您当前的位置:检测资讯 > 科研开发

基于光电容积脉搏波描记法和人工智能算法的两种预测血压模式准确性对比研究

嘉峪检测网        2022-08-22 15:40

我国高血压发病率高,2002年大规模人群普查患病率为18.80%,并且从20世纪50年代以来总体呈明显上升趋势,而我国人群高血压知晓率、治疗率和控制率分别为30.2%、24.7%和6.1%,依然很低。有效控制高血压,能显著降低心血管病的发病率和病死率,而控制血压的前提是对血压的精确测量和监测。

 

目前,测量血压的金标准是通过动脉导管检测左心室血压,这种方法虽然精确且可以测量实时血压,但其存在有创、操作复杂的缺陷,且技术要求高,不适合临床常规使用和家用血压监测。目前临床替代金标准应用最多的是水银袖带式血压计以及各种袖带式电子血压计,但其连续测量血压时频繁的充气放气,造成被检者夜间监测时影响睡眠等。经过数十年的努力,科学界开发出光电容积脉搏波描记法 (photoplethysmography PPG)预测血压,因能够测 量血压且方便监测,已成为目前研究的重点领域,但是临床报道大规模试验数据并不多,准确性有待研究。本研究旨在探索PPG结合人工智能算法监测血压的准确性。

 

1资料与方法

 

1.1 临床资料

 

选取2020年10月至2021年2月于解放军总医院第六医学中心诊断的41例高血压患者,其中男性31例,女性10例;年龄18~88岁,平均年龄(59±17)岁。对 41例患者分别采用动态血压计测量一侧肢体臂部血 压,同时用PPG血压计(O2Ring指环)测量对侧肢体拇指或食指近节指骨处PPG信号、预测血压,共采集 446个时间点数据。本研究经医院医学伦理委员会批准且获得所有患者的知情同意。

 

1.2 纳入与排除标准

 

(1)纳入标准。①参照我国高血压分类标准经3次不同时间测量收缩压>140 mmHg,舒张压>90 mmHg;

 

②患者依从性好能够配合完成研究。(2)排除标准。①患有肾动脉狭窄、主动脉夹层、

 

腋动脉闭塞、锁骨下动脉闭塞、手部手术、残疾等;②容易造成双臂血压差较大疾病和有多动倾向、配合性差的患者。

 

1.3 仪器设备

 

采用O2Ring指环血压测量仪(中国北京乐普源动科技公司),安装有乐普医生应用程序(application program,APP)的智能手机;DMS_ABP型动态血压 计一台(美国DM software公司)。

 

1.4 血压监测方法

 

1.4.1 PPG测量血压

 

(1)PPG信号的自动特征提取。利用指环探测器探测仪器发射的光源信号穿过人体外周微血管血液容积随心脏博动而产生的变化,并记录其变化的一维信号后进行带通滤波,将处理后的信号经过模数转换器转换成数字信号后通过指环蓝牙装置传递给手机,手机信号上传到后台服务器。

 

(2)人工智能算法系统搭建。后台服务器搭 建深度卷积神经网络(deep  convolutional  neural networks,DCNN)用于对PPG信号的自动特征提取,同时构建回归网络连接这些特征与PPG信号对应的血压值,整个网络由4层卷积层和4层全连接层组成,总参数量123万,其中后3层卷积层引入了与 inception网络结构类似的多尺度卷积核,并且对所有 卷积核尺度进行了改造以适应一维信号;为实现模型 的充分训练,共采集>22 800人的血压数据,经数据清洗和整理后筛选出19 000人作为训练集,1 600人作为验证集,120人作为测试集,整体数据性别比例均衡,年龄覆盖范围广,高血压人群分布同我国患病率类似,且训练集与测试集的数据分布相似,在大数据的驱动下,经过不断训练和优化,这种基础预测模型可以自主提取PPG信号中与血压相关的特征并建立起这些特征和血压值之间的关系,从而实现利用PPG信号预测血压。

 

