基于LSTM模型的无袖带血压测量方法研究_蒋泽宇.pdf

基金项目：国家重点研发计划项目（编号：2021YFF0901104）收稿日期：20220602基于LSTM模型的无袖带血压测量方法研究*蒋泽宇1,2，赵宇波2，赵景波1，李清福1,2（1.青岛理工大学 信息与控制工程学院，山东青岛266520；2.山东产业技术研究院，山东青岛266101）摘要：无袖带血压测量技术拥有广泛的应用场景，其在穿戴式设备上的应用更是为关注血压的人群提供了随时随地测量血压的可能。为了使得血压测量的算法更加适应测量对象的身体情况变化，基于Tensorflow框架搭建了一种LSTM模型，建立了与测量血压的时刻、前一次测量结果以及当次PPG波形特征深度关联的血压计算模型，并使用采集的542个个体的6 931条数据进行了有效性验证。实验表明，经 10 折交叉验证后，测量的收缩压和舒张压均满足 AAMI 标准，即平均绝对误差（MAE）小于 5 mmHg，标准差（SD）小于 8 mmHg，收缩压和舒张压的MAE分别为4.29 mmHg和2.68 mmHg，SD分别为6.12 mmHg和3.86 mmHg，得到了准确度较高的测量结果，对于提高高血压的知晓率，辅助诊断心血管疾病有着较高的应用价值。关键词：PPG；LSTM；深度学习；交叉验证中图分类号：TP301.6文献标志码：A文章编号：10099492(2023)02007205Method on Cufffree Blood Pressure Measurement Based on LSTM ModelJiang Zeyu1,2，Zhao Yubo2，Zhao Jingbo1，Li Qingfu1,2（1.School of Information and Control Engineering,Qingdao University of Technology,Qingdao,Shandong 266520,China;2.Shandong Institute of Industrial Technology,Qingdao,Shandong 266101,China）Abstract:Cuff free blood pressure measurement technology has a wide range of application scenarios,and its application in wearable devicesprovides the possibility of blood pressure measurement anytime and anywhere for people who are concerned about blood pressure.In order tomake the blood pressure measurement algorithm more adaptable to the changes in the physical condition of the measured people,an LSTMmodel was built based on the Tensorflow framework,and a blood pressure calculation algrithm deeply related to the moment of blood pressuremeasuring,the previous measurement result and the feature of PPG was established.The model was validated using 6 931 pieces of data from542 individuals.Experiments show that after 10-fold cross-validation,the systolic and diastolic blood pressure measured both meet the AAMIstandard,that is,the mean absolute error(MAE)is less than 5 mmHg,the standard deviation(SD)is less than 8 mmHg,and the MAEs of systolicand diastolic blood pressure are 4.29 mmHg and 2.68 mmHg,SD were 6.12 mmHg and 3.86 mmHg,the measurement results is high accuracy,and has high application value for improving the awareness rate of hypertension and auxiliary diagnosis of cardiovascular diseases.Key words:PPG;LSTM;deep learning;cross-validation2023年02月第52卷第02期Feb.2023Vol.52No.02机电工程技术MECHANICAL&ELECTRICAL ENGINEERING TECHNOLOGYDOI:10.3969/j.issn.1009-9492.2023.02.017蒋泽宇，赵宇波，赵景波，等.基于LSTM模型的无袖带血压测量方法研究 J.机电工程技术，2023，52（02）：72-76.0引言据世界卫生组织柳叶刀的全球高血压流行趋势综合分析报告 显示1，从1990年至2019年，3079岁成年高血压患者人数从6.5亿人增加到12.8亿人，且呈现逐年上涨趋势。在调查东亚及东南亚人群中，对高血压的知晓率不足50%，这对于人口基数庞大且人口老龄化严重的中国，是一个亟需解决的问题。