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 m