(3)PPG测量血压的两种模式。分别为直接预测模式和标定预测模式。直接预测模式为戴上O2ring指环后,直接预测的血压数值可显示在与指环蓝牙链接的手机终端的乐普医生APP上,APP血压数值每分钟可 更新1次。标定预测模式为初始测量时,将动态血压计实测的血压值输入手机乐普医生APP标定血压处,标定同时测得的PPG信号,APP显示的血压值即为标定模式预测的血压值,每分钟亦可更新1次,不需要再次输入。

 

1.4.2 动脉血压计实测血压

 

患者取平卧位,双上肢平放与躯干两侧,使用美国迪姆动态血压检测仪随机测量两侧臂部血压,每30 min间隔测量一次。

 

1.5 观察与评价指标

 

观察记录患者各个时间点动态血压计血压实测值与PPG血压计O2Ring指环直接预测值和标定预测值随时间变化趋势。对两种模式预测的血压与实测血压的各参数进行比较;对两种模式预测的血压与实测血 压差值累计分布概率及分级,并采用“Spearman” 相关分析对两种模式预测的血压与实测血压的相关性和一致性进行分析。

 

1.6 统计学方法

 

采用SPSS23.0软件对数据进行分析。所有患者多次测量取平均值,符合正态分布的计量资料以均数±标准差(-x±s)表示,两组间的比较采用配对t检验,多组间比较用方差分析,以P<0.05为差异有统计学意义。动态血压计实测值与O2Ring指环直接预测血压值和标

 

定预测血压值的相关性用“Pearson”相关分析。不符合正态分布的计量资料采用Wilcoxon符号秩和检验。

 

2结果

 

2.1 两种模式各时间点血压测量值趋势

 

对41例患者的血压经过连续测量,共采集446个时间点数据,患者各个时间点动态血压计实测值和 O2Ring指环直接预测值、标定预测值,动态血压计实测血压值和直接预测值和标定预测值变化趋势较一致,标定预测值与动态血压计实测血压值拟合更好,见图1。

 

基于光电容积脉搏波描记法和人工智能算法的两种预测血压模式准确性对比研究

 

注:①图中A为一患者收缩压随时间变化的趋势图,B为 同一患者舒张压随时间变化的趋势图;②图中红色为动态血 压计实测血压值,绿色为直接预定方法预测出的血压值,蓝色为标定预测方法预测出的血压值。

 

图1 测试患者收缩压和舒张压随时间变化的趋势图

 

2.2 两种模式预测的血压与实测血压各参数比较

 

41例患者446个时间点测得的血压值数据符合正态性分布,收缩压的动态血压计平均值、直接预测平均值和标定预测平均值分别为(124±21)mmHg、(126±9)mmHg和(123±17)mmHg;舒张压分别为(72±14)mmHg、(79±5)mmHg和(72±11)mmHg;两种模式收缩压、舒张压的实测值与直接预测值、标定 预测值值比较,差异无统计学意义(t=-0.237,t=1.738;

 

P>0.05);舒张压O2Ring指环的直接预测值与实测值比较,差异有统计学意义(t=-6.332,P<0.001),舒张压 O2Ring指环的标定预测值与实测值比较,差异无统 计学意义(t=-1.371,P>0.05),采用标定预测值更 能反映实际血压,见表1。

 

2.3 两种模式预测的血压与实测血压差值累计分布概率及分级

 

根据英国高血压协会(British Hypertension Society,BHS)标准对测量误差进行了评估,评估结果 显示收缩压和舒张压的直接预测<5 mmHg、<10 mmHg 及<15 mmHg累计分布概率均低于标定预测相应值, 等级评估显示直接预测方法均为C级,标定预测方法 均为A级,标定预测值更符合标准,见表2。

 

2.4 两种模式预测的血压与实测血压相关性分析

 

三种方法测量收缩压、舒张压数据均符合正态分布,收缩压的动态血压计实测值与直接预测值和标定

 

基于光电容积脉搏波描记法和人工智能算法的两种预测血压模式准确性对比研究

 

