一种面向肥胖人群的无袖带血压测量方法研究_李清福.pdf
《一种面向肥胖人群的无袖带血压测量方法研究_李清福.pdf》由会员分享,可在线阅读,更多相关《一种面向肥胖人群的无袖带血压测量方法研究_李清福.pdf(7页珍藏版)》请在咨信网上搜索。
1、基金项目:国家重点研发计划项目新型研发机构创新服务平台技术研发与应用(编号:2021YFF0901104)收稿日期:20220602一种面向肥胖人群的无袖带血压测量方法研究*李清福1,2,赵宇波2,赵景波1,蒋泽宇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(青岛),山东青岛266101)摘要:肥胖人群是特殊人群,通过实时检测血压,可以预防高血压,大大降低由高血压引起的各种并发症。为了解决现有算法对肥胖人群血压测量准确度不高的问题,提出一种基于Stacking 集成机器学习的血压计算模型,该模型将K近邻、极端随机树、lightGBM回归模型作为初级
2、学习器,线性回归模型作为次级学习器。通过使用长桑技术设备提取并建立PPG特征值数据集,将数据集分成非肥胖人群(BMI25),并把身体质量指数(BMI)作为新的特征参数加入到模型进行训练和测试。实验结果:在非肥胖人群中,Stacking模型测量收缩压和舒张压的评价指标RMSE/MAE分别为6.611/5.410和4.368/3.242;在肥胖人群中,Stacking模型测量收缩压(SBP)和舒张压(DBP)的评价指标RMSE/MAE分别为6.394/4.979和4.350/3.233。实验结果表明,该Stacking模型对肥胖人群的血压计算精度明显高于非肥胖人群,且测量结果符合AAMI国际电子血
3、压计标准(RMSE8 mmHg,MAE5 mmHg),提高了肥胖人群血压测量的准确度,可以应用到生物医学领域。关键词:肥胖人群;PPG信号;Stacking集成模型;血压测量中图分类号:R443;TN911文献标志码:A文章编号:10099492(2023)02012307A Method on Cuffree Blood Pressure Measurement for Obese PopulationLi Qingfu1,2,Zhao Yubo2,Zhao Jingbo1,Jiang Zeyu1,2(1.School of Information and Control Engineeri
4、ng,Qingdao University of Technology,Qingdao,Shandong 266520,China;2.Shandong Institutes of Industrial Technology(Qingdao),Qingdao,Shandong 266101,China)Abstract:Obese population are special people.Through real-time detection of blood pressure,hypertension can be prevented and variouscomplications ca
5、used by hypertension can be greatly reduced.In order to solve the problem of low accuracy of existing algorithms for bloodpressure measurement of obese population,a blood pressure calculation model was proposed based on stacking ensemble machine learning.The K-nearest neighbor,extreme random tree an
6、d light GBM regression model were taken as primary learners and linear regression model wastaken as secondary learners.The PPG eigenvalue data set was extracted and established by using changsang technology and equipment and thedata set was divided into non-obese population(BMI 25)and the body mass
