JOURNAL OF VIBRATION AND SHOCK
振动与冲击
Vol. 38 No. 9 2019
基于ZA优化的MIV-BP神经网络连续血压无创监测方法研究
谭
霞
季
忠
，2,张亚丹1
$
(1.重庆大学生物工程学院，重庆400044;2.重庆市医疗电子工程技术中心，重庆400044)
摘要：针对现有的基于脉搏波传导时间法或脉搏波特征参数法的血压测量模型存在的不足，提出利用平均影响
值（Mean Impact Value，MIV )法从提取的脉搏波传导时间和脉搏波特征参数中优选出对血压值影响较大的参数作为输人 量，血压值作为输出量训练BP神经网络模型，然后采用遗传算法（Gene- Algothm，ZA)对个性化参数进行优化，从而建 立一种连续血压无创监测模型一ZA-MIV-BP神经网络模型。该模型计算血压的结果与实际测量得到的结果进行Blad- Altma—致性分析，表明两者具有很好的一致性，可互换使用，因此该算法对促进无创连续血压监测方法的临床应用具 有积极作用。
关键词：脉搏波特征参数;脉搏波传导时间;连续血压无创监测;GA-MIV-BP神经网络模型
中图分类号：R318;TH773 文献标志码：A DOI ：10.13465/j. cnki. jvs. 2019. 09. 010
Non-invasi'^e continuous blood pressure monitoring method based on
GA-MIV-BPneural network model
TANXia1，JI Zhong1，2，ZHANGYadan1
(1. College of Biological Engineering，Chongqing University，Chongqing 400044，China；
2. Chongqing Medical Electronics Engineering Technology Center，Chongqing 400044，China)
Abstract:
Aiming at shortcomings of existing blood pressure measurement models based on the pulse wave transit
netw^orl^ model was
proposed.
The factors
obviously affecting
time metliod or the pulse wave feature parameter metliod， a non-invasive continuous blood pressure monitoring metliodbased on GA-MIV-BP neural
the extracted pulse wave transit time and pulse wave feature parameters using the mean impact value ( MIV) method. These factors were taken as inputs and actual blood pressure values were taken as outputs to train a BP neural netw^orl^ model，and the personalized
parameters
were optimized using the
genetic algorithm ( GA) to establish
network model. Bland-Altman consistency analysis was performed for the blood pressure calculation results using theproposed method and the actual blood pressure measurement ones. It was shown that both of them have good consistency and are interchangeable to use， so the proposed met!iod is very heljDful for promoting the clinical application of noninvasive continuous blood pressure monitoring.monitoring ； GA-MIV-BP neural network model
血压是人体重要的生命体征之一，能直观反映出 人体心脑血管的功能状况，是临床上诊断疾病、观察疗 效和预后判断的重要依据。人体血压受诸多因素如情 绪、生理周期、身体状况和外在环境等的影响，单次或 间断测量的结果存在较大差别，而连续测量可监测每 个心动周期的血压，因此其在临床和医学研究中具有 极为重要的意义。
基金项目：国家自然科学基金（81371713)
收稿日期：2017 -10 -27修改稿收到日期：2018-01-24第一作者谭霞女,硕士生,1992年生 通信作者季忠男，博士，教授,1974年生
bloo
Key words： pulse wave feature parameter； pulse wave transit time; non-invasive continuous blood pressure
