基于Bi-UNet的无创动脉血压波形重建算法.pdf

第41卷第1期-66-2024年1月D01:10.3969/j.issn.1005-202X.2024.01.010基于Bi-UNet的无创动脉血压波形重建算法中国医学物理学杂志Chinese Journal of Medical PhysicsVol.41 No.1January 2024医学信号处理与医学仪器潘嘉婷，梁丽诗2,陈真诚1.2.3.41.桂林电子科技大学电子工程与自动化学院，广西桂林5410 0 0；2.桂林电子科技大学生命与环境科学学院，广西桂林5410 0 0；3.广西高校生物传感与仪器重点实验室，广西桂林5410 0 0；4.广西人体生理信息无创检测工程技术研究中心，广西桂林541000【摘要】提出了一种非侵入性的深度学习方法，用于光电容积脉搏波信号重构动脉血压信号。设计的Bi-UNet模型采用U-Net作为特征提取器，设计了双向时间处理器模块，用于提取基于个体模型的时间依赖信息。双向时间处理器模块利用BiLSTM网络有效地分析正向和反向的时间序列数据。此外，笔者采用了深度监督方法，即训练模型关注数据的各个层面特征，以提高预测波形的准确性。本文模型在重要的动脉血压波形指标收缩压、舒张压和平均动脉血压上的平均绝对误差分别达到了2.8 9、1.55和1.52 mmHg，标准差分别达到了2.43、1.7 9和1.47 mmHg。这些结果表明本文方法相比现有技术的优越性，并展示了其在实施和应用中的潜力。【关键词】信号重建；无创；动脉血压波形；光电容积脉搏波；深度学习【中图分类号】R318Non-invasive arterial blood pressure waveform reconstruction algorithm based on Bi-UNetPAN Jiating,LIANG Lishi,CHEN Zhenchengl-2.3.41.School of Electronic Engineering and Automation,Guilin University of Electronic Technology,Guilin 541000,China;2.School ofLife and Environmental Science,Guilin University of Electronic Technology,Guilin 541000,China;3.Guangxi Colleges andUniversities Key Laboratory of Biomedical Sensors and Intelligent Instruments,Guilin 541000,China;4.Guangxi EngineeringTechnology Research Center of Human Physiological Information Noninvasive Detection,Guilin 541000,ChinaAbstract:A non-invasive deep learning method is proposed for reconstructing arterial blood pressure signals fromphotoplethysmography signals.The method employs U-Net as a feature extractor,and a module referred to as bidirectionaltemporal processor is designed to extract time-dependent information on an individual model basis.The bidirectionaltemporal processor module utilizes a BiLSTM network to effectively analyze time series data in both forward and backwarddirections.Furthermore,a deep supervision approach which involves training the model to focus on various aspects of datafeatures is adopted to enhance the accuracy of the predicted waveforms.The differences between actual and predicted valuesare 2.892.43,1.551.79 and 1.521.47 mmHg on systolic blood pressure,diastolic blood pressure and mean arterialpressure,respectively,suggesting the superiorityofthe proposed method over theexisting techniques,and demonstrating itsapplication potential.Keywords:signal reconstruction;non-invasive;arterial blood pressure waveform;photoplethysmogram;deep learning【文献标志码】A【文章编号】10 0 5-2 0 2 X（2 0 2 4)0 1-0 0 6 6-0 6前言【收稿日期】2 0 2 3-0 9-0 2【基金项目】国家重大科研仪器研制项目（6 16 2 7 8 0 7)；广西创新驱动发展项目（2 0 19AA12005)；国家自然科学基金联合基金项目(U22A2092)【作者简介】潘嘉婷，硕士研究生，研究方向：医学与信息处理，E-mail:【通信作者】陈真诚，博士，教授，研究生导师，研究方向：生物医学传感与智能仪器,E-mail:中国心血管疾病患病率处于持续上升阶段，在城乡居民疾病死亡构成比中，心血管疾病占据首位。