文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.2016.11.013
中文引用格式： 龐宇,，黃俊驍，林金朝,，等. 一種頭戴式血壓測量改進方法的研究[J].電子技術(shù)應(yīng)用,，2016，42(11)：52-55.
英文引用格式： Pang Yu,，Huang Junxiao,，Lin Jinzhao，et al. Research on an improved headband blood pressure measurement method[J].Application of Electronic Technique,，2016,，42(11)：52-55.
0 引言
血壓是人體的重要生理參數(shù)之一,，能夠反應(yīng)出人體心臟和血管的功能狀況,，是臨床上判斷疾病、觀察醫(yī)療效果等的重要依據(jù),。目前,，測量人體血壓主要用無創(chuàng)測量的方式，包括柯氏音法,、示波法,、超聲法、動脈張力法和脈搏波速法等方法[1-4],。
近年來,，基于脈搏波傳導(dǎo)時間的無創(chuàng)血壓測量方法成為研究熱門。2006年,，Xiang Haiyan[5]等人提出了一次函數(shù)線性模型,，并且動脈血壓與脈搏波傳導(dǎo)時間(Pulse Transit Time，PTT)之間呈現(xiàn)負相關(guān),。2013年,，He Xiaochuan[6]等人通過計算光電容積脈搏波（photoplethysmography，PPG）信號的最大值點與心電（electrocardiogram,，ECG）信號R波峰的時間差值得到PTT,，并計算出血壓。2015年,，許林和高鯤鵬[7]提出了基于卡爾曼濾波的數(shù)據(jù)融合方法,，提高了連續(xù)血壓檢測的測量精度。
本文將兩種生理信號的采集集中在頭部,，提出了一種改進的血壓計算方法,，提取PPG信號的一階微分最大點計算PTT，并加入卡爾曼濾波器消除隨機干擾,，以提高血壓檢測的準確性,。
1 血壓測量方法
1.1 脈搏波速法
脈搏波速法利用脈搏波傳導(dǎo)時間與血壓之間的關(guān)系進行血壓的計算，其關(guān)系如下[8]：
1.2 脈搏波傳導(dǎo)時間的計算
PTT的計算與PPG信號特征點的選取有關(guān),，因此,，不同特征點的選取將會直接影響血壓測量的準確程度,。PTT計算的示意圖如圖1。在PPG信號上定位的兩個特征點分別是：一階微分最大點（圖1中點1）和最大值點（圖1中點2）,。文中將一階微分最大值點作為特征點來計算PTT（圖1中PTT1）,。
PTT的計算公式為：
式中，P為PPG信號特征點,，R為ECG信號特征點,，fs為采樣頻率。
1.3 基于卡爾曼濾波的血壓計算
卡爾曼濾波[9]是一個最優(yōu)化自回歸數(shù)據(jù)處理算法,，通過系統(tǒng)輸入輸出觀測數(shù)據(jù),，對系統(tǒng)狀態(tài)進行最優(yōu)的估計，以消除隨機干擾,。其標準公式為式(4)～式(10),。一個線性離散系統(tǒng)的信號模型為：
式(4)和式(5)中，X(k)是系統(tǒng)狀態(tài),，U(k)是對系統(tǒng)的控制量,，Z(k)是測量值，W(k),、V(k)為過程和測量噪聲,，其協(xié)方差分別為Q和R。
根據(jù)信號模型進行系統(tǒng)預(yù)測和協(xié)方差更新：
式中,，X(k|k-1)是利用上一狀態(tài)預(yù)測的結(jié)果，X(k-1|k-1)是上一狀態(tài)最優(yōu)的結(jié)果,，U(k)為現(xiàn)在狀態(tài)的控制量,，P(k|k-1)為相應(yīng)狀態(tài)對應(yīng)的協(xié)方差。
根據(jù)現(xiàn)有狀態(tài)作最優(yōu)化估計：
式中,，X(k|k)為最優(yōu)化估算值,，Kg(k)為卡爾曼增益，P(k|k)為更新的協(xié)方差,。
人體血壓值的測量可以看作是一個線性離散系統(tǒng),，由于在一段時間內(nèi)血壓保持相對穩(wěn)定，因此,，在式(4)～式(10)中,，A為1、B為0,、Q為0,、H為1、W(K)=0,。
將計算得到的血壓值作為X(k)進行卡爾曼濾波,，可得到去除隨機干擾的血壓值,，其顯著效果是降低最大誤差和平均誤差率。
2 系統(tǒng)實現(xiàn)
2.1 硬件設(shè)計
傳統(tǒng)的心電信號采集通過胸前導(dǎo)聯(lián)測得,，脈搏波信號通過指尖光電傳感器測得,，由于兩部位較為分散，導(dǎo)致設(shè)備應(yīng)用體驗較差,。本裝置將信號采集集中在頭部,，更為輕便快捷。如圖2所示,，心電信號的采集位于臉頰處（圖2中點1,、點2），脈搏波信號的采集位于額頭,，具有體積小,、易攜帶、易測量,、低功耗,、可穿戴的特點。