现有的无创连续血压测量方法主要有动脉张力 法、容积补偿法、脉搏波传导时间法和脉搏波特征参数 法，其中动脉张力法[1]测量血压时需长时间保持压力 传感器的精确定位，同时于传感器上施加一个大小合 适且持续可调的下压力，由于测量的不便以及长时间 压迫动脉给被测者带来极强的不适感，从而阻碍了动 脉张力法的发展[2];容积补偿法测量血压，其预置参考 压力的设置是一大难点，对被测者的持续施压使静脉 充血，给被测者带来痛苦，同时测量的血压值离散性较 大[3];脉搏波传导时间（Pulse Wave Transit Time， PWTT)法测量血压对传感器定位要求较低，不适感较
72
振动与冲击
2019年第38卷
少，PWTT与血压存在一定的相关性，其中与收缩压 (Systolic Blood Pressure，SBP)的相关性较强，因而所建 立的基于PWTT的收缩压模型的预测精度较高，而与 舒张压（Diastolic Blood Pressure，DBP)的相关性较低， 因此预测舒张压值时误差较大[4_5];脉搏波特征参数 (Pulse Wave Parameter，PWPs)能较好地反映血压变化 与脉搏波之间的关系，利用PWPs法测量血压时操作方 便且测量装置简单，因此诸多学者[6C]引入PWPs对脉 搏波和血压的相关性进行探究，进而进行血压测量，由 于个体差异性，模型的测量精度还有待提高。
现有的关于PWTT法或PWPs法的血压测量大都 采用统计分析的方法，先粗选出PWPs(其中不同学者 粗选的PWPs不尽相同），然后选取PWTT或与血压相 关性较好的PWPs，建立与血压的回归模型从而实现血 压的测量。但是，只有在血管弹性保持不变的情况下， 血压的变化才与PWTT成正比[10];脉搏波波形变化不 仅受血压影响还受血液黏性和管壁弹性等因素的影 响[11]，因此PWTT或PWPs与血压值之间不仅是简单 的线性关系，还具有非线性关系。而现有基于PWTT 法或PWPs法所建立的线性回归模型难以描述PWTT 或PWPs与血压之间复杂的非线性函数关系，导致模型 的普适性差且不能很好地克服个体差异。针对上述基 于PWTT法或PWPs法的血压测量模型存在的不足，本 文提出一种基于PWTT和PWPs相结合的连续血压无 创测量模型——
ZA-MIV-BP神经网络模型。本文在总
结和分析前人经验的基础上，粗选了 PWTT和时间及 幅度类共16个PWPs，尽可能涵盖更多的参数，利用平 均影响值[12] (Mean Impact Value，MIV)分别从提取的 PWTT和PWPs中优选出对收缩压值和舒张压值影响 较大的参数作为输入量，以血压计测量得到的收缩压 值或舒张压值为相应的输出量，训练得到MIV-BP神经 网络收缩压模型和MIV-BP神经网络舒张压模型；由于 人体各项生理参数对血压值均有影响，而PWTT和 PWPs 反映
的 化， 且
体的
表1
文采用遗传算法[13] (Genetic Algorithm，GA)对模型的 性化 数进
化，
单
体的
无创测量模型一GA-MIV-BP神经网络收缩压模型和 GA-MIV-BP神经网络舒张压模型。1
实验数据采集与处理
!1实验数据采集
根据脉搏波信号和心电信号的特点，实验基于计
算机平台，组合使用桡动脉脉搏传感器（HK-2000B型 传感器，合肥华科电子技术研究所），心电电极和心电 检测导联线，以及数据采集卡（USB-D1280型，上海聚 星仪器)来实现脉搏波和心电信号的同步采集，其中脉 搏波和心电信号的采样频率都设置为400 Hf系统结 构框图如图1所示。
图1系统结构框图
Fig. 1 Diagram of the system structure
被测者为年龄在21〜28岁之间的健康男性5名和 女性7名，被测者的招募基于自愿和知情同意的原则， 研究内容和研究结果与之不存在利益冲突。室温下分 别采集被测者运动前静息数据和运动后数据，记录被
测者的脉搏波和心电信号，同时使用欧姆龙HEM-6131 型电子血压计测量被测者的收缩压和舒张压各三次， 取平均值作为血压计测量值。共采集记录到294组数 据，具体数据情况如表1所示。
值 相
应的PWPs和PWTT之间的函数关系是不同的，因此本
采集到的脉搏波和心电数据详情
Tab. 1 Collected pulse wave and ECG data
Test 1
Test 2
4812
男性
Test 323
Test 4Test 5Test 6Test 7Test 8
3112265012
女性Test 9Test 101416
Test 11Test 12
2426
!$实验信号处理
在脉搏波和心电信号的体表采集过程中，工频干 扰、肌电干扰等高频噪声和基线漂移等低频噪声严重 地影响了信号的检测结果;不同个体处于不同的生理 病理状态下，其脉搏波和心电信号波形特征变化复杂，
本文在MATLABR2014a平台上，对实验室采集的脉搏
波信号和心电信号进行去噪和特征点识别，具体情况 如下。
1.2. 1脉搏波信号去噪和特征点识别
人体脉搏波一般被认为有六个特征点分别为Z、9 :、'、/、4,如图2所示。本文提出双树复小波[14]和三次 样条插值法[15]相结合的脉搏波信号去噪方法，首先采
第％期
谭霞等#基于ZA优化的MIV-BP神经网络连续血压无创监测方法研究
73
树复小波阈值法 的 值法拟合
基线漂
号中的高频噪声;然 线，
了高频噪线，从
：