每年全球因心血管疾病死亡的人数超过17 0 0万人,心血管疾病对人类健康构成重大威胁2 。高血压是导致心血管疾病的主要原因。研究表明,高血压前期患者患心血管疾病的风险大约是血压正常患者的两倍3。2 0 14年，全球超过14亿人患有高血压，预计这一数字还会进一步增加4。因此,实时血压监测对于人类健康至关重要。现有的血压测量方法主要包括血压的数值测量第1期和波形测量方法，波形测量即通过重构血压波形来获得收缩压（SystolicBloodPressure,SBP）、舒张压(Diastolic Blood Pressure,DBP）、平均动脉血压(Mean Arterial Pressure,MAP)等重要参数。临床上，基于袖带的数字血压计仅适用于一般情况下的高血压诊断。动脉血压波形包含更多的生理信息，使用内置导管进行侵人性测量，因此不适合日常血压监测。为了解决这些问题，光电容积脉搏波(Photoplethysmography，P P G)信号由于其非侵人性和低成本提供了实时监测血压值甚至波形的可能性。PPG信号通过在皮肤上放置光源和光电探测器来捕捉血容量的变化间接获得PPG信号，从而间接检测血压的变化。PPG信号在血压测量和心血管评估中已得到广泛认可5。通过PPG测量血压值的现有方法主要有3种。第一种方法通过脉搏传导时间（Pulse Transit Time,PTT）、脉搏到达时间（Pulse Arrival Time,PAT)和脉搏波速度（PulseWaveVelocity,PWV)等参数来预测血压。通过手腕和指尖两路PPG信号之间的时间间隔线性模型来估计血压6 ,或者引入多波长PPG采用最小均方算法提取PTT来测量血压7-8 ,或者通过PPG和心电图（Electrocardiogram，ECG)之间的信号间隔线性模型计算血压9 。一些研究还使用其他信号如心音图（Phonocardiogram，P CG）来获取PTT、PAT和PWVL10。第二种测量血压值的方法是直接从PPG信号或其导数中提取时域和频域等特征,然后通过机器学习等方法来预测血压。例如,Haddad等从MIMIC数据集中提取2 7 个特征建立了MLR模型。第三种方法使用原始PPG信号作为输入，通过深度学习网络预测血压值。例如，Slapnicar等12 使用潘嘉婷，等.基于Bi-UNet的无创动脉血压波形重建算法1数据集和方法实验流程如图1所示，主要包括从数据集中获取PPG和ABP信号，对数据集进行预处理和划分数据集，最后使用本实验模型预测ABP波形。将该预测波形与原始波形进行比较和评估。本文实验模型在PyTorch1.12.1中实现。训练、测试和评估是在NVIDIA GeForce RTX 3090和 Intel Core i9-12900K3.20GHz上进行的。-67-ResNet进行血压预测;Paviglianiti等13 则比较了ResNet、L ST M 和WaveNet在预测血压值上的性能。并且随着穿戴式医疗设备的发展，光电容积脉搏波传感器由于具有成本低和尺寸小等特点，广泛应用于血压检测的穿戴式手环手表中1416 1,并且还广泛应用于其他生理参数包括呼吸频率和心率血氧等的测量中17-18 现有研究主要基于深度学习方法通过PPG预测动脉血压(Arterial Blood Pressure,ABP)波形。在基于个体的血压波形预测方法中,Ibtehaz等19 提出了PPG2ABP方法。该方法主要采用近似网络(U-Net)和增强网络(MultiResUNet)进行预测。此外,Cheng等2 0 提出了一种基于Wave-U-Net的ABP-Net方法，该方法使用PPG、P P G 的一阶导数和PPG的二阶导数作为输人来预测血压波形。本研究提出了一种更准确的端到端模型，用于根据PPG信号预测ABP信号。笔者利用U-Net作为特征提取器，并设计双向时间处理器（BidirectionalTemporalProcessor,BTP)来捕获模型中时间上的长期依赖性，此外，笔者融入了深度监督的概念,结果显著提高了ABP波形预测的准确性。MIMICIPPGABPPPGSegmentationVPGDetrendEvaluationNormalizationAPGABP80%TrainingSet20%l-Testine-SetDenormalization图1实验流程图Figure 1 Flowchart of the experimentModel1.1数据集本实验使用的数据来自MIMIC I数据集,该数据集包含实验所需的PPG和ABP信号，且采样频率为12 5Hz。