基于單路PPG信號的無袖帶血壓監(jiān)測算法

摘 要：PPG信號描述了人體組織對外界光線反射量隨脈搏變化的波形，其波形特征與血壓值存在關(guān)聯(lián)，現(xiàn)有的PPG信號估計血壓算法存在模型復(fù)雜、通用性低等問題。本文利用輕量化的卷積神經(jīng)網(wǎng)絡(luò)提取單周期信號特征，在無需個人化校正的情況下，僅用單路PPG信號對收縮壓與舒張壓分別估計。針對PPG信號中存在的大量干擾，設(shè)計了一套基于周期間幅值關(guān)系的信號校正方法，并利用循環(huán)移位自相關(guān)函數(shù)值為判斷依據(jù)，合理去除不適宜采用的數(shù)據(jù)段；同時采用了一種幅度頻譜增強方法，強化了特征提取效果。測試結(jié)果表明，本模型能在大多數(shù)情況下將誤差控制在合理區(qū)間，可在計算量較小的條件下為個人提供血壓值參考。

關(guān)鍵詞：PPG信號；深度學(xué)習；卷積神經(jīng)網(wǎng)絡(luò)；自相關(guān)函數(shù)；血壓監(jiān)測；信號處理

中圖分類號：TP391.4；TH776 文獻標識碼：A 文章編號：2095-1302（2024）04-00-04

DOI：10.16667/j.issn.2095-1302.2024.04.007

0 引 言

光電容積描記法（PPG）傳感器利用皮膚表面的LED光源和光敏元器件，通過測量皮下組織對光線的吸收、反射量，得到血管中血液容積隨脈搏的變化量[1]，進而可用于測量心率等健康參數(shù)。由于傳統(tǒng)的袖帶式血壓（BP）測量方法無法全天候持續(xù)對患者血壓進行監(jiān)測，且會對血管造成壓迫，而穿刺式血壓測量方法會對患者身體造成較大損傷，為求得一種非侵入式、簡單易行且能全天候工作的血壓監(jiān)測方法，人們很早就將目光投向了PPG信號，希望從PPG信號中提取出準確的血壓信息。

近年來，深度學(xué)習方法在無創(chuàng)估計血壓領(lǐng)域逐漸占據(jù)了主導(dǎo)地位。相比傳統(tǒng)方法，深度神經(jīng)網(wǎng)絡(luò)可從PPG與心電信號（ECG）中提取更加豐富的特征，如Harfiya等人[2]利用長短期記憶網(wǎng)絡(luò)（LSTM），通過遷移學(xué)習的方法實現(xiàn)從PPG信號到其對應(yīng)動脈血壓信號（ABP）的轉(zhuǎn)換，此類方法使用單路PPG信號對血壓進行預(yù)測，不借助ECG信號；而Baker等人[3]則同時利用ECG信號和PPG信號，通過卷積神經(jīng)網(wǎng)絡(luò)（CNN）及LSTM組成的混合網(wǎng)絡(luò)對血壓進行估計。顯而易見的是，ECG+PPG模式更容易得到精確的血壓值，但其泛用性較差，相比之下，采用單PPG信號監(jiān)測方法更易移植到可穿戴設(shè)備上。同時，在測量前對模型進行個人化校正，也能提高估計準確度[4]，但這種方法需要腕帶式設(shè)備測得標準血壓，一定程度上增加了使用復(fù)雜度。

本文基于單路單周期PPG信號，通過輕量化的CNN對血壓進行預(yù)測，同時利用一種基于周期間幅值關(guān)系的干擾去除方法，對信號中的加性干擾與乘性干擾分別去除，大大提高了模型的訓(xùn)練質(zhì)量；且模型無需個人數(shù)據(jù)校正、計算代價小、對外界干擾魯棒性高。

1 模型框架

本文算法分為若干個數(shù)據(jù)處理模塊與CNN網(wǎng)絡(luò)模塊，其流程結(jié)構(gòu)如圖1所示。

PPG信號在采集過程中由于存在接觸面壓力變化、肌肉組織活動、硬件基線漂移等因素，其波形往往存在較大的幅值波動，并伴有周期不穩(wěn)定等問題；同時，為使得波形特征易于提取，需要將連續(xù)的PPG信號分割為多個單周期波形，并對高頻分量適當增強，即需要一種魯棒性較強的周期分割算法；對于一些受干擾較大無法正確判別基頻的信號還應(yīng)及時舍去。為解決以上問題，算法的數(shù)據(jù)處理過程分為4部分：周期分割、去除干擾、去除異常數(shù)據(jù)、頻域增強，其中周期分割模塊使用了2次。