能力，经过实验探索发现，双树复小波变换的d4层小 波系数 波。 采
值的 法 识
值点对应原始心电信号的Nd4 层 心电 号的
值 的
了高频噪声的脉搏波信号采 样条插
声的脉搏波信号减去拟合出的基线漂
了高频噪声和基线漂移的脉搏波信号。
值点，对应回原心电信号中， 现心电信号N
波的识别。图4 (a)为段含噪心电信号，图4 (b)为去
一
噪后心电信号的双数复小波变换的d4层小波系数，图 图2脉搏波信号特征
Fig. 2 Characteristics of pulse wave signal
不同个体处于不同生理状态下的脉搏波形特征不 相同，采单一方法 靠地识
搏波的。因此本文结合双树复小波、
法和滑窗法的脉搏波
点识别方法，根据搏波 点位置
，
小搏波
点的识 围。首采用 法识别Z、9点，再采 法
围内识别/、4点，然采
法在c和/点之间识别：点，最据双树复小波d5层号：、/点之 应的
值点识
'点。图3(a)为
一
段含噪脉搏波信号，图3(b)为去
噪后脉搏波信号的特征点识别情况。
(b)去噪后脉搏波信号 图3脉搏波特征点检测结果
Fig. 3 Feature point recognition of the denoised pulse wave signal
1.2.2心电信号去噪和特征点识别
合双树复小波变换对心电信号高频波段和形态
学滤波对心电信号低频波段[16]的理优势，本文首先 采用形态学滤波器 噪心电信号中的基线漂移等低频噪声，进 号进
树复小波阈值去噪滤除号中的高频噪声，
现心电信号
频噪声和
基线漂移的
。
树复小波变换具有突出信号奇异点或瞬变点的
4(6为去噪后心电信号R波的识别情况。
Fig. 4 Feature point R recognition of the denoised ECGsignal
! 3
PWTT和PWPs的提取
过计
心动周
ECG信号的R波到脉搏波信号主波波峰c点的时间得到PWTT，如图5所 示。为小各种变化的
以及
被
之的参数，本文采 化的方法 搏波
数
进行处理，脉搏波时域特征参数如图2所示。
图5基于心电信号和脉搏波信号测量PWTT Fig. 5 PWTT measurement from ECG and pulse wave signals选取PWTT和时间及幅度类共16个PWPs为研究 对象，具体包括:PWTT、升支相对时间（3/\\、特征点： 相对时间（3/\\、特征点'相对时间（3C)、特征点/ 相对时间（3C)、特征点4相对时间0/\\、周期\\、特 征点：相 （）/))、特征点e相 （）/))、
74振动与冲击2019年第38卷
特征点/相对高度（）/))、特征点4相对高度（）/ ))、波形特征量主波上升斜率W心输出量％、收缩 期相对面积(+$/+)、舒张期相对面积（+\"/+)、收缩期与 舒张期面积之比（+/+2)。2
络的预测均方根误差。以均方根误差和复杂度为选择
指标，最后确定N41和Netd0网络的隐含层节点数分 别为:14和13。
MIV-BP神经网络模型的构建
在MATLABR2014a中，利用神经网络工具箱中提
NetsO和NetdO网络的均方根误差
Tab? RMSE of NetsO and NetdO networks
隐曰反押综兀T M数
5
678RMSE
NetsO
Netd0
表3
供的函数以及图形用户界面完成MIV-BP网络的训练 和仿真，具体步骤如下。2.1单纯神经网络模型的训练
BP
5.483 6
5.176 05.080 25.435 14.732 14.964 54.928 04.770 1BP神经网络*17+是MIV-BP神经网络构建的基础， 是一种包含输入层、中间层（隐层）和输出层的多层前 向神经网络。由于BP神经网络既能很好地刻画线性 关系，又能很好地刻画非线性关系，因此本文以BP神 经网络为基础建立血压模型。
分别选取数据量较多的被测者Test_1、Test_4和 Tel_7的数据，共129组数据，提取相应的PWTT和 PWPS# 17个参数为输入量，以血压计测量得到的 SBP或DBP为输出量，分别训练出一个关于收缩压的 BP神经网络（Ne-0)和一个关于舒张压的BP神经网 络（NetdO)，具体步骤如下。
由BP神经网络的原理可知:三层前馈人工神经网 络可任意精度逼近任意连续函数[18]，为了提高网络的 训练速度，简化网络的结构，本文采用单隐含层。
(1)输入参数和输出参数的初步确定，如表2 所示。
表2
NetsO和NetdO网络输入和输出参数的确定
Tab. 2 Determination of the input and output parameters of
NetK and NetdO networks
输人参数（17个）输出参数（i个）
NetsOPWTT 和 PWPsSBPNetd0
PWTT 和 PWPs
DBP
(2) BP神经网络参数的设置，包括学习速率、激 励函数和学习算法等。学习速率设置为0.03,隐含层 和输出层的激励函数分别设置为TANSIG和
PURELIN，学习算法采用收敛性较好的Scaled Conjugate Gradient 算法[19]。
(3) 隐含层节点数的设置，根据经验公式，如式
(1)所示，确定BP网络隐含层节点数的范围为[5, 15]，然后采用尝试法以网络的均方根误差和复杂度确 定各网络的隐含层节点数。
m = ^ n + I + &
(1 )