由于MIMICII数据集中的数据质量参差不齐，笔者最终选择使用Cuff-LessBloodPressureEstimation数据集2 1 进行本文研究，该数据集是MIMICII数据集去除不符合条件的数据和平滑处理后的集合。Cuff-Less Blood Pressure Estimation数据-68-集包括12 0 0 0 条PPG、A BP 和两导联ECG信号记录，本文实验只需要提取PPG和ABP信号，笔者选择了这个数据集中的前10 0 个个体样本作为本文实验对象，总共包含2 5930 条数据记录。中国医学物理学杂志数据集中的血压分布如图2 和图3所示，横坐标表示收缩压和舒张压的血压值分布范围，纵坐标表示在该范围的数据段个数。从图2 中可以看出,数据集中的血压分布跨度较广。第41卷140012001000800600400200080TrainTest100120图2 训练集和测试集的SBP分布图Figure 2 Distribution of SBP in training and prediction sets140P/mmHg1601802001600140012001000800600400200050TrainTest6070图3训练集和测试集的DBP分布图Figure 3 Distribution of DBP in training and prediction sets80P/mmHg901001101.2数据预处理研究表明,将PPG的导数，即速度光电容积脉搏波(VPG)和加速度光电容积脉搏波(APG)作为模型的其他输人可以提高血压预测的准确性2-2 3。因此，笔者使用PPG、VP G 和APG作为模型输入来提高ABP波形预测的精度。PPG、V P G、A P G 信号的每段记为S，包含N个采样点。VPG的计算如下：nnoS(sm(n+1)-s.m(m).n=1VpgAPG的计算如下：(Sm(m)-Sm(n-1),1nNS(sme(n+1)-me(n),=1apg其中，SpgSupg和Sapg分别表示对应分割长度段的计算结果，n代表该段第n个采样点数。首先，笔者筛选了大于8 min的样本,并对这些样本进行了去趋势化处理，以消除数据中的线性趋势，例如基线漂移。然后笔者将数据分为8.192 s的信号长度，每个信号包含10 2 4个样本点，保持7 5%的数据重叠。随后,笔者根据式(1)和式(2)计算出相应的VPG和APG信号。使用所有个体的前8 0%作为训练集，剩下的2 0%作为测试集。对于信号标准化，ABP通过除以2 0 0 进行标准化。PPG、V P G 和APG使用最小-最大标准化进行标准化。计算公式如下：(1)XnomX-X1.3模型构建(2)如图4所示,在本文实验中,设计了名为Bi-UNet的模型，以一维U-Net作为特征提取工具并设计了BTP进行特征融合。编码器部分由5个卷积块组成，每个卷积块包含两个卷积层。在每个卷积块之后，笔者执行池化和下采样操作以进一步提取特征。X-Xmin(3)第1期(3,1024)ConvBlock(64,1024)Maxpool(64,512)ConvBlock(128,512)Maxpool(128,256)ConvBlock(256,256)Maxpool(256,128)ConvBlock(512,128)Maxpool(512,64)ConvBlock(1024,64)潘嘉婷，等.基于Bi-UNet的无创动脉血压波形重建算法(B,64,1024),ConvBlock(B,128,1024)BTP(B,64,512)-ConvBlock(B,256,512)BTP(B,128,256)-ConvBlock(B,512,256)BTP(512,128)ConvBlock(1024,128)BTP(512,128)BTPConvTransposedldFigure 4 Structure of the proposed model69BTP*(B,1,1024)(B,64,1024)ConvBlockBTP(B,128,512)ConvBlockBTP(B,256,256)ConvBlockBTP图4模型结构图+(B,1,1024)-(B,1,1024)+(B,1,1024)-Convld(B,1,1024)如图5所示，笔者设计了BTP模块。BTP采用BiLSTM思想，可以同时处理输入序列的前向和后向信息。也就是说,BTP捕获过去信息对当前时间步的影响，也可以捕获未来信息对当前时间步的影响。这种能力使BTP更有效地对时间序列信号的复杂动态进行建模。图5BTP结构图Figure 5 Structure of bidirectional temporal processor在编码器的输出与解码器当前阶段的连接过程中，可能会出现信息的丢失和模糊。为了提高时间信息的利用效率，笔者采用BTP方法来处理融合的时间特征,从而进一步提高ABP波形的重建精度。1.4深度监督在本实验中，笔者采用了深度监督方法，帮助模型捕获各个层级数据的复杂性。这使得模型能够学Transpose习更深层次的特征，最终实现更准确的ABP重建。笔者在网络的每一层引入了监督信号，利用常用的BiLSTM均方误差（Mean Squared Error,MSE)损失，并将损失定义为每层损失函数与最终损失函数的总和。计算Transpose公式如下：Conv1X1L=L。+L +L,+L,+L 4+L,其中LI、L,、L、L 和L,代表最终级联操作之前的中间阶段监督信号损失函数。