表1 两种模式预测的血压与动态血压计实测血压的比较(mmHg)

 

基于光电容积脉搏波描记法和人工智能算法的两种预测血压模式准确性对比研究

 

表2 直接预测和标定预测与实测值差值累计分布概率及分级(%)

 

预测值皮尔逊相关系数分别为0.5195、0.8828;舒张压的动态血压计实测值与直接预测值和标定预测值皮尔逊相关系数分别为0.4333、0.7544;标定预测的一致性比直接预测效果更好,见图2。

 

基于光电容积脉搏波描记法和人工智能算法的两种预测血压模式准确性对比研究基于光电容积脉搏波描记法和人工智能算法的两种预测血压模式准确性对比研究

 

图2 收缩压和舒张压的动态血压计实测值分别与直接测量和标定预测相关性散点图

 

注:图中A为收缩压动态血压计实测值与直接预测值相关系数图;B为收缩压动态血压计实测值与标定预测值相关系数图;C为舒张压动态血压计实测值与直接预测值相关系数图;D为舒张压动态血压计实测值与直接预测值相关系数图,r=0.7544。

 

2.5 两种模式预测的血压与实测血压值一致性分析

 

在一致性分析中共有446个点,其中直接预测的收缩压和舒张压分别有427个和425个位于95%一致性界限内,比例分别为95.74%和95.3%;标定预测的收缩压和舒张压分别有431个和421个位于95%一致性界限内,比例分别为96.64%和94.44%;虽然一致性百分比相差无几,但标定预测值-实测血压值在95%界限内分布更均匀,两种模式预测的血压与实测血压值 一致性分析见图3。

 

基于光电容积脉搏波描记法和人工智能算法的两种预测血压模式准确性对比研究 

 

图3 两种模式预测的血压与实测血压值一致性分析散点图

 

注:图中A为收缩压动态血压计实测值与直接预测值一致性分析;B为舒张压动态血压计实测值与直接预测值一致性分析;C为收缩压动态血压计实测值与标定预测值一致性分析;D为舒张压动态血压计实测值与直接预测值一致性分析。

 

3讨论

 

PPG方法测量血压是基于人体外周微血管容积变化 与脉搏、血压密切相关,利用光信号探测随心脏博动而产生的外周微血管容积的变化,并将这种变化用一维信号记录下来监测血压;这种方法因与心脏的博动息息相关,所以能够用来实时监测血压。近年来,伴随着机器学习的兴起,人工智能算法可以从PPG信号中提取更多的形态学特征,能够更好预测血压精度。

 

本研究探索PPG法结合深度卷积神经网络预测血压的临床准确性和实用性,利用前期采集的大量数据深度学习,然后构建回归网络综合这些特征经过反复训练得出与PPG信号对应的血压直接预测值,再利用 算法参照动态血压计一次测得值可以预测出更准确的连续标定血压值,既克服了传统血压计测量时不断充放气带来不适的缺点,又弥补了单纯PPG法预测血压精度的不足。由于深度卷积神经网络的开放性,随着采集数据量的越来越大,采集临床数据越来越有代表性,将来预测血压的准确性会越来越高,这在 Liang等和Rastegar等的试验中也得到佐证。

 

本研究两种模式预测的血压与实测血压值一致性分析图中,虽然舒张压动态血压计-直接预测值95% 一致性界限(limits of agreement,LOA)内百分比 (95.3%)比动态血压计-标定预测值一致性界限内百分比(94.44%)稍高,但血压的判定需要结合差值实际分布均匀性以及临床应用等,标定预测值更符合动态血 压计实测值。

 

本研究存在的不足是临床试验的数据量还比较小,此外动态血压计的波动性以及双侧肢体血压的不一致性都可能造成偏倚,在今后研究中可加以进一步改进提升。

 

4结论

 

基于PPG信号和人工智能深度学习卷积神经网络算法模型的血压计可以用来预测高血压患者血压,其中该血压计的标定预测血压模式能更准确的预测血压,可供临床参考应用。

 

分享到:

来源:Internet