而對于神經(jīng)網(wǎng)絡(luò)部分，本文采用了簡單的CNN模型，包含6層卷積模塊，數(shù)據(jù)來源為經(jīng)過預(yù)處理的MIMIC II（UCI Repository）[5]數(shù)據(jù)集，該數(shù)據(jù)集雖然經(jīng)過去除異常值、平滑等操作，但對于本模型而言，無法直接進行訓(xùn)練，需要進行數(shù)據(jù)處理。

2 數(shù)據(jù)處理

2.1 周期分割

在信號處理領(lǐng)域，自相關(guān)函數(shù)能在一定程度上表征信號移位后與原信號的相似度，可用于識別受到干擾較大的信號的基頻。對于實信號而言，自相關(guān)函數(shù)即為移位后的信號與原信號的互相關(guān)，其自變量為位移量，由于自相關(guān)函數(shù)為偶函數(shù)，此位移量可表示超前時間也可表示滯后時間，如下式：

（1）

式中：τ為信號位移量。對于任意實信號而言，自相關(guān)函數(shù)R（τ）最大值位于位移τ為0處，而對于嚴格的無限長周期信號而言，移位整數(shù)倍周期后其波形不變，故自相關(guān)函數(shù)在位移量等于整數(shù)倍周期處均存在最大值。而對于有限長PPG信號，當信號長度遠大于其周期寬度時，每移位整數(shù)個周期，其自相關(guān)函數(shù)仍然會出現(xiàn)明顯的峰值。圖2為采樣頻率

125 Hz、長度為1 000個采樣點的PPG信號的自相關(guān)函數(shù)。

圖2中的縱坐標并無特定物理意義，由于受到環(huán)境光等因素影響，原始PPG信號往往有較大的直流分量，故其有限長序列的自相關(guān)函數(shù)呈三角形。可以通過計算自相關(guān)函數(shù)峰值出現(xiàn)位置來判斷有限長PPG信號周期。但由于部分PPG信號二次諧波較大，在位移為半個周期處自相關(guān)函數(shù)也會出現(xiàn)峰值。為提高算法魯棒性，需要計算圖2中心峰值某一側(cè)前后2個峰值出現(xiàn)的位置，并計算其對應(yīng)函數(shù)值。對于有限長周期信號，若位移τ=kT，其中k∈Z，那么當τ不超過信號總長度時，k的絕對值越大，則R（τ）越小，即峰值高度隨位移長度呈遞減趨勢；若信號中存在較大幅度的二次諧波，其在半周期處形成的R（τ）峰值往往小于兩側(cè)整數(shù)倍周期處的峰值，可通過比較其對應(yīng)函數(shù)值進行取舍。

2.2 去除干擾

PPG信號中存在的加性高斯噪聲可以通過設(shè)置合適的低通濾波器加以去除，但信號中也存在大量無法簡單濾波去除的干擾，這些干擾可分為2種：加性干擾與乘性干擾，其關(guān)系可由下式表示：

（2）

式中：f（t）為無干擾信號；fn（t）為含干擾信號；nm（t）為乘性干擾；na（t）為加性干擾。加性干擾視其獨立于乘性干擾，故可通過信號相減首先去除。

除此之外，還有相位不統(tǒng)一等影響數(shù)據(jù)質(zhì)量的因素，從不同受試者采集的PPG信號形態(tài)差異較大，本文規(guī)定每個周期內(nèi)最小值為相位為0處，統(tǒng)一相位即為將每一組PPG信號都統(tǒng)一到第一個周期的最小值處開始，所有信號在進行處理前都需要利用周期分割的結(jié)果，劃分出第一個周期，求取此周期內(nèi)的最小值點并進行移位，從而實現(xiàn)相位的統(tǒng)一。