L.是指最终输出的损失函数。-70-1.5衡量指标在本文实验中，笔者通过测量ABP波形重要参数（即SBP、D BP 和MAP）的平均绝对误差（MeanAbsolute Error,MAE)和标准差（Standard Deviation,STD)来评估ABP波形的重建精度。这些指标帮助我们衡量这些重要参数的实际值和预测值之间的差异，以及数据分布的离散度。SBP、D BP、M A P 的MAE和STD计算公式如下：1MMAEXre()(m)-Xg()(m)/Mprem=1M(Xar(m)-Xar)?STD=Mm=2结果中国医学物理学杂志2.1对比实验结果表1表明，本实验设计的BTP结构和深度监督信号的引入都提高了最终的预测结果。本文模型使用U-Net作为特征提取器，从实验1和实验2 可以看出，Bi-UNet（实验2）在预测SBP和DBP方面与未引人BTP模块的原始U-Net(实验1)相比结果更好。实验3与实验2 对比中，实验2 只使用了MSE作为最终输出的损失函数，在实验3中引人深度监督后，SBP和DBP预测的MAE分别减小到2.8 9和1.55mmHg，(5)STD分别进一步减小到2.43和1.7 9mmHg。由于深度监督提供了各个层级的反馈，提供了更多的特征信(6)息，因此弥补了Bi-UNet在预测MAP方面的不足,其值达到了（1.52 1.47)mmHg。第41卷表1 对比实验结果(MAESTD,mmHg)Table 1 Comparative experimental results(MAE+STD,mmHg)实验123模型U-NetBi-UNetBi-UNet(deep supervision)SBP6.785.396.105.632.892.43DBP7.107.333.032.561.551.79MAP1.741.663.532.751.521.47图6 展示了ABP真实波形和ABP预测波形在同一时间内的对比,其中图6 a、图6 b分别为两个个体的样本预测结果，预测波形和真实波形在波峰波谷即收缩压和舒张压上预测都较为准确，从波形对比图可以看出预测波形和真实波形也具有较高相似性，从而在波形形态学等方面提供更多的生理信息。2.2与现有工作对比结果为了验证本文模型的有效性，笔者不仅比较了重建动脉血压波形相关的结果,还比较了根据PPG信号预测的SBP、D BP 和MAP值。从表2 中我们可Prediction110-Ground Truth100SHuu/d90807060140200a：患者1的ABP预测波形和真实波形400样本点6008001000PredictionGmund Truth以看到，综合来看，本实验模型预测的ABP波形得到的SBP、D BP、M A P 不仅比现有研究在波形重建任务中预测的SBP、D BP、M A P 更准确,而且与现有研究中仅预测血压值的任务相比也更准确。在MAP预测方面,本文模型结果与Cheng等2 0 的结果接近，但STD较小，表明本文方法预测相对更稳健。3结论本文引人了一种使用PPG信号重建ABP信号的非侵人性深度学习方法。本方法的新颖之处在于利用U-Net作为特征提取器和BTP模块的应用。这种独特的设计允许在单个模型的基础上，有效地提取和分析时间序列数据中向前和向后方向的时间相关信息。120SHuud100-80600Figure 6 Comparison of predictions and ground truth of ABP此外，采用深度监督策略进一步提高了预测波形的精度,提供了更准确、更稳健的结果。本模型表现出较好性能，在关键的ABP波形指标SBP、D BP 和MAP上预测都更为准确。200b：患者2 的ABP预测波形和真实波形图6 预测波形和真实波形对比图400样本点6008001000第1期潘嘉婷，等.基于Bi-UNet的无创动脉血压波形重建算法表2 与现有研究结果对比（MAESTD,mmHg）Table 2 Comparison with the existing researches(MAE+STD,mmHg)方法MAPWang 等2 4MIMICLin 等2 3MIMICII/IIPanwar 等2 5MIMIC IIIbtehaz 等19MIMICIICheng 等2 0 MIMICII本文方法MIMICII71数据集SBP3.954.384.591.783.970.065.739.163.273.922.892.43DBP2.142.402.471.092.300.203.456.151.902.441.551.792.314.441.492.101.521.47这些结果表明了本文方法与现有技术相比的优越性。鉴于实时和无创血压监测的潜力,以及它可以提供丰富的血流动力学信息，该模型为实际应用提供了可能，特别是在心血管疾病的预防和监测方面。【参考文献】1马丽媛,王增武,樊静,等.中国心血管健康与疾病报告2 0 2 2 要点解读J.