本裝置主要包括電源模塊,、微處理器,、心電采集模塊、脈搏波采集模塊,、藍牙模塊,，其系統(tǒng)架構(gòu)如圖3。
其中,，電源模塊搭載鋰電池向整個系統(tǒng)供電,；微處理器為MSP4302418，控制信號的采集,、處理和傳輸,；心電采集模塊通過ADS1292R采集臉頰的心電信號，并通過SPI與主芯片進行數(shù)據(jù)傳輸,；脈搏波采集模塊通過反射式探頭采集額頭的PPG信號,，探頭內(nèi)部搭載的光頻轉(zhuǎn)換器將光強轉(zhuǎn)化成頻率，主芯片利用定時器的捕獲功能獲取信號,；藍牙模塊將處理后的數(shù)據(jù)以及測出的各參數(shù)發(fā)送到終端,。
2.2 軟件設(shè)計
系統(tǒng)軟件主要由微處理器完成，主要工作包括信號的采集和處理,、特征點的定位,、生理參數(shù)的計算和卡爾曼濾波，其工作流程如圖4,。由于原始生理信號微弱且干擾大,，需對ECG信號和PPG信號進行一系列預(yù)處理,，得到干凈、穩(wěn)定的波形,；通過差分閾值法可快速定位ECG信號的R波,，通過差分異號法可定位PPG信號的最大值點，通過二階差分平方法可定位PPG信號的一階微分最大點,；計算PTT后代入線性血壓模型得到血壓值,，將動態(tài)窗內(nèi)的血壓通過卡爾曼濾波器，去除隨機干擾,；最后將血壓值等參數(shù)通過UART發(fā)送,。
3 實驗結(jié)果與分析
利用文中設(shè)計的頭戴式血壓測量裝置進行一系列實驗，對比改進的血壓測量方法與傳統(tǒng)方式,。在實驗中,，方案1為基于PPG信號最大值點計算血壓，方案2為基于PPG信號一階微分最大點計算血壓,，方案3在方案2的基礎(chǔ)上加入卡爾曼濾波器,。
3.1 穩(wěn)定性對比
因為血壓在同一狀態(tài)一定時間內(nèi)會維持相對穩(wěn)定的值，所以PTT值的穩(wěn)定性直接影響到血壓測量的穩(wěn)定性,。利用血壓檢測裝置對5名實驗者進行檢測,，提取10個周期的PTT值，計算標準差進行對比,，實驗結(jié)果如表1,。
從表1可以看出，方案1和方案2的PTT標準差較小,，穩(wěn)定性好,，適用于血壓檢測。對比發(fā)現(xiàn),，在5名實驗者中,，4人方案2所測的PTT標準差低于方案1,，表明實驗方案2測得的數(shù)據(jù)更穩(wěn)定,。
3.2 準確性對比
實驗選取10名志愿者，首先進行個體參數(shù)的標定,，確定每位實驗者的血壓模型后,，在3種實驗方案下，用標準血壓計和頭戴式血壓測量裝置同時測試靜止狀態(tài)下6組血壓值,，將實測血壓與標準血壓進行對比,，計算平均誤差率、最大誤差和均方根誤差（表征測量值與標準值偏差的具體數(shù)值）,。由于收縮壓與PTT的關(guān)聯(lián)程度較高,，因此根據(jù)收縮壓的測量結(jié)果評判3種實驗方案的準確性,。實驗方案的準確性參數(shù)對比如表2所示。分析表2數(shù)據(jù)可以發(fā)現(xiàn)：
(1)方案2與方案1對比：8人方案2的平均誤差率和均方根誤差較低,，7人方案2的最大誤差較低,，方案2中3種準確性參數(shù)的均值都低于方案1。結(jié)果表明,，基于PPG信號一階微分最大點計算血壓的方法能夠提高準確性,。
(2)方案3與方案2對比：10人方案3的平均誤差率較低，7人方案3的最大誤差較低,，9人方案3的均方根誤差較低,，方案3中3種準確性參數(shù)的均值都低于方案2。結(jié)果表明,，將方案2中所測血壓通過卡爾曼濾波能有效提高準確性,，并能夠顯著降低最大誤差和誤差擺動。
3.3 實驗結(jié)論
本次實驗對3種實驗方案進行了穩(wěn)定性和準確性的詳細對比,。在穩(wěn)定性對比中,，方案2的PTT數(shù)據(jù)波動小，適于血壓的測量,，同時穩(wěn)定性要優(yōu)于方案1,。在準確性對比中，方案2優(yōu)于方案1,，證明改進方法中基于PPG信號一階微分最大點計算PTT的有效性,；方案3優(yōu)于方案1和方案2，證明改進方法中利用卡爾曼濾波消除血壓隨機干擾的有效性,。
在準確性實驗中與標準血壓計對比,，方案3每次測量的誤差都在10 mmHg以內(nèi)，且誤差率均在5%以內(nèi),，能夠達到AAMI國際標準對無創(chuàng)血壓監(jiān)測誤差的要求,。
通過一系列實驗證明，相較于傳統(tǒng)測量方法,，本文提出的頭戴式血壓測量改進方法能夠在穩(wěn)定性和準確性上有所提高,。
4 總結(jié)
傳統(tǒng)的心電信號采集和脈搏波信號采集需在胸前和指尖，操作復(fù)雜,。本文設(shè)計的頭戴式血壓測量裝置將兩種信號的采集集中在頭部,，很大程度上提高了信號采集的方便性和舒適度。
