2017, Vol. 38
高血压是我国的主要疾病之一, 当前的血压测量方法主要分为有创和无创两种.有创测量法是将压力传感器插入动脉血管进行直接测量, 对人体血管和皮肤有一定伤害, 临床上主要用于重症患者.而无创法主要包括柯氏音法、示波法、动脉张力测定法、脉搏波测量法等.由于无创法具有操作简单、对人体无伤害等优点, 各国的科技工作者都对无创测量血压开展了广泛的研究.Jeong等[1]使用脉搏波和心电两种信号进行血压的提取研究, 并得出个体差异对利用脉搏波计算血压的影响较大的结论.Poon等[2]采集腕部脉搏波, 并采用流体力学原理对脉搏波传导时间与血压的关系进行建模, 得出了脉搏波传导时间与血压之间存在线性关系的结论.
本文通过智能手机的摄像头采集光信号, 提取脉搏波进行血压计算, 并提出利用脉搏波传导时间和心率两个参数与血压进行回归分析, 建立了一种新的血压模型.本文提出的方法运行在手机平台, 准确性较好, 且具有经济, 方便等特点.
1 基本原理采用手机摄像头进行血压计算, 需要如下步骤：首先, 从摄像头采集的光信号中提取脉搏波并滤波；然后, 从脉搏波中提取脉搏波传导时间和心率；最后, 对相关参数进行回归分析, 得到血压回归方程.本文称此方法为基于脉搏波的多参数收缩压估计法(multiparameter estimation of systolic blood pressure based on pulse wave, MBPP).
1.1 脉搏波的预处理脉搏波是由心脏的搏动沿着血管向外传播形成的, Huang等[3]的研究表明, 可以利用手机摄像头来采集人体的脉搏波.手机摄像头采集脉搏波使用了光电容积描记法(photoplethysmography, PPG)来采集脉搏波.脉搏波在传播过程中, 附近血管的直径, 血液的速度、压力会同时发生变化；而光电容积描记法就是借助于光电信号, 检测血管中血液的容积变化来检测脉搏波的一种无创检测法.
由于手机摄像头采集的脉搏波信号有一定的噪声, 这里使用demy小波变换算法对采得的信号进行滤波.效果如图 1所示.
|
图 1 脉搏波滤波 Fig.1 Pulse wave filtering (a)—原始脉搏波；(b)—去噪后脉搏波; (c)—基线；(d)—去基线漂移后的脉搏波. |
根据Chen等[4]的研究, 脉搏波传导时间与收缩压的相关性很大, 但是与舒张压的关系不明显.因此, 可以利用脉搏波传导时间来计算收缩压.
脉搏波传导时间是指脉搏波从体内的一端传播到另一远心端所用的时间.由于设备限制, 不能同时测量近心端和远心端, 因而采用文献[5]提出的对原始脉搏波进行二次差分得到加速脉搏波的方法来计算脉搏波传导时间.加速脉搏波数据AP的计算公式见式(1).
|
(1) |
式中:xk为原始脉搏波信号; Δf(xk)代表一阶向后差分.
原始脉搏波信号的加速脉搏波如图 2所示.其中, A点表示心脏收缩时, 动脉血被推进毛细血管, 使加速脉搏波上升到第一个峰值; B点表示血液从毛细血管流入静脉, 静脉血管血压上升, 从而使加速脉搏波上升到第二个峰值.A点和B点的时间间隔可以反映脉搏波传导时间.
|
图 2 加速脉搏波 Fig.2 Acceleration pulse wave |
MBPP法要用到心率值, 为了使计算尽量简单, 本文提出一种分段幅值阈值法提取脉搏波峰值点, 再对心率进行计算.
首先设置窗口为4 s, 在每个窗口中, 脉搏波的峰值一般不小于窗口中最大峰值高度的2/5, 又因为人体的心率一般小于200次/min, 故两个峰值点之间的时间间隔要大于300 ms.因此, 判断峰值点是否为波峰的公式为
|
(2) |
式中:x和y分别为主峰的横纵坐标; ymax为窗口中的最大值; H为采样频率.图 3所示为峰值提取结果.
|
图 3 分段幅值阈值法获取心率 Fig.3 Acquisition of heart rate by the threshold of segmented amplitude method |
通过实验, 使用本方法对脉搏波峰值进行标记的准确率为94.2%.在得到峰值点序列P之后, 即可以算出心率值RH.
2 建立血压模型Chen等[4]提出SBP(收缩压)和tPT(脉搏波传导时间)之间有如下关系:
|
(3) |
而Lin等[6]提出用式(4) 来计算血压:
|
(4) |
由本文实验得知, 心率对收缩压有较大影响, 当心率值RH增大时, SBP也增大, 具有明显的正相关性.因而对公式(4) 进行调整, 提出一个新的公式:
|
(5) |
式(3)~式(5) 中，a，b，A，B，C均为常数.
根据式(5) 进行实验设计.实验选用OMRON HEM-7052血压测量仪作为对照仪器, Nexus 5智能手机作为测量仪器.本实验对12名被测者(20~30岁, 9名男性, 3名女性, 身体健康)分别进行10次测试, 共得到12组训练数据, 然后通过线性拟合分别得到适合于每个被测者的拟合方程.按以下三步分别对12名被测者进行实验.
第一步, 同时分别使用手机和血压仪采集脉搏波和血压.
1) 让被测者休息5 min, 在安静状态下使用手机摄像头记录被测者的手指脉搏波信号(S1)，紧接着用OMRON血压测量仪测量同一只手臂的血压(B1).