中国全科医学,2 0 2 3,2 6(32)：397 5-3994.Ma LY,Wang ZW,Fan J,et al.Interpretation of Report onCardiovascular Health and Diseases in China 2022 J.ChineseGeneral Medicine,2023,26(32):3975-3994.2 Townsend N,Wilson L,Bhatnagar P,et al.Cardiovascular disease inEurope:epidemiological update 2016J.Eur Heart J,2016,37(42):3232-3245.3 Wang W,Lee ET,Fabsitz RR,et al.a longitudinal study ofhypertension risk factors and their relation to cardiovasculardisease:the strong heart study J.Hypertension,2006,47(3):403-409.4 World Health Organization.World health statistics 2015M.Geneva:World Health Organization,2015.5Allen J.Photoplethysmography and its application in clinicalphysiological measurementJ.Physiol Meas,2007,28(3):R1-R39.6Lazazzera R,Belhaj Y,Carrault G.A new wearable device for bloodpressure estimation using photoplethysmogramJ.Sensors(Basel),2019,19(11):2557.7李嘉玮,张劲，白中博，等.基于多波长光电容积脉搏波采集系统的连续血压测量方法J.计算机应用，2 0 2 1,41(S2):351-356.Li JW,Zhang J,Bai ZB,et al.Continuous blood pressure measurementmethod based on multi-wavelength photoplethysmography acquisitionsystemJ.Computer Applications,2021,41(S2):351-356.8陆一乾.基于多波长光电容积脉搏波的无创连续血压检测技术D.深圳：中国科学院大学（中国科学院深圳先进技术研究院),2 0 2 3.Lu YQ.Non-invasive continuous blood pressure detection technologybased on multi-wavelength photoplethysm wave D.Shenzhen:University of Chinese Academy of Sciences(Shenzhen Institutes ofAdvanced Technology,Chinese Academy of Sciences),2023.9 Viunytskyi O,Shulgin V,Sharonov V,et al.Non-invasive cuff-lessmeasurement of blood pressure based on machine learning CJ/2020IEEE 15th International Conference on Advanced Trends inRadioelectronics,Telecommunications and Computer Engineering(TCSET).IEEE,2020:203-206.10 Marzorati D,Bovio D,Salito C,et al.Chest wearable apparatus forcuffless continuous blood pressure measurements based on PPG andPCG signalsJ.IEEE Access,2020,8:55424-55437.11 Haddad S,Boukhayma A,Caizzone A.Continuous PPG-Based bloodpressure monitoring using multi-linear regressionJ.IEEE J BiomedHealth Inform,2022,26(5):2096-2105.12 Slapnicar G,Mlakar N,Lustrek M.Blood pressure estimation fromphotoplethysmogram using a spectro-temporal deep neural networkJ.Sensors(Basel),2019,19(15):3420.13 Paviglianiti A,Randazzo V,Villata S,et al.A comparison of deeplearning techniques for arterial blood pressure prediction J.CognitComput,2022,14(5):1689-1710.14王森.基于PPG信号连续血压检测手环的研究与设计D.重庆：重庆邮电大学，2 0 2 0.Wang S.Research and design of continuous blood pressure detectionbracelet based on PPG signalD.Chongqing:Chongqing Universityof Posts and Telecommunications,2020.15王梦婷.