我國高血壓發(fā)病率高，2002年大規(guī)模人群普查患病率為18.80%，并且從20世紀(jì)50年代以來總體呈明顯上升趨勢，而我國人群高血壓知曉率、治療率和控制率分別為30.2%、24.7%和6.1%，依然很低。有效控制高血壓，能顯著降低心血管病的發(fā)病率和病死率，而控制血壓的前提是對血壓的精確測量和監(jiān)測。

目前，測量血壓的金標(biāo)準(zhǔn)是通過動脈導(dǎo)管檢測左心室血壓，這種方法雖然精確且可以測量實時血壓，但其存在有創(chuàng)、操作復(fù)雜的缺陷，且技術(shù)要求高，不適合臨床常規(guī)使用和家用血壓監(jiān)測。目前臨床替代金標(biāo)準(zhǔn)應(yīng)用最多的是水銀袖帶式血壓計以及各種袖帶式電子血壓計，但其連續(xù)測量血壓時頻繁的充氣放氣，造成被檢者夜間監(jiān)測時影響睡眠等。經(jīng)過數(shù)十年的努力，科學(xué)界開發(fā)出光電容積脈搏波描記法 (photoplethysmography PPG)預(yù)測血壓，因能夠測 量血壓且方便監(jiān)測，已成為目前研究的重點領(lǐng)域，但是臨床報道大規(guī)模試驗數(shù)據(jù)并不多，準(zhǔn)確性有待研究。本研究旨在探索PPG結(jié)合人工智能算法監(jiān)測血壓的準(zhǔn)確性。

1資料與方法

1.1 臨床資料

選取2020年10月至2021年2月于解放軍總醫(yī)院第六醫(yī)學(xué)中心診斷的41例高血壓患者，其中男性31例，女性10例；年齡18～88歲，平均年齡(59±17)歲。對 41例患者分別采用動態(tài)血壓計測量一側(cè)肢體臂部血 壓，同時用PPG血壓計(O2Ring指環(huán))測量對側(cè)肢體拇指或食指近節(jié)指骨處PPG信號、預(yù)測血壓，共采集 446個時間點數(shù)據(jù)。本研究經(jīng)醫(yī)院醫(yī)學(xué)倫理委員會批準(zhǔn)且獲得所有患者的知情同意。

1.2 納入與排除標(biāo)準(zhǔn)

(1)納入標(biāo)準(zhǔn)。①參照我國高血壓分類標(biāo)準(zhǔn)經(jīng)3次不同時間測量收縮壓＞140 mmHg，舒張壓＞90 mmHg；

②患者依從性好能夠配合完成研究。(2)排除標(biāo)準(zhǔn)。①患有腎動脈狹窄、主動脈夾層、

腋動脈閉塞、鎖骨下動脈閉塞、手部手術(shù)、殘疾等；②容易造成雙臂血壓差較大疾病和有多動傾向、配合性差的患者。

1.3 儀器設(shè)備

采用O2Ring指環(huán)血壓測量儀(中國北京樂普源動科技公司)，安裝有樂普醫(yī)生應(yīng)用程序(application program，APP)的智能手機；DMS_ABP型動態(tài)血壓 計一臺(美國DM software公司)。

1.4 血壓監(jiān)測方法

1.4.1 PPG測量血壓

(1)PPG信號的自動特征提取。利用指環(huán)探測器探測儀器發(fā)射的光源信號穿過人體外周微血管血液容積隨心臟博動而產(chǎn)生的變化，并記錄其變化的一維信號后進行帶通濾波，將處理后的信號經(jīng)過模數(shù)轉(zhuǎn)換器轉(zhuǎn)換成數(shù)字信號后通過指環(huán)藍(lán)牙裝置傳遞給手機，手機信號上傳到后臺服務(wù)器。