傳統(tǒng)的脈搏波傳導(dǎo)時間是基于PPG信號的最大值點進行計算,，本文提出基于PPG信號一階微分最大點進行計算,，并通過卡爾曼濾波器對所測血壓進行處理。實驗表明,，采用改進方法測量血壓的方案在穩(wěn)定性和準確性上都較好,，能夠滿足國際標準對無創(chuàng)血壓測量的要求,。
頭部所采集的ECG信號和PPG信號與傳統(tǒng)部位采集的信號相比更加微弱，若在硬件采集,、軟件處理和算法處理上更精確,，則會使血壓測量更靈敏和準確。今后將會在這些方向上進行更深入的探究,。
參考文獻
[1] KOOHI I,，AHMAD S，BATKIN I,，et al.Method for evaluation of trustworthiness of oscillometric blood pressure measurements[C].2015 IEEE International Symposium on Medical Measurements and Applications(MeMeA),，Turin：IEEE Press，2015：267-272.
[2] SEO J,，PIETRANGELO S J,，LEE H S，et al.Noninvasive arterial blood pressure waveform monitoring using twoelement ultrasound system[J].IEEE Transactions on Ultrasonics,，F(xiàn)erroelectrics,，and Frequency Control，2015,，62(4)：776-784.
[3] LEE B,，JEONG J，KIM J,，et al.Cantilever arrayed blood pressure sensor for arterial applanation tonometry[J].IET Nanobiotechnology,，2014，8(1)：37-43.
[4] MUKKAMALA R,，HAHN J O,，INAN O T，et al.Toward ubiquitous blood pressure monitoring via pulse transit time：theory and practice[J].IEEE Transactions on Biomedical Engineering,，2015,，62(8)：1879-1901.
[5] XIANG H Y，YU M S.Continuous measurement of blood pressure using pulse wave transit time[J].Chinese Medical Equipment Journal,，2006,，27(2)：19-21.
[6] HE X C，RAFIK A G,，LIU X P.Evaluation of the correlation between blood pressure and pulse transit time[C].2013 IEEE International Symposium on Medical Measurements and Applications Proceedings(MeMeA),，Gatineau：IEEE Press,，2013：17-20.
[7] XU L,，GAO K P.Continuous blood pressure measurement algorithm based on PPG signal quality assessment[C].2015 27th Chinese Control and Decision Conference(CCDC)，Qingdao：IEEE Press,，2015：6138-6143.
[8] MAZAHERI S,，ZAHEDI E.A comparative review of blood pressure measurement methods using pulse wave velocity[C].2014 IEEE International Conference on Smart Instrumentation,，Measurement and Applications(ICSIMA)，Kuala Lumpur：IEEE Press,，2014：1-5.
[9] KURYLYAK Y,，BARBE K，LAMONACA F,，et al.Photo-plethysmogram-based blood pressure evaluation using kalman filtering and neural networks[C].2013 IEEE International Symposium on Medical Measurements and Applications Proceedings(MeMeA),，Gatineau：IEEE Press，2013：170-174.