由光体积描记(PPG)信号得到的血压和脉搏持续时间之间存在关系，但并不总是线性的。为了从PPG信号中估计血压，本文采用了人工神经网络(ann)。训练数据从多参数智能监测重症监护波形数据库中提取，以便更好地表示可能的脉搏和压力变化。总共分析了超过15000次心跳，并从每个心跳中提取了21个参数，这些参数定义了人工神经网络的输入向量。估计值与参考值的比较显示出比线性回归方法更好的准确性，符合美国医疗器械协会国家标准。

必须定期监测血压(BP)，以防止高血压病例，从而导致中风、心肌梗死或心力衰竭。测量血压意味着测量一个心动周期内的最高血压(或收缩压- SBP)和最低血压(或舒张压- DBP)。

通常情况下，动态血压(ABP)监测设备用于无创血压检查。它们以固定的时间间隔提供连续的24小时测量。该仪器主要用于鉴别白大褂高血压患者，对测定高血压终末器官损伤风险[1]非常有用。然而，ABP设备很昂贵，由于袖带的使用，不允许连续的拍对拍测量。此外，袖带的使用往往会导致对收缩压的低估，袖带大小不当导致的读数错误，以及患者不适[2]。此外，利用这种ABP计算BP有不同的技术和算法，导致[3]的批评和精度低

此前有研究报道，脉冲传递时间(PTT)[4]-[7]、脉冲到达时间(PAT)[8]和脉搏波速度(PWV)[9]可用于连续、无创、无袖带BP估计。它是基于这样的假设:压力波在动脉中以一定的速度传播，这个速度与BP[8]呈线性相关。BP是通过测量心电图(ECG)的峰值与光电容积描记(PPG)信号(PTT, PAT)中某个点之间的时间，或两个PPG信号中这些点之间的时间得到的，这些点是由固定在已知距离(PWV)上的两个传感器同时获得的。然而，除了使用两个设备，这些方法需要一个校准阶段。此外，另一个问题是，动脉中的压力波速度是因人而异的。

在[10]-[12]中研究了使用单一PPG信号进行BP估计的思想。特别是，作者还报道了血压和心率持续时间之间的线性相关，这是通过PPG信号计算出来的。例如，可以考虑收缩期上搏时间、舒张期时间以及2/3和1/2脉冲幅度宽度，舒张期时间与BP的相关性越强。

试验表明，血压越高，每次心跳的持续时间越短。然而，对不同信号的更多测试表明，这种相关性并不总是线性的。例如，舒张时间并不一定代表血压，相同的舒张时间，不同的人可能有不同的血压。此外，大多数作者[2]、[4]-[12]提供了自己的、总是不同的系数，允许仅对一个特定测试集(通常从健康人群中获得)以高概率估计BP。对于另一个输入数据，这些系数必须调整。

为了克服上述缺陷，本文提出了一种基于人工神经网络(ANN)的无创连续血压估计方法。在[7]中，已经有报道称ann在使用PTT进行血压估计的回归分析方面表现更好。在这项工作中，为了仅使用PPG信号获得更好的性能，在[7]方面考虑了额外的输入参数。为了更广泛地表达可能的PPG信号和对应的BP，从重症监护多参数智能监测(MIMIC)数据库[13]中提取信号进行神经网络训练。

本文的组织如下:第II节解释从PPG信号中提取的参数，第III节介绍并讨论了神经网络的架构，第IV节给出了MIMIC数据库的总体概述，而第IV节展示了实验结果，第V节进行了总结。

PPG信号的特征是信号的振幅和心脏周期的特定组成部分的持续时间。由于PPG信号采集期间的运动伪影，脉冲高度可能会发生显著变化，因此，不能用作BP估计的参数。

另一方面，血氧仪或其他提供PPG信号[14]、[15]的设备的采集频率也会随着个体心跳持续时间的变化而变化。这意味着每一次心跳都用不同数量的采样值来表示，这不能作为人工神经网络的输入，因为在使用人工神经网络架构时，输入神经元的数量是固定的，不能改变。因此，必须找到另一种解决办法。

几种参数可以用来表征PPG的脉动组分。除了[10]中提到的收缩期上搏时间(ST)、舒张期时间(DT)、脉幅宽度2/3和1/2外，[16]中使用的是脉高、心脏周期和脉高10%处的峰值宽度。

为了提取尽可能多的信息，然后研究参数的最佳组合，我们考虑了额外的数据。特别地，我们建议在脉冲高度的25%、33%和75%计算宽度，并分别提取收缩期部分(即从最小点到最大点的间隔)和舒张期部分(从最大点到下一个最小点)的值。