(2)人工智能算法系統(tǒng)搭建。后臺服務(wù)器搭 建深度卷積神經(jīng)網(wǎng)絡(luò)(deep  convolutional  neural networks，DCNN)用于對PPG信號的自動特征提取，同時構(gòu)建回歸網(wǎng)絡(luò)連接這些特征與PPG信號對應(yīng)的血壓值，整個網(wǎng)絡(luò)由4層卷積層和4層全連接層組成，總參數(shù)量123萬，其中后3層卷積層引入了與 inception網(wǎng)絡(luò)結(jié)構(gòu)類似的多尺度卷積核，并且對所有 卷積核尺度進行了改造以適應(yīng)一維信號；為實現(xiàn)模型 的充分訓(xùn)練，共采集＞22 800人的血壓數(shù)據(jù)，經(jīng)數(shù)據(jù)清洗和整理后篩選出19 000人作為訓(xùn)練集，1 600人作為驗證集，120人作為測試集，整體數(shù)據(jù)性別比例均衡，年齡覆蓋范圍廣，高血壓人群分布同我國患病率類似，且訓(xùn)練集與測試集的數(shù)據(jù)分布相似，在大數(shù)據(jù)的驅(qū)動下，經(jīng)過不斷訓(xùn)練和優(yōu)化，這種基礎(chǔ)預(yù)測模型可以自主提取PPG信號中與血壓相關(guān)的特征并建立起這些特征和血壓值之間的關(guān)系，從而實現(xiàn)利用PPG信號預(yù)測血壓。

(3)PPG測量血壓的兩種模式。分別為直接預(yù)測模式和標(biāo)定預(yù)測模式。直接預(yù)測模式為戴上O2ring指環(huán)后，直接預(yù)測的血壓數(shù)值可顯示在與指環(huán)藍(lán)牙鏈接的手機終端的樂普醫(yī)生APP上，APP血壓數(shù)值每分鐘可 更新1次。標(biāo)定預(yù)測模式為初始測量時，將動態(tài)血壓計實測的血壓值輸入手機樂普醫(yī)生APP標(biāo)定血壓處，標(biāo)定同時測得的PPG信號，APP顯示的血壓值即為標(biāo)定模式預(yù)測的血壓值，每分鐘亦可更新1次，不需要再次輸入。

1.4.2 動脈血壓計實測血壓

患者取平臥位，雙上肢平放與軀干兩側(cè)，使用美國迪姆動態(tài)血壓檢測儀隨機測量兩側(cè)臂部血壓，每30 min間隔測量一次。

1.5 觀察與評價指標(biāo)

觀察記錄患者各個時間點動態(tài)血壓計血壓實測值與PPG血壓計O2Ring指環(huán)直接預(yù)測值和標(biāo)定預(yù)測值隨時間變化趨勢。對兩種模式預(yù)測的血壓與實測血壓的各參數(shù)進行比較；對兩種模式預(yù)測的血壓與實測血 壓差值累計分布概率及分級，并采用“Spearman” 相關(guān)分析對兩種模式預(yù)測的血壓與實測血壓的相關(guān)性和一致性進行分析。

1.6 統(tǒng)計學(xué)方法

采用SPSS23.0軟件對數(shù)據(jù)進行分析。所有患者多次測量取平均值，符合正態(tài)分布的計量資料以均數(shù)±標(biāo)準(zhǔn)差(-x±s)表示，兩組間的比較采用配對t檢驗，多組間比較用方差分析，以P＜0.05為差異有統(tǒng)計學(xué)意義。動態(tài)血壓計實測值與O2Ring指環(huán)直接預(yù)測血壓值和標(biāo)

定預(yù)測血壓值的相關(guān)性用“Pearson”相關(guān)分析。不符合正態(tài)分布的計量資料采用Wilcoxon符號秩和檢驗。

2結(jié)果

2.1 兩種模式各時間點血壓測量值趨勢

對41例患者的血壓經(jīng)過連續(xù)測量，共采集446個時間點數(shù)據(jù)，患者各個時間點動態(tài)血壓計實測值和 O2Ring指環(huán)直接預(yù)測值、標(biāo)定預(yù)測值，動態(tài)血壓計實測血壓值和直接預(yù)測值和標(biāo)定預(yù)測值變化趨勢較一致，標(biāo)定預(yù)測值與動態(tài)血壓計實測血壓值擬合更好，見圖1。