式中:I为隐含层节点数，（为输入层节点数，L为输出 层节点数，&为1 ~ 10之间的常数。
经过多次实验在隐含层节点数范围内寻找合适的
节点数，表3为隐含层节点数不同时，Nets0和Netd0网
95.463 54.889 7105.254 54.092 8115.086 54.732 1124.946 64.579 6134.943 33.7154144.207 13.966515
4.281 24.397 9
2.2基于
MIV的BP神经网络模型输入参数的选择
利用PWPS和PWTT与血压值训练模型时，由于过 多地输入参数会使得BP网络的输入数据庞杂，系统的 负荷增加以及网络的性能下降，因此选取适当数量的 输入参数有利于简化模型的结构并提高网络的效率。 本文采用平均影响值（Mean Impact Value，MIV)法对输 入数据作降维处理，具体过程如下:①在训练好BP神 经网络后，将训练样本（设为/)中每个输入变量分别 在原值的基础上做加10%与减10%运算，构成两个新 的训练样本/和/;②分别将/和/输入到训练好 的网络中进行仿真，得到两个仿真结果7和7'③计 算7与7的差值，即为该变量变化后对输出的影响变 化值(Impact Value，IV);④将IV按观测数目平均求出 该自变量对因变量的平均影响值(MIV)。
按照上述步骤分别计算各自变量的MIV值。最后 根据式(2)计算出第i个自变量对于因变量的相对贡 献率。
(
i\\MIVt\\式中:&,为第i个自变量对于因变量的相对贡献率，称n
(&
为前n个自变量的累计贡献率，在选取BP神经
i
网络的输入参数时，要求累计贡献率大于85%。
以2. 1构建的BP神经网络为基础，通过MIV分析 各输入参数对输出结果的影响程度，选出对输出影响
累计贡献率大于85%的前几个输入参数，作为BP神经 网络的输入参数。收缩压模型和舒张压模型的各输入 参数的MIV值大小排序如表4和表5所示。经过MIV
第％期
，
谭霞等#基于ZA优化的MIV-BP神经网络连续血压无创监测方法研究
75
方法筛选后选出收缩压计算模型的输入参数为:
PW?、Hg/)、tg/T、T、te/T、td/T、Hd/)、He/) < S2/S，舒张压计算模型的输入参数为）/)3/\\+2/+PWTTg/T）d/)S/Sg/TT 和 T%
：
、
、
、
、
、
、
、
的数据作为测试集，以均方
(MRE)
原
（RMSE)和平均相对数组（17
数)所训练的NetsO和NetdO网络，与M:优选输入参 数所训练的NET1和NETdO网络的性能，具体果如 图6和图7所示，图6和图7的横轴“TC”，表示
者
Test_i的数据。通过对比原输入参数组和MIV优选输 数组所训练网络的 果 ，以及简化模型
结构的角度，本文选取MIV优选的输入参数组所训练 表4各输入参数对收缩压的MIV值大小排序
Tab. 4 Ordered MI Vs for SBP value input parameters
量名称
K
MIV
排
累
计贡献
18. OO5 91
O. 183 O
PWTT
-12. 732 320.312 4Vg)
-12. 326 23O. 437 7-8.534 O40. 524 5gTc
-7.456 15O. 6OO 3-7.451 860.676 1gc
-6. 23O 57O. 739 4-5=82 680. 791 1S2/S
-3.764 29O. 829 4-3.736 21OO. 867 4S1 /S2-2.832 311O. 896 2W
-2.772 512O. 924 4%
2. 55 1130. 952 4Ht/T-1. 873 8140. 971 4SD)- 1.333 515O. 985 Og1 /c
S21.159 516O. 996 8O. 325 617
1.000 1
表I
各输入参数对舒张压的MIV值大小排序
Tab. 5 Ordered MI Vs for DBP value input parameters
H量名称
MIV
排
累
计贡献
gCc12.23O 7
1
0. 140 2-1O.518 1
20. 260 8S2/S-10. 437 930. 380 5PWTT
-9.917 O40. 494 2Ht/T-8.99 550. 595 1dC-7.478 O60. 680 8Sg
/S
-5.OOO 870.738 13. 679 380. 780 33. 6O9 290.821 7HKT3. 521 31O0. 862 1gCC-3.O31 9110. 896 92. 764 O120. 928 6SH1 /SC
2
1. 686 3130. 949 9-1.631 O140. 966 6gc-1.O55 9150.978 7WO. 943 7160. 989 5%-O. 911 4
171.000 0
2.3
MIV-BP神经网络模型的训练和评价
以M:优选的
数作为BP神经网络的输入
量，设置学习 、隐层和 层的激励函数 为0.03、TANSIG和PURELIN。根据经验公式（1)和尝试 法以均方 和复
为
标，1
NET1和NETdO网络的隐含层节点数
为10和11。
这两个网络的训
均少于5 1。
训练好NETsO和NETdO网络后，选取12名受试者
的预测误差更小的NET1和NETdO网络
型和舒张
型。
图6 BP神经网络和MIV-BP神经网络模型的血压预测均方根
误差对比