根据图1提取出收缩期、舒张期各部分的时间、各部分的比例等21个参数，用于ANN的训练

图1。用于神经网络训练和BP估计的PPG脉冲分量参数。

图2。用于SBP和DBP估计的人工神经网络结构。

计算当前心脏脉冲内BP波形的最大值和最小值分别为参考SBP和DBP。

这样的一组参数能够很好地表示心脏的脉动，适合于人工神经网络。在第五节中讨论了传递给神经网络输入的参数组合

有不同的神经网络架构，如径向基函数，反向传播，或学习矢量量化，可用于拟合输入数据到输出。从性能的角度看，它们是好的，但需要大量的神经元，因此，在训练集大的情况下，由于记忆不足而不能应用。

因此，我们认为它是一个具有N个输入神经元(N为使用参数的数量)和两个输出神经元同时估计SBP和DBP的多层前馈反向传播神经网络(图2)。

为了获得最佳性能，隐层和隐神经元的数量是不断变化的。这种神经元的最优数目的选择将在第五节中讨论。

为了广泛表达PPG信号和对应的每拍BP值，我们使用了分布自由的MIMIC数据库。它包括从监视器上捕捉到的数以万计的重症监护病房病人的生理信号和生命体征的多重记录。主要包括心电图、血压、PPG、呼吸信号，同时记录，采样频率为125Hz

从这个数据库中只提取ABP和PPG两种信号。图3显示了这种信号的一个示例

图3。从MIMIC数据库中提取PPG (a)和相应的BP (b)波形。

在不同的人、不同的时间实例中，共有超过15000次不同的PPG心跳记录了相应的BP值。其中70%用于训练神经网络，15%用于验证步骤，15%用于测试。

为了验证所提出的方法，首先我们调查了如何相互关联的数据。图4给出了提取的DT与SBP的关系以及可能的线性回归线。图5描述了DT与实测DBP和线性回归模型。

图4。舒张时间与收缩压之间的关系以及可能的线性回归曲线。

图5。舒张时间与舒张压的关系以及可能的线性回归曲线。

两组数据都证实了DT和BP之间的相关性很低。原因在于，除了健康人群，MIMIC数据库还包含来自老年人、高血压患者和其他疾病患者的信号。由于BP的结果估计采用简单的回归方法是不可能的，因为误差太大。因此，该方法的应用是合理的。

训练几个神经网络来确定多少个隐藏层的神经元是足够的。图6显示了这种神经网络的性能，以均方误差计算。最优结构为{35,20}，有2个隐藏层，第1隐藏层35个神经元，第2隐藏层20个神经元。即使隐藏神经元为{50,30}的ANN性能稍微好一点，但产生阶段的计算量会变得非常高。

图6。神经网络的性能与隐藏层和神经元的数量。

最后，确定最佳输入参数数目的试验表明，当所有数据都使用时，得到了最佳的结果。特别地，图7给出了线性回归法、[10]中讨论的4个输入的ANN和前文定义的21个输入参数的ANN的误差直方图，误差以参考SBP/DBP与估计值的差值计算。

图7。绝对误差直方图估计:a) SBP采用线性回归，b) DBP采用线性回归，c) SBP采用4输入人工神经网络，d) DBP采用4输入人工神经网络，e) SBP采用21输入人工神经网络，f) DBP采用21输入人工神经网络。

计算每一次心跳的绝对误差 e e e和相对误差 e r e_{r} er​

其中 B P e s t BP_{est} BPest​为线性回归或人工神经网络估计的SBP或DBP, BP为MIMIC Database参考值。

表1为上述实验在测试数据库上的性能结果，为参考SBP/DBP与估计值之间的绝对误差 e e e和相对误差 e r e_{r} er​的均值和标准差。

表一、不同方法的性能结果 所有记录的平均值(平均值±标准差)

实验结果验证了该方法的正确性。根据美国医疗器械先进协会[17]国家标准，该设备与汞标准血压计的平均绝对差必须小于5 mmHg，标准偏差必须小于8 mmHg。在我们的测试中，满足标准要求的收缩压的平均误差为3.80 3.46 mmHg，舒张压的平均误差为2.21 2.09 mmHg。相对误差小于4 3.5%。

本文提出了一种基于PPG信号的连续无创血压估计方法。该算法采用两层隐藏的前馈神经网络，第一层有35个神经元，第二层有20个神经元。与其他架构相比，这种配置在性能上显示出更好的结果。

利用MIMIC数据库对人工神经网络进行训练，共分析了15000多条脉动信号，并从中提取了21个参数。收缩压为3.80 3.46 mmHg，舒张压为2.21 2.09 mmHg，符合美国医疗器械先进协会国家标准，其中最大可接受误差为5 8 mmHg。

神经网络进行训练，共分析了15000多条脉动信号，并从中提取了21个参数。收缩压为3.80 3.46 mmHg，舒张压为2.21 2.09 mmHg，符合美国医疗器械先进协会国家标准，其中最大可接受误差为5 8 mmHg。