PPG信號的加性干擾表現(xiàn)為不同周期內(nèi)信號均值的無規(guī)律波動，其通常由設(shè)備自身造成的基線漂移、人體組織的不規(guī)律運動等因素引起；由于往往頻率較低，無法通過低通濾波器去除，常用的去除手段是經(jīng)驗?zāi)B(tài)分解（emd）[6]，但PPG信號常常一個周期內(nèi)包含多個極大或極小值，且幅值不確定，波形因人因時差異較大，故不適合簡單應(yīng)用emd。本文基于emd提出一種較為穩(wěn)定的加性干擾去除方法。首先對PPG信號進行周期分割，并求取每個周期內(nèi)的信號均值，然后以每個周期中點為橫坐標，均值為縱坐標，進行3次樣條插值，形成基準波形，最后在原信號中減去該基準波形，如圖3所示。

圖3所示加性干擾主要是基線漂移，本方法可將其有效去除，在不破壞波形大致特征的前提下，統(tǒng)一每個周期的直流分量。該方法假設(shè)信號中的加性干擾連續(xù)變化且最大頻率不超過信號自身頻率，關(guān)注周期間信號的漲落；然而，許多PPG信號中基準線的周期性波動也有可能表征了受試者特定的生理狀況，該方法在去除加性干擾的同時忽略了這些因素，造成了信息的損失。

PPG信號的乘性干擾主要表現(xiàn)為不同周期間峰峰值的無規(guī)律變化，在去除加性干擾后，每個周期內(nèi)信號均值被統(tǒng)一到0左右，故乘性干擾可表征為每個周期內(nèi)最大值或最小值的漲落。PPG信號單個周期內(nèi)可能存在多個極大值或極小值，且不同極小值之間差異較小，故每個周期內(nèi)最小值所在位置可能差異較大，不適宜作為校正參考；但往往一個周期內(nèi)信號只存在一個主峰，即最大值，且其余最大值與之相差較大。故以每個周期內(nèi)最大值點作為參考點，進行3次樣條插值形成幅值基準信號，原信號除以幅值基準信號，即可將每個周期內(nèi)最大值幅度統(tǒng)一為1，并且每個周期中最大值以外的部分幅度基本統(tǒng)一，如圖4所示。

圖4中的波形首先已去除了加性干擾，信號均值接近于0，一部分信號受到嚴重干擾，出現(xiàn)了較大的幅度衰落，去除乘性干擾后，可以看到受到較大干擾的波形依然具有波形特征。本方法對于變化緩慢的乘性干擾有較好的效果，且一定程度上保留了信號自身的形態(tài)特征。對于以上2種分別用于消除加性干擾和乘性干擾的方法，因采用3次樣條插值，在邊界處缺乏有效約束，故容易造成首尾周期內(nèi)波形出現(xiàn)較大失真，為保證信號質(zhì)量，需要舍去首尾2個周期的波形。

2.3 去除異常數(shù)據(jù)

對于部分上述方法無法去除的較大干擾，或是傳感器脫落等原因造成的無效信號，應(yīng)予以剔除。本文采用自相關(guān)函數(shù)作為判據(jù)，判斷信號移位整數(shù)倍周期后與原信號是否足夠相似。理想情況下PPG信號每個周期波形應(yīng)當完全一致，實際中波形相似度越低，亦即移位后自相關(guān)函數(shù)值越小，說明信號幅值受干擾越大，或是周期抖動越大。與前文將自相關(guān)函數(shù)用于提取周期不同，此處自相關(guān)函數(shù)的自變量位移代表循環(huán)位移量；這是因為首次周期分割時信號尚未消除干擾，且信號長度不為整數(shù)倍周期，循環(huán)移位后首尾難以相接，容易引起誤判；而經(jīng)過上一步處理后，信號足夠規(guī)整，循環(huán)移位對于干擾去除效果較好的信號而言不會引入過多誤差，而對于受到干擾較大無法去除的信號則能更好予以判別。

將去除干擾后的PPG信號重新提取周期，舍去末尾非完整周期；根據(jù)信號長度，進行若干個整數(shù)周期的循環(huán)移位，并與原信號作互相關(guān)，此處為求取兩信號所有采樣點乘積之和；然后計算原信號所有采樣點的平方和，相當于原信號總能量；最后計算自相關(guān)結(jié)果與總能量之比，若此比值低于某一設(shè)定閾值，則應(yīng)舍去該組數(shù)據(jù)。