7、index(BMI)was added to themodel as a new characteristic parameter for training and testing.The results are as follows:in the non-obese population,the RMSE/MAE ofsystolic and diastolic blood pressure measured by stacking model is 6.611/5.410 and 4.368/3.242 respectively.In obese population,the RMSE/M
8、AE of systolic blood pressure(SBP)and diastolic blood pressure(DBP)measured by stacking model is 6.394/4.979 and 4.350/3.233respectively.The experimental results show that the accuracy of the stacking model used is significantly higher than that of the non-obesepeople,and the measurement results mee
9、t the AAMI international electronic sphygmomanometer standard(RMSE 8 mmHg,MAE 5 mmHg),which improves the accuracy of blood pressure measurement in the obese population and can be applied to the biomedical field.Key words:obese population;PPG signal;Stacking ensemblemodel;blood pressure measurement20
10、23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.1009-9492.2023.02.029李清福,赵宇波,赵景波,等.一种面向肥胖人群的无袖带血压测量方法研究 J.机电工程技术,2023,52(02):123-129.0引言研究显示,肥胖是引起高血压的主要因素,且在肥胖人群中,高血压发病率高于同年龄的正常群体的一倍,年龄越大比例越高1。因此,准确测量肥胖人群的血压,对及时发现和治疗高血压非常必要。目前有3种比较主流的无创血压测量方法:台式水
11、银血压计测量法,示波器电子血压计测量法2,基于光电容积脉搏波(PPG)测量血压法。前两个方法都是通过对袖带气囊的充放气实现对血压的测量,目前市面上使用的袖带过短,找到适合肥胖人群的袖带成为一种问题3。因肥胖人群胳臂粗大,有可能得到不正确的血压值。因此为了摆脱袖带的束缚,基于光电容积脉搏波(PPG)技术测量血压的方法应运而生,其具有成本低廉、容易采集等优点,成为最近几年研究的重点4。2017年,Miao等5利用线性回归模型结合PPG信号中的14个特征参数进行血压测量,虽然降低了舒张压的平均误差,但该方法舍弃了对血压非线性影响的特征参数,导致总体上对收缩压测量精度不高。2018年,Syed123等
12、6使用昆山兰大学采集的包含年龄、性别、身高等生命体征数据集,提取原始PPG信号及其相应的收缩压和舒张压,分别建立回归树、多元线性回归、支持向量机(SVM)模型,发现加入生命体征信息之后,回归树模型可以使血压测量结果达到AAMI标准。同年,Wang等7建立多参数的人工神经网络模型(ANN),将 PPG特征反馈给多层感知器结构,该结构有22个输入神经元和2个输出神经元,以同时估计SBP和DBP,虽然获得了更好的精度,却耗费了时间成本和内存成本。2019年,吴绍武等8通过提取PPG信号中(如波谷与波峰的水平距离、纵向距离、斜率等)15个特征参数,建立lightBGM模型,且在原有特征参数的基础上加入
13、历史血压,提高了舒张压测量精度,但因测试数据不一致,使得收缩压测量精度比线性回归模型差。2020 年,贺楚芳9基于PPG信号的形态学特征并结合生命体征信息,建立极端随机树和随机森林血压测量算法,发现与线性模型的拟合程度相比,非线性模型的性能更好。近几年针对 PPG 信号进行血压测量的研究存在两个缺陷:(1)很多研究基本上都是用单一机器学习算法模型进行训练,而将集成机器学习方法应用于血压测量的相关研究非常少,导致血压测量效果不好;(2)很多算法都是对全部人群的血压测量数据进行模型训练,没有把肥胖人群分开。有研究表明,用此算法测量肥胖人群的收缩压时,其结果普遍偏低10。这就造成一个问题,由于肥胖人
