基于PPG信号和ECG信号的无创血压智能检测方法研究

作     者：储芳芳 

作者单位：南京邮电大学 

学位级别：硕士

导师姓名：陈小惠

授予年度：2022年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 0711[理学-系统科学] 07[理学] 08[工学] 

主      题：血压检测 PPG信号 ECG信号 信号处理 优质信号提取 XGBoost 贝叶斯优化 网络化 

摘      要：血压是心血管疾病诊断和日常健康监测的重要指标,掌握血压的波动状态能够及时的进行疾病的预防和治疗。高血压是引起脑梗塞和心力衰竭等心血管疾病的关键危险因素,并且呈现出年轻化的发展趋势。日常生活中有意识的进行血压测量,对于血压的异常变化尽早发现和干预,可降低相关疾病的患病风险。因此,本文设计了一种网络化无创血压检测系统,该系统通过采集人体臀部的光电容积脉搏波(PPG)和心电信号(ECG),结合人体特征数据,建立基于机器学习方法的血压优化算法,实现连续无创血压检测。主要研究如下:(1)首先,为提高信号的利用率并获取优质生理信号,本文基于预处理信号提出了优质信号提取算法。针对PPG信号,采用巴特沃斯带通滤波器消除PPG信号中的高频干扰,然后利用变分模态分解(Varjational Mode Decomposition,VMD)算法消除PPG信号中的基线漂移。针对ECG信号,将VMD算法和小波变换结合去噪。基于VMD算法将ECG信号分解,去除基线漂移模态分量,并根据与原始信号的相关性划分有效信号分量和含噪信号分量,然后利用小波变换对含噪信号分量降噪处理,最后将有效信号分量与降噪后信号分量重构,得到去噪的ECG信号。预处理后的信号进行优质信号提取,该算法基于检测到的信号特征点进行波形形态和阈值判断,得到确定周期的优质信号。为避免人体特征差异对血压预测精度的影响,分析人体生理特征参数(年龄、性别、身高、体重、体质指数、心率)与血压的相关性,结合脉搏波传导时间(PWTT)初步建立多元线性血压预测模型。(2)接着,通过优质信号提取PPG信号时域特征参数,加入人体生理特征参数,初步血压预测值和水银血压计测量的血压标准值,构建血压预测模型的样本数据集。为降低模型的计算复杂度,使用随机森林方法进行特征选择。在此基础上建立基于XGBoost的回归血压预测模型,为进一步提高模型预测精度,使用贝叶斯优化(Bayesian Optimization,BO)算法优化XGBoost超参数,并与其他机器学习模型进行对比分析。利用平均绝对误差(MAE)、决定系数(R)、准确率(AR)评估模型性能。实验结果表明,测试集在BO-XGBoost模型得到收缩压和舒张压的MAE结果为:3.16mm Hg和3.32mm Hg。平均绝对误差小于5mm Hg,满足美国医疗器械促进协会(AAMI)的标准要求。(3)最后,将血压检测算法与具体实践相结合,建立网络化无创血压检测系统,分别从硬件和软件两部分进行阐述说明。硬件部分主要包含三个模块:PPG和ECG信号采集模块、WLAN通信模块。软件部分主要从数据通信、算法实现和客户端显示三方面进行介绍。为验证系统血压检测性能,在使用样本数据集进行模型实验仿真验证的基础上,再随机选取4位具有不同生理特征的测试人员使用系统测量。4名测试人员通过该系统所得收缩压和舒张压的平均绝对误差均值分别为2.42mm Hg和1.96mm Hg,达到AAMI制定的误差范围。同时说明了本文提出的网络化无创血压检测系统进行血压检测的有效性和实际运用的可行性。