基于光电容积脉搏波的多参数连续无创血压算法研究D.杭州：浙江大学，2 0 17.Wang MT.Research on multi-parameter continuous non-invasiveblood pressure algorithm based on photoplethysm wave D.Hangzhou:Zhejiang University,2017.16肖昂弘,刘沐钢,陈铭林,等.基于光电容积脉搏波监测(PPG)技术的生理监护蓝牙智能手表设计J.数字技术与应用,2 0 16(5):16 3-164.Xiao AH,Liu SG,Chen ML,et al.Design of physiological monitoringBluetooth smart watch based on photoplethysmography(PPG)technology J.Digital Technology and Application,2016(5):163-164.17】肖胜朗.基于光电容积脉搏波的呼吸信号和呼吸频率提取算法研究D.西安：西安电子科技大学,2 0 2 2.Xiao SL.Research on respiratory signal and respiratory frequencyextraction algorithm based on photoplethysm waveD.Xian:XianUniversity of Electronic Science and Technology,2022.18李敏.基于光电容积脉搏波的抗运动心率及血氧提取算法研究D.北京：北京理工大学，2 0 16.Li M.Research on anti-exercise heart rate and blood oxygen extractionalgorithm based on photoplethysm wave D.Beijing:BejingInstitute of Technology,2016.19 Ibtehaz N,Mahmud S,Chowdhury MEH,et al.PPG2ABP:Translating Photoplethysmogram(PPG)signals to Arterial BloodPressure(ABP)waveforms using fully convolutional neuralnetworksJ.Bioengineering(Basel),2022,9(11):692.20 Cheng J,Xu YF,Song RC,et al.Prediction of arterial blood pressurewaveforms from photoplethysmogram signals via fully convolutionalneural networksJ.Comput Biol Med,2021,138:104877.21 Mohamad K,Mohammad K,Hoda M,et al.Cuff-Less blood pressureestimation,UCI machine learning repository EB/OL.https:/doi.org/10.24432/C5B602.22 Dey J,Gaurav A,Tiwari VN.InstaBP:Cuff-less blood pressuremonitoring on smartphone using single PPG sensorCJ/2018 40thAnnual International Conference of the IEEE Engineering in Medicineand Biology Society(EMBC).IEEE,2018:5002-5005.23 Lin WH,Chen F,Geng Y,et al.Towards accurate estimation of cufflessand continuous blood pressure using multi-order derivative andmultivariate photoplethysmogram featuresJ.Biomed Signal ProcessControl,2021,63:102198.24 Wang C,Yang F,Yuan X,et al.An End-to-End neural network modelfor blood pressure estimation using PPG signal M/Liang Q,WangW,Mu J,et al.Artificial Intelligence in China.Singapore:Springer,2020:262-272.25 Panwar M,Gautam A,Biswas D,et al.PP-Net:A deep learningframework for PPG-based blood pressure and heart rate estimationJ.IEEE Sens J,2020,20(17):10000-10011.(编辑：薛泽玲）