摘要
本文提出了一种个性化的机器学习模型，利用患者先前的BP和PPG (photoplethysmogram)信号来估计BP, PPG信号是最简单、最流行的非侵入性诊断工具。为了更好地利用PPG信号中包含的信息，本文提出应用小波分解从PPG信号中提取特征。使用指数加权移动平均(EWMA)和峰值检测技术对动脉血压(ABP)时间序列进行处理，得出SBP、DBP及其相应的趋势。最后，利用随机森林模型构建基于这些特征的预测模型。使用MIMIC数据集与其他BP估计方法进行分析比较。实验结果表明，与现有方法相比，该方法具有更小的估计误差，SBP和DBP的平均误差(MAE)分别为3.43和1.73。
方法数据集和BP估计框架
我们提出的框架的框图如图1所示。预处理阶段的第一个阶段是使用小波变换(WT)的时间序列分解，这是一种在时域和谱域分析PPG信号的信号处理技术。本文使用平稳小波变换(SWT)推导出与原始PPG信号长度相等的额外特征。
图1：提出议框架的框图
下一步是从每个脉冲的原始ABP信号中提取SBP和DBP(最大和最小ABP)。我们采用了一种峰值检测技术，它使用ABP的移动平均作为阈值来确定ABP序列中的峰值指数。一旦这些指标已知，对每个患者的原始数据集进行下采样，仅包括每个峰值指标的BP和特征值。这将产生一个具有SBP值、相应的PPG和小波值的数据集。DBP指数通过对ABP序列进行反转来检测每个脉冲中的局部最小值。将DBP值与相应的PPG和小波值构建一个单独的数据集。SBP和DBP值以及原始ABP波形都可以在图2中看到。
图2：SBP和DBP值与原始ABP系列比较
一旦SBP和DBP数据集构建完成，SBP和DBP都包含一个额外的EWMA特征。理由是EWMA提供了SBP和DBP波形的低方差表示。在我们的研究中，EWMA系列被抵消了10分钟。最后，利用包含EWMA和小波分解PPG数据的衍生数据集，使用随机森林来估计当前的SBP和DBP。该模型对每个周期使用SBP和DBP特征的组合来估计SBP/DBP值。由于SBP和DBP具有很强的相关性，将SBP和DBP数据集合并到单个数据集可以提供更强的PPG和历史BP表示
小波分解
小波变换用于了解PPG信号在多个分辨率级别上的基本变化。虽然傅里叶变换被广泛用于提取信号中的全局频率，但它不能提供任何时域分辨率。也就是说，它不能确定特定频率分量出现的时间。与傅里叶中的正弦函数相比，小波分析通过将信号投影到小波函数来权衡频率分辨率和时间分辨率。将母小波函数定义为一个短时波，通过平移和改变母小波的频率得到其他小波。下面的方程描述了一个以平移和膨胀参数为参数的小波函数，其中b,a是母小波函数。Ψ( )
利用这些不同膨胀和平移的小波对PPG信号进行分解，以获得信号的高分辨率频率表示。上式表示连续小波变换。图3显示了SWT的滤波器表示，它由低通和高通滤波器的级联组成。 A_{i} 和 D_{i} 对应于第i层的近似和详细系数。这种级联滤波器允许提取PPG信号的多层频率表示。图4显示了一个PPG信号的片段和对应的多个层次的详细小波分量
图3: SWT的过滤器实现随机森林
在预处理阶段之后，使用SBP和DBP数据集来训练我们的机器学习模型。由于从平稳小波变换中获得的PPG信号的冗余表示，性能最好的机器学习算法必须对潜在的不相关特征具有鲁棒性。即使在使用冗余特征时，随机森林(RF)模型也具有良好的性能。此外，随机森林模型只有两个主要参数，使得参数调优过程比深度学习方法更容易处理。对参数不敏感的模型可以更容易地应用于新的患者数据。
随机森林是一个集成模型，它训练多棵决策树，并在进行预测时对每棵树的输出进行平均。每棵树从输入的PPG数据中学习决策规则，从而最大限度地减少目标血压值的方差。每棵树都由三种节点组成:1)根节点，在进行任何划分之前输入所有数据;2)决策节点，根据特征值进行数据划分;3)叶节点，不再进行划分。因为SBP和DBP是连续值，所以这些树被称为回归树。当给定一个新的数据样本时，每棵决策树都会输出该样本所在叶节点的平均值。
随机森林利用了一组弱学习器(决策树)可以形成强学习器的原理。Bootstrap聚合是用于训练随机森林的方法。数据样本从整个数据集中随机抽取并替换，形成与原始数据集大小相同的bootstrap数据集。每棵决策树都使用不同的bootstrap数据集进行训练。这个过程减少了整体模型的方差，因为输出是对所有单个树的平均。此外，偏差保持不变，因为每棵树都是同分布的，因此树的平均值的期望等于任何单个树的期望。因此，RF通过在保持相同偏差的情况下降低方差来降低整体误差。
结论
本文提出了一种新的连续BP估计的机器学习方法。所提出的预处理框架成功地从原始PPG和ABP信号中提取信息。我们使用小波分解从PPG序列中提取特征，并以指数加权移动平均的形式使用历史BP信息，为BP估计提供了一组鲁棒的特征。通过加入额外的历史BP特征，性能大大提高，这表明在估计新的BP值时需要考虑过去的BP信息。此外，当结合SBP和DBP特征集时，我们表现最好的模型超过了基于cuff的标准和所有其他关于该主题的研究。在提供新患者的PPG和BP数据的情况下，该方法可用于构建个性化的BP估计模型，并进行连续的BP测量。未来的工作涉及开发一种方法，将现有模型转移到没有足够个人数据来形成自己模型的新患者身上。