由于開源數(shù)據(jù)集中PPG信號往往伴隨連續(xù)ABP信號的采集，要讀取PPG信號對應(yīng)的收縮壓（SBP）與舒張壓（DBP），亦需要對ABP信號進行周期分割后提取最大最小值，故為保證PPG信號與ABP信號同時刻相對應(yīng)，上述所有涉及相位改變、數(shù)據(jù)取舍的步驟均應(yīng)對ABP信號進行相同操作。并且由于ABP信號中常出現(xiàn)異常值，循環(huán)移位自相關(guān)檢驗的步驟也應(yīng)對ABP信號執(zhí)行。需要注意的是，去除干擾步驟會去除信號的直流分量，不能用于ABP信號的處理，否則將無法提取具體血壓數(shù)值。最后，將PPG信號分割為若干個單周期波形，對每個波形分別進行重采樣，使其長度一致，并記錄該波形的原始周期長度及其對應(yīng)ABP信號中的最大、最小值分別作為SBP與DBP值。

2.4 頻域增強

現(xiàn)有的PPG信號估計血壓算法中，常以PPG信號的二階導(dǎo)數(shù)（APG）作為特征波形[7]，因為APG信號相較于PPG信號，包含更多的高頻分量，更利于神經(jīng)網(wǎng)絡(luò)提取特征?？紤]到APG信號本身也會損失一部分PPG信號的特征，為保證特征不丟失，則需要增大數(shù)據(jù)量，而這對于設(shè)備的性能提出了更高的要求。且卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）等深度學(xué)習架構(gòu)本身就有提取信號二階導(dǎo)數(shù)的能力；例如對CNN而言，求取二階導(dǎo)數(shù)僅僅相當于一次卷積模板運算。為了在保留原信號特征的同時，突出信號中的高頻分量，本算法采取了對信號進行頻域?qū)?shù)映射的方法。

將信號通過快速傅里葉變換（FFT）變換到頻率域，再對幅度頻譜進行對數(shù)映射，相位譜不變，如下式：

（3）

式中：G（f）為變換后頻譜；F（f）為變換前頻譜；φ（f）為變換前相位譜；A、c為常數(shù)，取A=3，c=1。對單周期PPG信號進行增強，其效果如圖5所示。

由于PPG信號頻譜中高頻分量幅值較小，低頻分量幅值較大，經(jīng)過對數(shù)映射后幅值較小的高頻分量幅度增大，而低頻分量幅度得到壓縮。經(jīng)過快速傅里葉反變換（IFFT）到時域后，可以看到圖5中增強后的波形具有更豐富曲折的細節(jié)，突出了原波形中不易提取的特征。

3 預(yù)測模型

3.1 模型結(jié)構(gòu)

本文采用CNN為血壓預(yù)測模型，其結(jié)構(gòu)如圖6所示。網(wǎng)絡(luò)輸入為32點的單周期PPG信號，輸出為SBP與DBP具體數(shù)值，單位為毫米汞柱（mmHg）。由于固定長度的單周期PPG信號無法反映其頻率特征，在全連接層前需要向特征中拼接頻率特征，此處以125 Hz采樣頻率下的周期點數(shù)代替。

本網(wǎng)絡(luò)基本結(jié)構(gòu)包括2種卷積模塊，第一種卷積模塊ConvBlock1用于在第一層提取輸入信號特征，其使用長度為3的一維卷積核，邊緣采用0填充，將單個一維信號擴充到64個特征圖，模塊中還包含批歸一化、ReLU激活函數(shù)層；第二種卷積模塊ConvBlock2用于后續(xù)5層，模塊中依然采用長度為3的一維卷積核，邊緣0填充，其特征圖數(shù)目均為輸入特征的2倍，而每個模塊則包含1個窗口長度為2的池化層，實現(xiàn)單個特征圖長度減半。

由于網(wǎng)絡(luò)輸入為單個周期PPG信號，許多特征若感受野太小則無法有效獲取，故采用多層卷積-池化結(jié)構(gòu)，卷積層將特征翻倍，池化層將特征減半，保持特征總數(shù)不變，減小計算代價。其次，由于頻率與血壓值可能存在較復(fù)雜的非線性關(guān)系，不能用一層線性連接表示，故采用兩層全連接層結(jié)構(gòu)，并添加了ReLU激活函數(shù)，使其具備非線性擬合能力。

3.2 模型測試評價

從連續(xù)PPG數(shù)據(jù)中分割出393 637條單周期PPG信號及其對應(yīng)血壓值為訓(xùn)練集，指定其損失函數(shù)為SmoothL1Loss[8]，表達式如下：