Fig. 6 Comparison of tlie predictive RMSE of blood pressure model
based on BP neural network and MIV-BP neural network
图7 BP神经网络和MIV-BP神经网络模型的血压预测平均相对误差对比Fig. 7 Comparison of the predictive MRE of blood pressure model
based on BP neural network and MIV-BP neural network
3
GA-MIV-BP神经网络模型的构建与分析
3.1 GA-MIV-BP神经网络模型的构建
由于人体各项生理参数 值均有影响，而PWTT和PWPs能反映血压的变化，其中每个个体的血 压值与相应的PWPs和PWTT之间的函数关系存 异。遗传算法（Genetic Algorithm，GA)是模拟自然界生 物进化过
提出的一种全局优化算法，被
应用
76
振动与冲击
2019年第38卷
于组合优化、参数寻优和机器学习等领域。基与此，提 出一种GA-MIV-BP神经网络无创血压检测模型。分 别利用2. 3部分训练的NET1和NETdO网络来构建单 个个体的收缩压预测模型#= 2 x #Q\\〇 + W和舒 张压预测模型= Z x #Q\\〇 +V:。使用GA对收缩 压和舒张压预测模型的个性化参数2、Vl、Z和▽:进行 优化，最终得到预测性能较好的单个个体的GA-MIV-
BP神经网络收缩压预测模型和GA-MIV-BP神经网络
舒张压预测模型，该模型的算法流程如图8所示。对 于单个个体的GA-MIV-BP神经网络模型，以收缩压预 测模型为例，具体步骤如下:①对单个个体收缩压预测 模型的两个参数2和^进行实数编码，2的解空间为 [0，1]之间的实数，^的解空间为* -30,30]之间的实 数;②染色编码完成后，随机产生40个染色体的初始 种群作为起始解，并设置遗传代数为100;③适应度评 估，用单个测试者的前两组数据作为训练集，将模型预 测值和血压计测量值的误差平方和的倒数作为适应度 值，优化的目标就是选择适应度值尽可能大的染色体， 适应度值越大的染色体越优质，反之越劣质'④进行选 择、交叉和变异得到新一代种群，本文基于适应度比例 选择父代个体繁殖下一代，设置交叉概率为0. 7，变异 概率为0.01。循环操作:判断是否满足设定的最大遗 传代数，不满足则跳入适应度计算，继续遗传操作，反 之遗传操作结束。
表Z不同测试者GA-MIV-BP收缩压和舒张压模型的优化参数
图8基于GA优化的MIV-BP神经网络连续血压无创监测模型
Fig. 8 Flow chart of the non-invasive continuous blood pressure
measurement models based on the GA-MIV-BP neural
network
分别用12名测试者的前两组数据样本为训练集， 其余数据样本为测试集，利用遗传算法对每个个体的 GA-MIV-BP收缩压模型参数2和Vi、GA-MIV-BP舒张 压模型参数Z和▽:进行优化，其中GA优化单个个体 的收缩压模型参数和舒张压模型参数的时间均少于2
min。不同受试者收缩压预测模型和舒张压预测模型
的最优参数和两组训练数据的均方根误差，如表6所 示。图9表示使用遗传算法优化收缩压模型参数2和 ^以及舒张压模型参数Z和后的血压测量值和预 测值之间的均方根误差曲线（以Tet_10为例）。
Tab. 6Optimization parameters for GA-MIV-BP neural network SBP and DBP model for different subjects
测试者
Test_1
Test_2Test_3Test_4Test_5Tests6Test_7Test_8Test_9Test_10Test_11Test_12
GA-MIV-BP收缩压模型
GA-MIV-BP舒张压模型
RMSE
Z
20.792 00.862 90.958 00.820 70.729 40.674 10.759 20.721 50.682 90.864 80.711 10.692 2
Vd
RMSE
23.900 923.256 929.002 121.583 730.000 030.000 022.101 527.350 130.000 030.000 030.000 030.000 03.144 65.729 12.527 22.661 81.092 20.999 31.070 94.219 53.851 91.718 13.951 52.695 00.871 80.649 50.832 50.855 60.826 70.548 10.641 40.511 50.488 60.638 60.472 50.573 18.612 630.000 030.000 011.139 122.399 030.000 020.719 630.000 029.999 830.000 028.353 030.000 01.172 75.351 05.707 53.159 52.610 33.547 30.662 00.574 51.475 42.967 02.055 31.316 2
3.2与其他血压模型的对比