14、群特殊的情况,血压测量不准确可能会错过高血压的最佳治疗时间,造成不可忽视的后果。因此,本文在前人研究的基础上,构建基于Stacking 集成机器学习模型,在提取的 43 个特征参数的基础上,把 BMI 的数值作为新的特征参数加入到模型 中,分 别 对 非 肥 胖 人 群(BMI25)数据集进行模型训练,并与文献5、文献8、文献9用到的机器学习方法进行结果对比,构建对肥胖人群血压测量有着更高精度的算法模型。本文的主要的创新点如下。(1)选用多功能参数仪,设计采集实验,采集志愿者的PPG信号和真实血压值,然后依次进行降噪处理、特征参数提取,建立了区别于目前大多数研究使用的MIMIC血压数据集的新数
15、据集。(2)整合 K近邻、极端随机树、lightGBM、线性回归单一机器学习模型,提出基于Stacking集成机器学习血压测量模型,弥补了单一模型的不足。(3)将人群分类研究,把训练数据分成非肥胖人群(BMI25),并把 BMI 数值作为特征输入,提高了肥胖人群的血压测量精度。1实验数据集建立目前很多研究使用的MIMIC-II数据集虽然包含心血管患者的PPG信号波形以及血压值11,但是因其信号失真严重,处理起来难度大,且缺乏患者的身高、体重、年龄等生理信息,故需建立一个更适合本算法的数据库。1.1PPG原理光电容积脉搏波描记法(PPG)以 Lambert-Beer 定律作为理论基础,其数学表达
16、式为:A=lg(1T)=lgI0Tt=abc(1)式中:A为吸光度;T为透过血液容积的强度It与入射光强度I0的比值;a为吸收系数;b为吸收层厚度;c为血液的浓度12。基本原理:当红蓝光照射到如手指等皮肤时,骨骼、肌肉等组织对光的吸收基本不发生改变,而心脏的搏动是有节奏的,血液随着心脏搏动运输各种人体所需的营养物质的过程中,动脉血管的血液容积不断发生改变。利用光电传感器测量到此种变化,然后经信号转换形成光电容积脉搏波信号(PPG信号)。通过相关算法提取PPG信号中的特征参数并与真实血压值进行回归分析,就可以得到血压值与特征参数之间的算法模型13。1.2PPG信号采集本研究使用某公司研发的多功能
17、参数仪采集了某小区540位年龄在2580岁的健康志愿者的PPG信号以及使用鱼跃水银血压计采集了真实血压。告知每位志愿者在参加测试之前不做剧烈运动,不饮用可乐、咖啡、酒水等影响心血管系统的饮品。志愿者将个人体征信息填写完毕之后,处于静坐姿势,然后佩戴仪器开始采集PPG信号和真实血压值。以每天 11:00-12:00、14:00-15:00、17:00-18:00为固定的采集时间,每次测量时长为3 min,连续测量半个月并做好记录。然后整理所有实验数据以矩阵的形式存放在Matlab的mat文件中,该数据集由矩阵的单元格cell阵列组成,每个单元格cell都是一个矩阵形式,将其命名为RAWDATA。
18、1.3信号预处理在采集过程中,因测试者操作不当或身体的抖动,导致早期PPG信号含有毛刺、高频噪声和基线漂移等噪声干扰14。为了得到纯净的PPG信号,需要对RAWDATA数据进行预处理。因II型切比雪夫滤波器的幅频特性具有等波纹特性,且冲激响应不变15,因此为了保证PPG信号的完整性,使波形形状不发生任何变化,选用II型切比雪夫滤波器,滤波器参数截止频率FC、高通频率FH、低通频率FL、频率响应的纹波PR依次设置为FC=0.4Hz、FH=50Hz、FL=0.2Hz、PR=5,然后用2023年02月机 电 工 程 技 术第52卷第02期124Matlab软件进行验证和仿真,选取10 s采样样本,滤
19、波后纯净的PPG信号如图1所示。1.4特征参数提取PPG信号反映了人体心血管健康状况,其中含有的生理信息与血压有很大关联16,因此在建立血压测量算法模型之前,需要对滤波后的PPG信号进行特征参数提取。具体做法参考文献17使用五点平滑、二阶导数最大值以及数值微分法,对Y区域进行特征参数提取,如图2所示。特征参数主要包括:PPG信号的谷值点(A点)、上升沿中心点(B 点)、峰值点(C 点)、重搏波节点(D点)的幅度A-amp、B-amp、C-amp、D-amp,收缩时间T1、峰值点(C点)和重搏波节点(D点)的时间间隔T2,舒张时间T2+T3、重搏波节点(D点)和PPG信号结束点(E点)的时间间隔
