医疗健康
一种新的基于深度神经网络的示波法血压估计方法
时间:2024-04-17浏览次数:
一种新的基于深度神经网络的示波法血压估计方法

示波法血压计是非专业环境中最常用的自动血压测量设备。然而,它们的准确性和可靠性在不同的环境下、不同的年龄组和健康状况下有所不同。现有的示波法血压计的一个主要限制是它们的底层分析算法不能完全捕获在记录的振荡脉冲模式中编码的BP信息。在本文中,我们提出了一种新的二维振荡数据表示,可以全面表征动脉系统,并支持深度学习的应用,以提取与BP 相关的最具信息量的特征。开发了一种混合卷积-递归神经网络来捕获振荡脉冲的形态信息以及它们在2d结构中袖带收缩期间的时间演变,并估计 BP。结果:所提出的方法的性能在从245个人的手腕和上臂收集的三个振荡数据库上得到验证。结果发现,该方法在估计收缩压时的平均误差和标准误差分别低至0.08 mmHg2.4 mmHg,在估计舒张压时分别低至0.04 mmHg2.2 mmHg。 结论:我们提出的方法优于目前最先进的技术,并在很大程度上满足当前BP监测仪的国际标准。意义:所提出的方法有望在各种患者和监测情况下实现鲁棒和客观的血压估计。

血压 (BP) 是重要的生命体征,在了解个体的血流动力学状况方面发挥着关键作用 。 高血压是一种常见的慢性疾病,是中风和心脏病 的主要危险因素。高血压影响着全球 11.3 亿人,但只 有约四分之一的高血压成年人会监测自己的病情 并使其得到控制。在无创血压测量技术中,示波 法提供了最佳的自动化机会,并提供了更准确的 结果。它可以由用户在家中重复执行并在嘈杂的 环境中操作。示波测量可以看作是一个由三 个主要组成部分组成的系统,包括动脉、袖带和手臂。系统的输入是施加的袖带压力和动脉 内血压。当袖带充气至超收缩压时,动脉管 腔面积减小直至闭塞。然后将袖带逐渐放气 至舒张压以下,同时记录袖带内的压力变 化。测量的波形,通常称为袖带放气曲线, 由两个主要部分组成:代表施加的袖带压力 的缓慢变化分量和由袖带-手臂-动脉相互作用 引起的动脉内压引起的脉动。使用高通滤波 器提取这些脉动,形成称为示波波形 (OMW) 的信号。图 1(a) 说明了示波测量的物理 设置。已经开发了许多自动算法来根据 OMW 估计收缩压 (SBP)、舒张压 (DBP) 和 平均动脉压 (MAP) 。大多数现 有示波算法依赖于处理 OMW 包络,忽略了 不同袖带压力下单个示波脉冲形态中包含的 大量信息 。最近,已经提出了 几种特征工程算法来表征单个示波脉冲的形 态变化并估计其血压。然而,这些提 取的特征是用户定义的,可能无法完全捕获 单个示波脉冲中包含的所有与血压相关的形 态信息此外,这些特征作为袖带压力函数的 演变包含有关动脉系统行为(包括血压)的 宝贵信息,而这些信息大多被忽视。因此, 需要对示波数据进行全自动表征,以完全捕 获单个示波脉冲及其波形的形态信息。作为 袖带压力的函数的演变。这种全面的表征是 开发用于估计血压的先进智能技术的先决条 件。

在本文中,我们提出了一种新的示波数据表示方法,该方法可以捕获示波脉冲形态中包含的全部信息,并对其随时间变化的模式和关系进行建模。该方法基于在二维(2D)阵列结构中将每个示波脉冲分配给其对应的袖带压力,其中x轴表示袖带压力(或时间),y轴表示单个脉冲的样本指数(或形态)。为了处理不同长度记录的OMW的发射脉冲,采用内插和外插技术在预定义的袖带压力间隔内重建OMW。为了避免手工制作的工程特征,我们采用了深度学习,这是一种新的机器学习算法家族,可以从结构良好的原始数据中完全自动化学习过程。开发了一种深度混合卷积(CNN)递归神经网络(RNN)来提取我们的2D阵列中包含的最相关的形态和时间信息,并估计BP。我们的新方法在从上臂和手腕获得的三个不同的示波数据集上进行了全面评估,并与最先进的示波BP测量技术进行了比较。