利用GA-MIV-BP神经网络模型、文献[8 ]中的线 性回归模型和文献[20]中基于PWTT的人工神经网络 模型对12名被测者的血压值进行预测，三个模型的血 压预测值与血压计测量值的对比情况如图10和图11 所示，图10和图11的横轴“,”，表示受试者Testj的 第y组数据。从图10和图11可以看出，使用GA-MIV-
BP神经网络模型的预测结果比使用线性回归模型和
基于PWTT的人工神经网络模型的预测结果更加逼近 真实的血压测量值，可以初步得出结论:GA-MIV-BP模 型的预测性能优于线性回归模型和基于PWTT的人工 神经网络模型。
为了进一步分析本文所提出模型相比其它几种模
型的预测性能，本文使用均方根误差（NMSE )、平均相 对误差（MRE)来比较分别使用GA-MIV-BP模型、回归 模型和基于PWTT的神经网络模型的预测结果。
第％期
谭霞等#基于ZA优化的MIV-BP神经网络连续血压无创监测方法研究
77
一收缩压均方根误差曲线
—舒张压均方根误差曲线
40 60 80 100
遗传代数
图％遗传算法均方根误差曲线图
Fig. 9 RMSE curve using the GA
1—1 1—40 3—20 5—6 7—8 7—48 10—12 12—12
(g)
1-1 1-40 3-20 5-6 7-8 7-48 10-12 12-12
(b)
图10收缩压预测值与测量值对比
Fig. 10 Comparison of predicted and measured values of SBP
使用三种模型的血压预测值与血压计测量值的
RMSE和MRE如表7和表8所示，可以看出使用GA- MIV-BP模型所计算的 和舒张压的RMSE和MRE均低于回 型和基于PWTT的神经网络模型。
因此，可以 相对于回
型和基于PWTT的神经
网络模型，GA-MIV-BP模型所计算的
和舒张压
的 精度更高，其MRE均在5 J以内。
3.3
GA-MIV-BP模型预测值与血压计测量之间的
Bland-Altman —致性分析
对GA-MIV-BP模型血压预测值与欧姆龙血压计
测量值进行Bland-Altman分析，如图12和图13所示。 从图1\"可以看出96. 26 J的点在95 J —致性范围内， 一致性范围内的所有差值绝对值的最大值为6. 805 9 mmHg;从图13可以看出95. 92 J的点在95 J —致性范
(g)
(C)
图11舒张压预测值与测量值对比
Fig. 11 Comparison of predicted and measured values of DBP
表7
收缩压预测结果的均方根误差和平均相对误差
Tab. 7 RMSE and MRE of the SBP prediction results from
different models测试书
GA-MIV-BP ^ 型回RMSEMRERMSE 型
MREPWTT-ANN :型RMSEMRETest_1
3.194 32.17J7.544 84.49%5.641 63.89%Test_23.391 42. 87J7.000 96.08%9.21 86.24%Test_35.247 09.812 56.07%Test_43.901 83.113.766 78.83%2.71%9J7.636 05.09%6.152 14.40%Test_54.498 93.19.42 55.84%6.19 95.21%Test_64.516 83.92%6J5.624 54.69%6.255 76.47%Test_73.797 62.85%6.91 05.40%5.143 04.08%Test_85.024 74.38%8.055 86.32%5.847 64.56%Test_93.549 42.91%8.450 49.20%8.159 26.37%Test_105.779 23.85%11.285 58.94%9.679 77.53%Test_114.370 53.00%6.684 54.89%5.942 34.62%Test_12
5.620 73.60%10.001 67.71%7.861 66.25%
围内，一致性范围内的所 值绝对值的 值为7. 107 9 mmHg。 际量考虑和临床要求
种差异是可以接受的，因此GA-MIV-BP模型的
值 姆龙 计测量值具有较好的
性，
换
使。3.4 GA-MIV-BP神经网络模型的优势与不足
对比本文提出的
型 它 型对12名被
的
果，
型本身
计测量
值的差异性比较， 型 以下优势：
(1) GA-MIV-BP模型相比于文献* 8 ]中的线性归模型，不仅拟合了 PWTT和PWPs」
之间的线性
78
表8
振动与冲击
舒张压预测结果的均方根误差和平均相对误差
2019年第38卷
Tab. 8 RMSE and MRE of the DBF prediction results from
different models
GA-MIV-BP 模型
测成书
RMSEMRETest」3.437 33.97%
Test_23.862 04. 94%
精度和稳健性;另
量所训练的--张 的单 与
型更
因此相比文献[20]
GAMIVBP
舒张压作为
收缩压模型和--数 和舒张
为
GAMIVBP舒
量训练
回归模型
RMSE
MRE
PWTT-ANN 模型
RMSEMRE
数之间的关系，果更好；
的差异性。本
型和基于舒张
；
体差异性进行校正
62%Test_34.483 64.