20、T3,整个心动周期T4,A点与C点之间的面积S1等。除了以上提到的时域特征外,还有一阶导数极值参数、二阶导数极值参数等一共43个特征参数。去掉其中的异常数据和空白信息之后,最终保留5 238条包含年龄、性别、身高、体重、特征参数、真实血压的数据,保存为CSV格式,以此作为算法模型的数据集。编号为cstcn40480志愿者的部分特征参数如表 1所示。模型搭建、数据集人群分类以及实验结果将在接下来的章节中介绍。2基于Stacking血压测量模型Stacking集成学习利用了组合策略的思想,将多个算法模型组合到一起形成一个更强的模型。在回归问题中,第一层个体学习器(初级学习器)先在训练集中单独训练,
21、再在测试集中分别输出各自的训练结果,然后将输出结果作为第二层个体学习器(次级学习器)的输入进行模型训练,这样做可以使不同个体学习器的能力得到叠加,输出一个测量精度更高的结果18。2.1初级学习器选择文献8将历史血压加入到lightGBM算法模型中,文献9构建极端随机数模型并结合生命体征信息均得到不错的实验结果。一致说明某些生命体征信息在传统机器学习算法测量血压的过程中可以发挥很大作用。故本研究采用极端随机树、lightGBM、KNN算法模型作为初级学习器,同时加入身体质量指数(BMI)来训练和测试数据集。K近邻回归(KNR):是比较经典的机器学习算法,由于其训练时间少,又被称作懒惰学习算法19
22、。由于一个人的正常血压值随着时间不断发生变化,故利用K近邻进行血压测量属于回归任务。KNN 通过相关距离计算,选择最近的K个邻居的平均值,进而决策出血压数据的测量值。通常选取曼哈顿距离和欧几里得距离。曼哈顿距离对应的特征值只有一个,其数学表达式:L曼哈顿=k=1n|x1k-x2k(2)欧几里得距离对应的特征值有多个,其数学表达式:L欧式=k=1n(x1-x2)2(3)K值的选择对算法的最终决策值影响极大,这直接影响回归器的性能,因此合理的选择K值,可以提高训练结果的精度,降低估计误差。极端随机树(ETR):由随机森林模型变化而来,和随机森林一样都以决策树作为基学习器,但又不同于随机森林模型20
23、。该模型使用全部的血压数据进行训练,并且在构建每棵决策树的时候,随机选择PPG信号的k个特征参数进行分裂,在这个过程中,不修剪树枝。极图1滤波后纯净的PPG信号图2PPG信号特征提取示意图(Y区域)志愿者编号:cstcn40480gender:2Age:54Height:168Weight:85 Sbp:125 Dbp:99123456789特征参数A-ampB-ampC-ampD-ampH1H2H3ratio1ratio2数值7 39224 078.240 764.421 433.616 686.233 372.414 041.61.6935.514 66510111213141516171
24、8特征参数ratio3T1T2T3T4S1S2S3K1数值1.901 8920.310 60.772 40.126 21.209 25 182.73412 888.42886.025-37 138.2表1志愿者cstcn40480的部分PPG特征参数李清福,赵宇波,赵景波,等:一种面向肥胖人群的无袖带血压测量方法研究125端随机树的拟合能力和测量能力都强于随机森林。极端随机树对血压测量的步骤为:第一步选择血压数据集的全部数据进行训练;第二步根据CART算法,从n个特征参数中随机选择k个生成决策树;第三步对上面两个步骤多次迭代,直至生成所有的决策树,记为m;第四步重复步骤一至步骤三,构成随机森林
25、,通过求森林中多个决策树对血压的测量值的平均而得到D数据集最后的血压测量值。LightGBM回归:基于树学习的梯度提升框架,提出的动机是为了弥补Xgboot空间消耗大、运行时间长、不友好的chche优化等缺点。其在运算速度上较Xgboot模型快了好几倍,占用内存少,并且处理具有超多数据的数据集时准确度明显高于其他的算法模型21。其对血压测量的原理为:第一是直方图算法,首先将和血压有关的特征参数进行离散化,形成一个宽度为 k的直方图,然后依次遍历数据,寻找直方图上最优的数值;第二是带深度限制的Leaf-wise 算法,该算法实现每次从当前所有叶子中,找到分裂增益最大的一个叶子,接着进行下一步的分
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 一种 面向 肥胖 人群 无袖 血压 测量方法 研究 清福
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。