这项研究是在不同环境下收集的三个独立数据集上进行的。表I总结了每个数据集中的参与者特征。第一个数据集由Biosign TechnologiesInc提供。,加拿大多伦多。根据美国国家标准学会(ANSI\医疗器械进步协会(AAMISP10标准[19]的建议,使用自动血压计采集血压。该数据集包括从85个人身上获得的五组腕关节血压测量值。使用双听诊器获得的两次独立护士测量的平均值(每次示波记录后)作为参考。这项研究得到了当地研究伦理委员会的确认,并获得了所有参与者的书面知情同意书。第二个数据集由澳大利亚悉尼新南威尔士大学发布[20]。它包括从150名使用多参数临床监测单元采集的患者中获得的350份上臂记录。参考BP值是通过[21]中所述的同时测量的Korotkoff声音的自动信号处理获得的。本研究获得了新南威尔士大学的伦理批准。第三个数据集是在加拿大渥太华的渥太华大学收集的。它包括从10名健康人身上获得的150份上臂记录。使用美国食品药品监督管理局(FDA)批准的奥姆龙监测仪(HEM-790IT)从另一侧手臂获得的血压读数作为参考[23]。这项研究得到了渥太华大学研究伦理委员会,并获得所有参与者的书面知情同意书。

image.png

我们将变长度OMWBP估计问题公式化为深度神经网络框架,方法是基于其对应的CP表示示波脉冲。模型输入是通过原始示波脉冲的插值和外推生成的具有固定尺寸的2D阵列,其输出为单个值,表示BPDBP。该模型的目标是最小化参考标签和输出之间的均方误差(MSE)。

为了充分表征袖带放气期内示波脉搏形态学的变化,创建了一个2D结构(见图1),其中每一列代表特定袖带压力下的示波脉搏形态。为了创建这种2D结构,首先应用截止频率为10Hz4阶低通数字巴特沃斯滤波器来减少高频噪声和伪像。接下来,使用具有自适应滑动窗口的自动多尺度峰值检测(AMPD)算法检测示波峰值[24]。为了找到波谷,首先检测两个连续峰值之间的点组中的最小值。通过将第i个峰值的振幅表示为Pi,将第i次最小值的幅度表示为Mi,将每对最小值和峰值的阈值定义为thr=4×(Pi+1-Mi/5。在第i个最小值和第i个峰值之间检测到波谷Ti,该波谷Ti是在其前五个和下五个样本(局部最小值)中与具有最低振幅的峰值最接近的样本,而未达到Pi+1-thr。如果没有样本符合上述标准,则选择最小Mi作为波谷。然后提取示波脉冲作为两个连续波谷之间的样本。

通过对脉冲和振幅的分析来检测和去除异常。计算每个OMW的中位脉冲持续时间(MEDd),并将那些超出MEDd±0.3秒范围的脉冲检测为输出。为了根据脉冲幅度检测异常值,将修正的z-sore定义为MZ分数=0.6745×(AiĀ)/MDA,其中Ai是第i个脉冲的幅度(Pi-Ti),A \772是平均脉冲幅度,MADA是脉冲幅度的中值偏差。aMZ得分大于10的脉冲被确定为异常值(见图1b))。由于输入变量尺度的差异可能会影响任何机器学习算法的性能,因此使用最大绝对尺度对每个OMW进行归一化,从而将OMW中脉冲的最大绝对幅度映射为1

然后将OMW重塑为2D结构,其中xaxis表示从我们数据集中的最小值(20mmHg)到最大值(235mmHg)在1mmHg下均匀采样的袖带压力(导致215个指数)。每个提取的示波脉冲以215个样本/脉冲的速度重新采样,并定位在与示波脉冲发生时的最接近压力相对应的列中(见图1c))。假设每个脉冲的持续时间约为1秒,则每个脉冲215个样本将完全捕获所有脉冲记忆特征,同时使我们的2D结构成为215215个样本的平方线。考虑到2D结构的某些列可能不包含任何脉冲(由于外移、快速放气或不同的袖带压力范围),通过执行线性插值和外推来替换所有缺失的数据。

image.png

我们提出的深度学习模型是通过集成1D卷积神经网络(1D-CNN)、两个长短期记忆(LSTM)层和五个全连接层来构建的(见图第1e)段)。

开发了一个CNN来捕捉示波脉冲的形态特征。CNN模型由在袖带压力方向(x轴)施加的宽度为10710 kernels组成。核提取并融合脉冲形态信息,得到10(示波脉冲特征图)乘215(表示特征图在充胀放气时的演变)阵列,该阵列被馈送到两个LSTM层。三元组被设置为1,边界填充被设置为内核大小的一半,以产生与输入大小相同的输出。为了防止梯度消失问题,在卷积层中使用了校正线性单元(ReLU)。