Test_42.588 33.04%
Test_53.790 63.44%Test_63.671 04.8%Test_72.942 43.74%6.859 38.672 28.346 65.261 48.193 85.562 55.092 17.35%11.64%8.76%6.12%8.61%8.67%6.68%5.508 76.550 49.433 15.727 77.919 35.157 73.739 56.03%8.73%10.56%6.88%8.46%8.48%4.77%经网络模型的
(3) 的体由于其生理系统等的差异性，
PWTT或PWPs的函数关系存
节
数
PWTT的神经网络模型，增加了
的方法， 文提出的模型相比于传统的线性回
Test_82.673 23.24%4.253 65.54%2.756 43.79%Test_94.337 74.80%6.372 28.56%6.010 57.55%Test_103.103 64.88%5.637 77.23%3.896 95.29%Test_114.554 04.95%5.626 86.84%4.746 76.49%Test_125.307 74.92%
8.228 610.36%6.359 77.18%
图12收缩压预测值与测量值的Bland-Altman分析
Fig. 12 Bland-Altman analysis of predicted and measured
SBP values
图13舒张压预测值与测量值的Bland-Altman分析
Fig. 13 Bland-Altman analysis of predicted and measured
DBP values关系，还刻画了其与血压之间的非线性关系，更符合实 际情况；
(2)
PWTTGA-MIV-BP模型相比于文献[20]中提出的基 于的神经网络模型，除了 PWTT还引入了更 值
的参数作为
量，增加了模型的
型进 校 ，
的
精 更 。
本文的検型也存
的
：
(1)
验
的数量 ，年龄
围 ，且实验数据都是来自于健康个体，因 型对不同年龄段以及
异常（比如
粥样硬化）等
的 性有待进 验证；(2) 本文模型的输入参数PWTT和PWPs的准确
提取是 的关键。实际测量中，
搏波或心电信号严重变形
的情况，难以
提取
PWTT
和
PWPs， 造成模型的
。除了 PWTT
和PWPs这17 数，接下来的
引入更多反应个体生理差异性的参数，比如龄、身、体重、体温
和身体质量指数等参数，来进 提 的准
性，
型的个体差异性；
(3) 相比于传统的
型，本文的模型训练时
更长， 复
增加。但是
-MIV-BP模型的具
体 ，
MIVGA-BP模型的
、权值和阈值确定
是 固化的模型，
训
。 进，
采用
GA校
体差异性系数，其中
单 体的 GA-MIV-BP
舒张
型的
化 均少于2分钟。
4
结论本文提出了
GA-MIV-BP神经网络连续血压无创
型，相于文献[8]中的回
型和文献[20]
基于PWTT的神经网络模型，
值的均方根和平均相
更小，模型的
性能更好。利用
Bland-Altman
—致性分析对GA-MIV-BP
模型预测值
计测量值进
性检验，结果表
种测量
方法 很好的
性，可以 使用。
GA-MIV-BP
经网络
型是基于PWPsPWTT和
〗
进 量， 了袖带的束缚，增强
了被
的舒 。GA-MIV-BP模型
降低了个体异性
型 精度的
，
证
良好的预性能，因
为
的临床应用提供了有力的算法支持。
第％期
谭霞等#基于ZA优化的MIV-BP神经网络连续血压无创监测方法研究
参考文献
79
地产项目风险识别研究[J].运筹与管理，2013, 22 (2)#
229-234.[1] PRESSMAN G L& NEWGARD P M. A transducer for the
HE Fang，WANG Xiaochuan，XIAO Senyu，et al. Research continuous external measurement of arterial blood pressure
on risk recognition of real estate projects based on MIV-BP [J]. IEEE Transaction biomedical engineering, 1963 , (2):
neural network test [ J ]. Operations Research and73-81.
[2] 蒋巍巍，季忠.无创血压测量方法的研究进展[J].中华 Management Science，2013，22 (2) #229-234.
