com/scholar_lookup?&title=Testing%20for%20serial%20correlation%20in%20least%20squares%20regression.%20II&journal=Biometrika&doi=10.1093%2Fbiomet%2F38.1-2.159&volume=38&pages=159-178&publication_year=1951&author=Dubbin%2CJ&author=Watson%2CGS) 

25. Savin, N. E. 和 White, K. J. 极端样本量或多个回归量的序列相关性的 Durbin-Watson 检验 作者：N. E. Savin 和 Kenneth J. Econometrica 45, 1989–1996 (1977)。

[Article](http://zshipu.com/t/index.html?url=https://doi.org/10.2307%2F1914122)  [Google Scholar](http://zshipu.com/t/index.html?url=http://scholar.google.com/scholar_lookup?&title=The%20Durbin-Watson%20test%20for%20serial%20correlation%20with%20extreme%20sample%20sizes%20or%20many%20regressors%20Author%20%28s%29%3A%20N.%20E.%20Savin%20and%20Kenneth%20J&journal=Econometrica&doi=10.2307%2F1914122&volume=45&pages=1989-1996&publication_year=1977&author=Savin%2CNE&author=White%2CKJ) 

26. 吴丹。基于深度神经网络的连续无创血压测量及其应用，博士论文。 （中国科学院大学，中国深圳，2017）。

27. Schmidhuber, J. & Hochreiter, S. 长短期记忆。神经计算。 9、1735-1780（1997）。

[Article](http://zshipu.com/t/index.html?url=https://doi.org/10.1162%2Fneco.1997.9.8.1735)  [Google Scholar](http://zshipu.com/t/index.html?url=http://scholar.google.com/scholar_lookup?&title=Long%20short-term%20memory&journal=Neural%20Comput.&doi=10.1162%2Fneco.1997.9.8.1735&volume=9&pages=1735-1780&publication_year=1997&author=Schmidhuber%2CJ&author=Hochreiter%2CS) 

28. Moody, G. B. & Mark, R. G. 支持智能重症监护监测开发和评估的数据库。计算。心脏。 23, 657–660 (1996)。

[Google Scholar](http://zshipu.com/t/index.html?url=http://scholar.google.com/scholar_lookup?&title=A%20database%20to%20support%20development%20and%20evaluation%20of%20intelligent%20intensive%20care%20monitoring&journal=Comput.%20Cardiol.&volume=23&pages=657-660&publication_year=1996&author=Moody%2CGB&author=Mark%2CRG) 

29. 戈德伯格，A.L.等人。 PhysioBank、Physio Toolkit 和 Physio Net。流通量 101，e215–e220 (2000)。

[CAS](http://zshipu.com/t/index.html?url=https://www.nature.com/articles/cas-redirect/1:STN:280:DC%2BD3czhtFGisw%3D%3D)  [PubMed](http://zshipu.com/t/index.html?url=http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&dopt=Abstract&list_uids=10851218)  [Google Scholar](http://zshipu.com/t/index.html?url=http://scholar.google.com/scholar_lookup?&title=PhysioBank%2C%20Physio%20Toolkit%2C%20and%20Physio%20Net&journal=Circulation&volume=101&pages=e215-e220&publication_year=2000&author=Goldberger%2CAL) 

30. Xavier, G.、Antoine, B. 和 Yoshua, B. 深度稀疏整流神经网络。国际。会议。阿蒂夫。英特尔。统计。 15, 315–323 (2011)。

[Google Scholar](http://zshipu.com/t/index.html?url=http://scholar.google.com/scholar_lookup?&title=Deep%20sparse%20rectifier%20neural%20networks&journal=Int.%20Conf.%20Artif.%20Intell.%20Stat.&volume=15&pages=315-323&publication_year=2011&author=Xavier%2CG&author=Antoine%2CB&author=Yoshua%2CB) 

31. Kingma, D. P. & Ba, J. L. Adam：一种随机优化方法。第三届学习表征国际会议，ICLR 2015 - 会议记录 1-15 (2015)。

32. Willmott, C. J. 和 Matsuura, K。在评估平均模型性能时，平均绝对误差 (MAE) 相对于均方根误差 (RMSE) 的优势。爬升。资源。 30, 79–82 (2005)。

[Article](http://zshipu.com/t/index.html?url=https://doi.org/10.3354%2Fcr030079)  [Google Scholar](http://zshipu.com/t/index.html?url=http://scholar.google.com/scholar_lookup?&title=Advantages%20of%20the%20mean%20absolute%20error%20%28MAE%29%20over%20the%20root%20mean%20square%20error%20%28RMSE%29%20in%20assessing%20average%20model%20performance&journal=Clim.%20Res.&doi=10.3354%2Fcr030079&volume=30&pages=79-82&publication_year=2005&author=Willmott%2CCJ&author=Matsuura%2CK) 

 下载参考资料

 致谢

这项研究得到了NRF（国家研究基金会）基础工程研究项目（2016R1D1A1B0101440）和爱迪生（NRF-2011-0020576）计划以及信息通信技术与规划研究所的大信息技术研究中心计划的部分支持与评估 (IITP) 由韩国科学和信息通信技术部 (MSIT) 资助 (IITP-2021-2020-0-01612)。

 作者信息

Authors and Affiliations

1. Kumoh National Institute of Technology, IT Convergence Engineering, Gumi, 39253, Republic of Korea

   Da Un Jeong & Ki Moo Lim

2. Kumoh National Institute of Technology, Medical IT Convergence Engineering, Gumi, 39253, Republic of Korea

   Ki Moo Lim

Contributions

This manuscript is the intellectual product of the entire team. D.U.J. wrote the machine learning source code and the manuscript, performed the data analysis, and interpreted the results. K.M.L. designed the study, and reviewed and revised the whole manuscript based on the results. All authors read and approved the final manuscript.

Corresponding author

Correspondence to Ki Moo Lim.

Ethics declarations

Competing interests

The authors declare no competing interests.

Additional information

Publisher’s note

Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Supplementary Information

Rights and permissions

Open Access This article is licensed under a Creative Commons Attribution 4.0 International License, which permits use, sharing, adaptation, distribution and reproduction in any or format, as long as you give appropriate credit to the original author(s) and the source, provide a link to the Creative Commons licence, and indicate if changes were made.
The images or other third party material in this article are included in the article’s Creative Commons licence, unless indicated otherwise in a credit line to the material.
If material is not included in the article’s Creative Commons licence and your intended use is not permitted by statutory regulation or exceeds the permitted use, you will need to obtain permission directly from the copyright holder. To view a copy of this licence, visit http://creativecommons.org/licenses/by/4.0/.

Reprints and permissions

About this article

Cite this article

Jeong, D.U., Lim, K.M. Combined deep CNN–LSTM network-based multitasking learning architecture for noninvasive continuous blood pressure estimation using difference in ECG-PPG features. Sci Rep 11, 13539 (2021). https://doi.org/10.1038/s41598-021-92997-0

Download citation

• Received30 December 2020

• Accepted02 June 2021

• Published29 June 2021

• DOIhttps://doi.org/10.1038/s41598-021-92997-0

Subjects

This article is cited by

Comments

By submitting a comment you agree to abide by our Terms and Community Guidelines. If you find something abusive or that does not comply with our terms or guidelines please flag it as inappropriate.