2) 让被测者运动5 min, 目的是让被测者的血压升高.
3) 运动完后, 使用手机摄像头采集脉搏波(S2)，采集时间30 s, 然后使用OMRON血压测量仪测量血压(B2).
4) 以后每隔5 min, 分别使用手机摄像头采集脉搏波(S3~S10), 用血压测量仪测量血压(B3~B10).
至此, 得到脉搏波S1~S10, 以及相对应的血压B1~B10.
第二步, 从脉搏波中提取加速脉搏波和心率, 并计算脉搏波传导时间.
第三步, 建立回归方程, 使用式(5) 拟合.
本文以其中一位被测者的实验数据为例, 进行数据分析, 如表 1所示.
|
表 1 被测者的实验数据 Table 1 Experimental data of a subject |
利用表 1数据和式(5), 将SBP作为因变量, tPT和RH作为自变量, 在95%置信区间拟合, 得到方程:
|
(6) |
通过对回归模型的分析, 得到它的相关性系数r和拟合优度P, 进一步分析其残差图, 就可以对结果进行准确性分析.
如图 4所示即为血压仪检测的收缩压实际值与利用血压模型计算的预测值.
|
图 4 检测点与预测点比较 Fig.4 Comparison of the points collected and predicted |
对此回归模型进行分析, 得到其回归参数:相关性系数r=0.83;拟合优度P=0.000 19;标准差SD=2.47 mmHg.由于P＜0.05, 此回归模型成立.对回归模型进行残差分析, 如图 5所示, 可以看出, 所有数据均包含零点, 这说明本文的回归模型能较好地符合原始数据.
|
图 5 残差图 Fig.5 Residual plot |
为了验证血压模型的计算结果与实际测量结果的一致性, 下面对此模型进行验证.
让相应的测试者运动10 min后进行测试, 每隔5 min进行一次脉搏波的采集和测量, 共采集10次.根据血压模型得到的计算结果和实际测量结果如表 2所示.这两种结果的标准差SD=4.95 mmHg, 这说明血压模型的计算结果和测量结果相差不大, 具有较大的一致性.
|
|
表 2 验证实验 Table 2 Test for verification |
对12个被测者进行同样的实验, 结果表明：12个实验对象的相关性系数r均不小于0.79, 标准差也均不大于6.35 mmHg.作为本方法的对比, 文献[5]提出的方法的相关性系数r=0.68, SD=7.08 mmHg, 而文献[7]提出的方法的相关性系数r=0.77, SD=6.6 mmHg.文献[7]只分析了不同的脉搏波传导时间, 而在文献[5]的方法中, 每次预测都需要连接外部设备, 仅使用脉搏波传导时间一个参数, 在单样本上的效果均弱于本文方法.
4 结语本文提出了一种使用智能手机估计血压的MBPP方法.该方法采用分段幅值阈值法提取脉搏波的峰值点, 利用加速脉搏波获得脉搏波传导时间.在借助血压仪进行训练后, 得到血压与脉搏波相关参数的关系模型, 从而计算血压.由于舒张压与脉搏波传导时间关系不大, 所以本文计算的均为收缩压.另外, 由于传感器的限制, 以及个体之间的心脏射血能力, 血管壁的弹性具有较大不同, 因而多样本模型的准确度不高.
通过运动实验分析证明, 所得的关系模型成立, 通过手机摄像头采集的脉搏波进行血压估计与血压仪检测的结果具有良好的一致性.相比其他测量方法, 本方法采用手机作为检测设备, 平台新颖, 且具有经济、方便等特点.
| [1] | Jeong I C, Finkelstein J.Potential value of electrocardiogram and photoplethysmogram for non-invasive blood pressure estimation during exercise[C]//35th Annual International Conference of the IEEE EMBS.New York:IEEE, 2013:2304-2307. |
| [2] | Poon C C Y, Zhang Y T, Liu Y.Modeling of pulse transit time under the effects of hydrostatic pressure for cuffless blood pressure measurements[C]//Proceedings of the 3rd IEEE/EMBS International Summer School and Symposium on Medical Devices and Biosensors.Boston:IEEE, 2006:65-68. |
| [3] | Huang S C, Hung P H, Hong H C, et al. A new image blood pressure sensor based on PG, RRT, BPTT, and harmonic balancing[J]. IEEE Sensors Journal, 2014, 10(4): 3685–3692. |
| [4] | Chen W, Kobayashi T, Ichikawa S, et al. Continuous estimation of systolic blood pressure using the pulse arrival time and intermittent calibration[J]. Medical & Biological Engineering & Computing, 2000, 38(5): 569–574. |
| [5] |
李晗, 赵海, 朱剑, 等.
基于容积脉搏波的收缩压测量方法[J]. 东北大学学报(自然科学版), 2013, 34(8): 1078–1081.
( Li Han, Zhao Hai, Zhu Jian, et al. Systolic blood pressure measurement based on volume pulse wave[J]. Journal of Northeastern University(Natural Science), 2013, 34(8): 1078–1081. ) |
| [6] | Lin H, Xu W, Guan N, et al. Noninvasive and continuous blood pressure monitoring using wearable body sensor net works[J]. IEEE Intelligent Systems, 2015, 30(6): 38–49. DOI:10.1109/MIS.2015.72 |
| [7] | Wong M Y M, Zhang Y T.The relationship between pulse transit time and systolic blood pressure on individual subjects after exercises[C]//Proceedings of the 1st Distributed Diagnosis and Home Healthcare (D2H2) Conference.Arlington, 2006:37-38. |