高血压杂志，2015,23(7):685-689.[13] 夏玫.BP神经网络泛化能力改进研究[D].太原:太原科 JIANGWeiwei, JI Zhong. Research progress of noninvasive 技大学,2006.blood pressure measurement metliods [ J ]. Chinese Journal of [14] 胥永刚，赵国亮，马朝永，等.基于双树复小波与非线性时 hypertension, 2015，23(7) #685-689.间序列的降噪方法[J].振动与冲击，2015, 34 ( 16)# [3] SLIKEB，MCAULEY D. Accuracy and precision of blood 135-140.
pressure determination with the Finapres: an overview using XU Yonggang，ZHAO Guoliang， MA Chaoyong， et al. New re-sampling statistics[ J]. J Hum Hypertens，1998，12(6): 403-409.[4] THOMAS S S，NATHAN V，ZONG C Z，et al. Bio watch： anon-invasive wrist-based blood pressure monitor that incorporates training techniques for posture and subject variability [ J ]. IEEE Journal of Biomedical and Health Informatics，2016, 20(5) #1291-1300.[5] 李顶立.基于脉搏波的无创连续血压测量方法研究[D]. 杭州:浙江大学，2008.[6] 焦学军，房兴业.利用脉搏波特征参数连续测量血压的方 法研究[J].生物医学工程学杂志，2002(2):217-220.
JIAO Xuejun， FANG Xingye. Research on continuous
measurement of blood pressure via characteristic parameters of
pulse wave [ J ]. Journal of Biomedical Engineering， 2002
(2) #217-220.
[7] 徐可欣，王继寸，余辉，等.脉搏波时域特征与血压相关
性的研究[J].中国医疗设备，2009(8):42-5.
XU Kexin， WANG Jicun， YU Hui， et al. Research of
correlation between time-domain characteristics of the pulse
wave and blood pressure [ J]. China Medical Devices，2009
(8):42-5.
[8] 董锋.基于脉搏波特征的连续血压测量方法研究[D].昆
明：云南大学，2015.
[9] LIU Xu，JI Zhong，TANG Yuran. Recognition of pulse wave
feature points and non-invasive blood pressure measurement
[J]. Journal of Signal Processing Systems，2017，87(2):
241-248.
[10] 向海燕.无创伤人体逐拍动脉血压测量技术[D].西安：
第四军医大学，2005.
[11] 梁妃学，姚翔，于巍，等.双通道脉搏波速度测量系统的研 制[J].中国医学物理学杂志，2006,23(3):209-213.
LIANG Feixue， YAO Xiang， YU Wei， et al. The
development of dual channel pulse wave velocity measurement
system[ J]. Chinese Journal of Medical Physics， 2006，23
(3) #209-213.
[12] 何芳，王小川，肖森予，等.基于MIV-BP型网络实验的房
denoising method based on dual-tree complex wavelet transform and nonlinear time series [ J ]. Journal of Vibration and Shock，2015, 34(16) # 135-140.
[15 ]查玉华，李巍，陈文霞.基于小波变换和样条插值的容积脉 搏波去噪方法研究[J].中国医学装备,2015,12 (10)# 27-29.ZHA Yuhua，LI Wei， CHEN Wenxia. A method of plethysmography wave de-noising based on wavelet transform
and spline interpolation [ J ]. China Medical Equipment， 2015, 12(10) #27-29.
[16] 罗小刚，彭承琳，郑小林，等.基于小波变换与形态学运
算的ECG综合检测算法的研究[J].生物医学工程学杂
志，2004,21(5) #788-790.
LUO Xiaogang，PENG Chenglin， ZHENG Xiaolin， et al. A
study of ECG combination detection algorithm based on
wavelet transform and morphological method [ J ]. Journal of
Biomedical Engineering，2004，21(5) #788-790.
[17] 庄育锋，胡晓瑾，翟宇.基于BP神经网络的微量药品动态
称重系统非线性补偿[J].仪器仪表学报，2014, 35(8)#
1914-1920.
ZHUANG Yufeng，HU Xiaojin，ZHAI Yu. Nonlinear
compensation of micro scale capsule dynamic condition
weighing unit based on BP neural network model [ J ]. Chinese Journal of Scientific Instrument，2014，35(8) #1914-1920.[18] HUYNH H T，WON Y. Regularized online sequential learning algorithm for single-hidden layer feedforward neural networks[J]. Pattern Recognition Letters，2011，32(14) # 1930-1935.[19] MOLLER M F.
Ascaled conjugate gradient algorithm for fast supervised learning [ J ]. Neural Network，1993，6(4)# 525-533.[20] AMINY H M，KEIVAN M，SIMA J. A new approach for blood pressure monitoring based on ECG and PPG signals by using Artificial Neural Networks [ J ]. International Journal of Computer Applications，2014，103(12) :3640.
因篇幅问题不能全部显示，请点此查看更多更全内容