因此提高高血压的知晓率，找到一个便捷的、精准的血压测量方法变得十分重要。血压测量方法可分为有创和无创两种方式。有创血压测量方法被誉为血压测量的金标准2，但存在伤口感染的风险，不适用于日常血压测量。无创血压测量方法主要有张力测定法、恒定容积法、柯氏音法、示波法、脉搏波传播时间法以及脉搏波特征参数法3。柯氏音法和示波法的血压测量设备均使用袖带设计，长时间充放气会使被测者感到不适，而且设备携带不方便，无法实现连续血压测量。张力测定法、恒定容积法虽然可以实现连续测量，但仍需要对动脉施加一定压力，不利于长时间测量。因此，脉搏波传播时间法和脉搏波特征参数法脱颖而出，这两种血压测量方法适用于长时间的、随时随地的连续血压测量。但前者只考虑脉搏波传播速度和脉搏波传播时间来建立血压计算模型，研究表明4，血压除了与脉搏波传播时间特征有关还与其他脉搏波特征存在很强的相关性。因此，需要考虑建立多个特征的血压计算模型来提高血压测量的准确度。脉搏波特征参数 法 基 于 光 电 容 积 描 记 技 术（Photoplethysmography，PPG）获取人体的光电容积脉搏波，结合多个脉搏波特征参数建立血压计算模型，实现血压检测。这种方法常 72用于一些穿戴设备中，具有体积小、携带方便等优点。PPG是基于朗伯比尔定律实现的5，被广泛应用于脉搏波传播时间法和脉搏波特征参数法。其原理是：当LED发出的绿光或红光照射到皮肤表面时，由于人体动脉血管中的血液是具有流动性的吸光物质，因此光线射到动脉时，不同时间段对光的吸收就会发生变化。经过这些吸光物质后，透射或反射出来的光线会被另一端的信号接收器接收，转化为电信号。最后按一定的频率进行采样，获得的波形为光电容积脉搏波6，即PPG信号。国内外对脉搏波特征参数法做了大量研究。EnricM7利用随机森林方法对血压进行测量，结果表明，加入PPG波形特征之外的个体信息（如年龄、体重、身高等）后在一定程度上可以提高测量的准确性。Gaurav A等8除了 PPG 波形特征外还加入了心率变异性特征，结果表明，加入心率变异性特征可以提高测量的准确性。吴绍武9提取了15个PPG波形特征，并结合历史血压数据使用梯度推进机（Light Gradient Boosting Machine，LightGBM）进行血压测量，最终的结果满足AAMI标准。上述文献虽然都加入PPG波形特征之外的个体信息来提高血压测量的准确性，但未考虑到测量血压的时间这一重要因素。研究表明10，人体血压会随时间变化呈现勺型、非勺型、反勺型。因此测量血压的时间对血压有重大影响，可以考虑加入此特征并结合其他个体特征以及PPG波形特征进行血压测量，进一步提高血压测量的准确性。本文使用测量血压的时间、前一次测量结果以及当次PPG波形特征进行血压测量。由于LSTM（Long-ShortTerm Memory，LSTM）算法对时间序列数据处理能力显著，不容易出现梯度消失和梯度爆炸的情况11，且具有长期短期记忆能力。因此，本文使用LSTM算法建立血压计算模型，并对比不同网络结构的 LSTM 测量精度，找出最优的LSTM网络模型。最后，与其他血压测量方法进行对比分析。1LSTM的基本框架传统RNN结构图如图1所示，其隐藏层状态计算公式如下所示：f(t)=tanh(w1h(t-1)+w2x(t)+b)（1）式中：h()t-1为上一时刻隐藏层状态；x()t为该时刻输入信息；w1和w2为h()t-1和x()t对应权重；b为偏置；tanh和sigmoid为激活函数。由于计算该时刻隐藏层信息时只用到上一时刻隐藏层信息和这一时刻的输入，因此传统RNN无法实现长时记忆功能。LSTM内部结构图如图2所示。相比传统RNN结构，LSTM内部增设了3个门，分别对信息进行遗忘和记忆。3 个门分别为遗忘门、输入门和输出门12，分别如式（2）（4）所示。f(t)=(wf1h(t-1)+wf2x(t)+bf)（2）i(t)=(wi1h(t-1)+wi2x(t)+bi)（3）o(t)=(wo1h(t-1)+wo2x(t)+bo)（4）式中：f(t)、i(t)、o(t)分别为遗忘门、输入门、输出门状态。LSTM 除了比 RNN 增加了 3个门来控制输入和输出信息之外，内部还包含了一个记忆细胞c(t)，用来对之前重要的信息进行记忆13，即长时记忆。该时刻记忆细胞的更新主要由两个阶段完成：（1）遗忘阶段，经遗忘门后得到一组01的向量，0表示将无关信息全部遗忘，1表示将有用信息全部记住；（2）短时记忆阶段，该阶段将h()t-1和x(t)经过激活后得到一个候选细胞信息c?(t)，输入门的作用是将c?(t)中有用的信息进行记忆13。两个阶段保留的所有信息为该时刻记忆细胞信息，记忆细胞信息用于计算该时刻隐藏层状态h()t，h()t再通过激活函数激活之后可以得到本时刻的输出。c?(t)、c(t)以及h()t的计算公式分别为：c?(t)=tanh(wc1h(t-1)+wc2x(t)+bc)（5）c(t)=f(t)c(t-1)+i(t)c?(t)（6）h(t)=o(t)tanh(c(t)（7）LSTM内部结构和原理综上所述，通过增加多个门控状态来筛选输入信息并通过不断更新记忆细胞，从而实现长期记忆。相比较传统RNN，LSTM对研究血压这种时间序列数据的优势突出。2数据处理与特征提取2.1数据预处理本研究的数据是通过某公司的设备采集的，包含了图1传统RNN结构图图2LSTM内部结构蒋泽宇，赵宇波，赵景波，等：基于LSTM模型的无袖带血压测量方法研究 73542个个体的数据信息。由于在采集数据过程中会受到测量环境光线干扰、被测人员肢体抖动、传感器运动等影响，采集的 PPG信号含有多种噪声14，如高频噪声、低频噪声、无效噪声、随机噪声等。图3为一段PPG原始信号，由于受到不同频段噪声的干扰，导致该信号产生了基线漂移现象，需要进行降噪处理。降噪处理通常可以采用小波变换、傅里叶变换、中值滤波、维纳滤波等方法15，由于小波变换可以将原始波形一些重要特征很好地保留下来16，