注：①圖中A為一患者收縮壓隨時間變化的趨勢圖，B為 同一患者舒張壓隨時間變化的趨勢圖；②圖中紅色為動態(tài)血 壓計實測血壓值，綠色為直接預(yù)定方法預(yù)測出的血壓值，藍(lán)色為標(biāo)定預(yù)測方法預(yù)測出的血壓值。

圖1 測試患者收縮壓和舒張壓隨時間變化的趨勢圖

2.2 兩種模式預(yù)測的血壓與實測血壓各參數(shù)比較

41例患者446個時間點測得的血壓值數(shù)據(jù)符合正態(tài)性分布，收縮壓的動態(tài)血壓計平均值、直接預(yù)測平均值和標(biāo)定預(yù)測平均值分別為(124±21)mmHg、(126±9)mmHg和(123±17)mmHg；舒張壓分別為(72±14)mmHg、(79±5)mmHg和(72±11)mmHg；兩種模式收縮壓、舒張壓的實測值與直接預(yù)測值、標(biāo)定 預(yù)測值值比較，差異無統(tǒng)計學(xué)意義(t=-0.237，t=1.738；

P＞0.05)；舒張壓O2Ring指環(huán)的直接預(yù)測值與實測值比較，差異有統(tǒng)計學(xué)意義(t=-6.332，P＜0.001)，舒張壓 O2Ring指環(huán)的標(biāo)定預(yù)測值與實測值比較，差異無統(tǒng) 計學(xué)意義(t=-1.371，P＞0.05)，采用標(biāo)定預(yù)測值更 能反映實際血壓，見表1。

2.3 兩種模式預(yù)測的血壓與實測血壓差值累計分布概率及分級

根據(jù)英國高血壓協(xié)會(British Hypertension Society，BHS)標(biāo)準(zhǔn)對測量誤差進行了評估，評估結(jié)果 顯示收縮壓和舒張壓的直接預(yù)測<5 mmHg、<10 mmHg 及<15 mmHg累計分布概率均低于標(biāo)定預(yù)測相應(yīng)值， 等級評估顯示直接預(yù)測方法均為C級，標(biāo)定預(yù)測方法 均為A級，標(biāo)定預(yù)測值更符合標(biāo)準(zhǔn)，見表2。

2.4 兩種模式預(yù)測的血壓與實測血壓相關(guān)性分析

三種方法測量收縮壓、舒張壓數(shù)據(jù)均符合正態(tài)分布，收縮壓的動態(tài)血壓計實測值與直接預(yù)測值和標(biāo)定

表1 兩種模式預(yù)測的血壓與動態(tài)血壓計實測血壓的比較(mmHg)

表2 直接預(yù)測和標(biāo)定預(yù)測與實測值差值累計分布概率及分級(%)

預(yù)測值皮爾遜相關(guān)系數(shù)分別為0.5195、0.8828；舒張壓的動態(tài)血壓計實測值與直接預(yù)測值和標(biāo)定預(yù)測值皮爾遜相關(guān)系數(shù)分別為0.4333、0.7544；標(biāo)定預(yù)測的一致性比直接預(yù)測效果更好，見圖2。

圖2 收縮壓和舒張壓的動態(tài)血壓計實測值分別與直接測量和標(biāo)定預(yù)測相關(guān)性散點圖

注：圖中A為收縮壓動態(tài)血壓計實測值與直接預(yù)測值相關(guān)系數(shù)圖；B為收縮壓動態(tài)血壓計實測值與標(biāo)定預(yù)測值相關(guān)系數(shù)圖；C為舒張壓動態(tài)血壓計實測值與直接預(yù)測值相關(guān)系數(shù)圖；D為舒張壓動態(tài)血壓計實測值與直接預(yù)測值相關(guān)系數(shù)圖，r=0.7544。