使用两个LSTM层来模拟从不同袖带压力下的示波脉冲中提取的形态特征的演变。每一层接收215个尺寸为10cuffpressure步长(时间步长)。通过训练LSTM细胞的参数,网络学会了记住或忘记这些示波脉冲序列中的某些信息部分,并提取形态-时间特征图。隐藏单元的数量被设置为10,导致21510的输出阵列,该阵列被平坦化并馈送到完全连接的层中。全连接模块为具有100050025010050个节点的五个非线性隐藏层和具有单个节点的近似输出层中提取的形态时间特征分配权重。隐藏层的激活函数是ReLU,它使网络能够学习输入和目标之间的复杂非线性关系。线性输出层使得有可能具有任何范围的输出,以便于BP的估计。

确定最佳模型参数的过程是通过最小化损失函数来执行的,该损失函数定义为网络估计BP和目标值之间的MSE。最小化是通过使用反向传播技术以批处理方式计算梯度来执行的。批量大小设置为训练集的大小。为了防止过度拟合,使用了默认正则化因子为ʎ=0.0001L1正则化技术。请注意,这些偏见并没有被规范化。此外,整个模型采用了早期停止技术。使用训练数据对网络进行训练,并在每次迭代中检查验证错误。当特定的连续迭代次数(设置为30)的验证错误增加时,会保存导致最佳验证性能的两个工作的参数。使用了平台学习率调度,其中随着模型性能在某些时期内的下降,学习率会自动降低。这个初始学习率被设置为0.001,并且对降低学习率的耐心被设置为10

使用三个数据集来评估我们的深度学习模型的泛化能力(见表I)。使用平均误差(ME)、平均绝对误差(MAE)和误差标准差(SDE)来评估算法的性能。为了减少随机性,这些值在10次运行中取平均值。该结果还根据英国高血压协会(BHS[26]ANSI/AAMI/ISO[19]自动血压监测仪标准进行了验证。此外,还使用Bland-Altman图来评估我们提出的技术在不同BP值下的性能。

II总结了我们提出的方法在三个示波数据集上的性能,即在测试集上获得的MEMAESDEME显示了在大多数情况下可忽略的算法的总体偏差,在SBP的估计中为0.08mmHg0.22mmHg,在DBP的估计为0.00mmHg0.11mmHgSDE显示SBPDBP的误差变化范围分别为2.48mmHg3.71mmHg2.22mmHg3.45mmHgMAE通过同时考虑偏差和方差来显示算法的总体性能评估。SBPDBPMAE范围分别为1.88 mmHg2.98 mmHg1.65 mmHg2.30mmHg。观察到,在所有三个数据集上,所有的误差度量都相对较低。在数据集3中,观察到SBP估计的MESDEMAE最高。这可能与该数据集与其他两个数据集相比更小有关,这导致了更低的学习性能。还观察到,所提出的方法在其偏差(ME)和SDE分别显著低于5毫米汞柱和8毫米汞柱时,符合用于自动血压监测的NSI/AAMI/ISO标准。需要注意的是,只有我们的第一个数据集完全满足了患者对ANI/AAMI/ISO标准的人群要求。

image.png

所提出的方法也针对自动血压监测仪的BHSprotocol进行了验证。根据BHS标准,如果60%的设备测量值在5毫米汞柱以内,85%10毫米汞柱之内,95%15毫米汞柱范围内,则该设备被视为a级。因此,BCD级的定义标准更为宽松[26]。表III报告了所提出的方法相对于BHS标准标准的性能。可以观察到,它在三个数据集的SBPDBP估计中达到了BHS的最高排名(A级)。采用Bland-Altman图将我们提出的方法获得的估计值与参考SBPDBP进行比较。图2显示了估计误差的分布。x轴表示我们提出的方法和参考测量的平均估计值,y轴表示两种方法之间的差异。它是

观察到在大多数情况下,误差均匀分布在不同的BP值上。对于数据集2,观察到低估高DBP值和高估低SBPDBP值的轻微模式。考虑到这种样本在我们的数据集中很少见,该方法需要在这些BP范围内有更多的训练样本才能正确估计它们。总体而言,我们提出的模型获得的SBPDBP估计值与参考读数非常一致。

image.png

image.png





Copyright © 2002-2024 银熠电子科技有限公司 版权所有  备案号:  
地址:广东省中山市坦洲镇坦神南路  邮箱:244392052@qq.com  电话:13528181690