（4）

式中：yc-y表示預(yù)測值與實際值的誤差，該損失函數(shù)在誤差大于1時相比L2損失函數(shù)具有較好的穩(wěn)定性，而網(wǎng)絡(luò)的輸出為單位為mmHg的血壓值，誤差常常大于1，故使用該損失函數(shù)可避免下降過快，且在0附近可導(dǎo)。

使用Adam優(yōu)化器，設(shè)置學(xué)習率為0.001 5，批大小為

2 048，訓(xùn)練20個epoch。利用1 598條連續(xù)6個周期的PPG信號作為測試集，每個周期分別進行頻域增強，將6個周期的ABP最大值、最小值分別進行平均，作為本條數(shù)據(jù)的實際SBP與DBP值。將每個周期信號分別傳入模型預(yù)測結(jié)果，將6個周期的結(jié)果取平均值作為預(yù)測SBP與DBP值。

測試得SBP平均絕對誤差為11.105 2 mmHg，DBP平均絕對誤差為5.969 2，隨機取其中一部分結(jié)果作殘差，如

圖7所示。

由此可見，SBP預(yù)測誤差相對于DBP更大，大部分誤差值落在[-20，20]區(qū)間，而DBP大部分誤差值落在[-10，10]區(qū)間。同時也可以看到，殘差分布明顯不均勻，血壓偏高預(yù)測誤差往往更傾向于負值，而血壓越低預(yù)測誤差更傾向于正值[9-10]。

4 結(jié) 語

本文所設(shè)計算法基于PPG信號對血壓值進行預(yù)測，具有計算代價小、魯棒性高等優(yōu)點，不借助ECG等外部信號，無需進行個人化校正，結(jié)合可穿戴設(shè)備有較大的發(fā)展前景。本文所采用的數(shù)據(jù)處理方法具備較強的泛用性，可用于很大一部分非平穩(wěn)信號的處理與分析。但模型預(yù)測精度尚達不到醫(yī)用實用標準，未來可通過豐富數(shù)據(jù)集、改進網(wǎng)絡(luò)結(jié)構(gòu)、適當引入個人化校正等方法提高預(yù)測精度。

參考文獻

[1] CASTANEDA D，ESPARZA A，GHAMARI M，et al. A review on wearable photoplethysmography sensors and their potential future applications in health care [J]. International journal of biosensors amp; bioelectronics，2018，4（4）：195.

[2] HARFIYA L N，CHANG C C，LI Y H. Continuous blood pressure estimation using exclusively photopletysmography by LSTM-based signal-to-signal translation [J]. Sensors，2021，21（9）：2952.

[3] BAKER S，XIANG W，ATKINSON I. A hybrid neural network for continuous and non-invasive estimation of blood pressure from raw electrocardiogram and photoplethysmogram waveforms [J]. Computer methods and programs in biomedicine，2021，207：106191.

[4] BAEK S，JANG J，YOON S. End-to-end blood pressure prediction via fully convolutional networks [J]. IEEE access，2019，7：185458-185468.

[5] KACHUEE M，KIANI M M，MOHAMMADZADE H，et al. Cuff-less high-accuracy calibration-free blood pressure estimation using pulse transit time [J]. IEEE international symposium on circuits and systems （ISCAS’15），2015.

[6] HUANG N E，SHEN Z，LONG S R，et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis [J]. Proceedings of the royal society of london. series A：mathematical，physical and engineering sciences，1998，454（1971）：903-995.

[7] CAO Y，CHEN H，LI F，et al. Crisp-BP：Continuous wrist PPG-based blood pressure measurement [C]// Proceedings of the 27th Annual International Conference on Mobile Computing and Networking. 2021：378-391.

[8] GIRSHICK R. Fast r-cnn [C]// Proceedings of the IEEE international conference on computer vision，2015：1440-1448.

[9]沈瑾.便攜式多參數(shù)監(jiān)護儀在互聯(lián)網(wǎng)+時代的使用設(shè)計[J].物聯(lián)網(wǎng)技術(shù)，2018，8（6）：92-93.

[10]郭麗華.基于PPG信號的無袖帶連續(xù)性血壓測量方法研究[D].杭州：浙江大學(xué)，2011.

收稿日期：2023-04-13 修回日期：2023-05-16