2.5 兩種模式預(yù)測的血壓與實測血壓值一致性分析

在一致性分析中共有446個點，其中直接預(yù)測的收縮壓和舒張壓分別有427個和425個位于95%一致性界限內(nèi)，比例分別為95.74%和95.3%；標(biāo)定預(yù)測的收縮壓和舒張壓分別有431個和421個位于95%一致性界限內(nèi)，比例分別為96.64%和94.44%；雖然一致性百分比相差無幾，但標(biāo)定預(yù)測值-實測血壓值在95%界限內(nèi)分布更均勻，兩種模式預(yù)測的血壓與實測血壓值 一致性分析見圖3。

圖3 兩種模式預(yù)測的血壓與實測血壓值一致性分析散點圖

注：圖中A為收縮壓動態(tài)血壓計實測值與直接預(yù)測值一致性分析；B為舒張壓動態(tài)血壓計實測值與直接預(yù)測值一致性分析；C為收縮壓動態(tài)血壓計實測值與標(biāo)定預(yù)測值一致性分析；D為舒張壓動態(tài)血壓計實測值與直接預(yù)測值一致性分析。

3討論

PPG方法測量血壓是基于人體外周微血管容積變化 與脈搏、血壓密切相關(guān)，利用光信號探測隨心臟博動而產(chǎn)生的外周微血管容積的變化，并將這種變化用一維信號記錄下來監(jiān)測血壓；這種方法因與心臟的博動息息相關(guān)，所以能夠用來實時監(jiān)測血壓。近年來，伴隨著機器學(xué)習(xí)的興起，人工智能算法可以從PPG信號中提取更多的形態(tài)學(xué)特征,能夠更好預(yù)測血壓精度。

本研究探索PPG法結(jié)合深度卷積神經(jīng)網(wǎng)絡(luò)預(yù)測血壓的臨床準(zhǔn)確性和實用性，利用前期采集的大量數(shù)據(jù)深度學(xué)習(xí)，然后構(gòu)建回歸網(wǎng)絡(luò)綜合這些特征經(jīng)過反復(fù)訓(xùn)練得出與PPG信號對應(yīng)的血壓直接預(yù)測值，再利用 算法參照動態(tài)血壓計一次測得值可以預(yù)測出更準(zhǔn)確的連續(xù)標(biāo)定血壓值，既克服了傳統(tǒng)血壓計測量時不斷充放氣帶來不適的缺點，又彌補了單純PPG法預(yù)測血壓精度的不足。由于深度卷積神經(jīng)網(wǎng)絡(luò)的開放性，隨著采集數(shù)據(jù)量的越來越大，采集臨床數(shù)據(jù)越來越有代表性，將來預(yù)測血壓的準(zhǔn)確性會越來越高，這在 Liang等和Rastegar等的試驗中也得到佐證。

本研究兩種模式預(yù)測的血壓與實測血壓值一致性分析圖中，雖然舒張壓動態(tài)血壓計-直接預(yù)測值95% 一致性界限(limits of agreement，LOA)內(nèi)百分比 (95.3%)比動態(tài)血壓計-標(biāo)定預(yù)測值一致性界限內(nèi)百分比(94.44%)稍高，但血壓的判定需要結(jié)合差值實際分布均勻性以及臨床應(yīng)用等，標(biāo)定預(yù)測值更符合動態(tài)血 壓計實測值。

本研究存在的不足是臨床試驗的數(shù)據(jù)量還比較小，此外動態(tài)血壓計的波動性以及雙側(cè)肢體血壓的不一致性都可能造成偏倚，在今后研究中可加以進一步改進提升。

4結(jié)論

基于PPG信號和人工智能深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)算法模型的血壓計可以用來預(yù)測高血壓患者血壓，其中該血壓計的標(biāo)定預(yù)測血壓模式能更準(zhǔn)確的預(yù)測血壓，可供臨床參考應(yīng)用。