[论文解读] Feature Exploration for Knowledge-guided and Data-driven Approach Based Cuffless Blood Pressure Measurement

Xiaorong Ding, Bryan P. Yan+4 more|arXiv (Cornell University)|Aug 27, 2019

Non-Invasive Vital Sign Monitoring参考文献 13被引用 7

一句话总结

本研究提出了一组扩展的222个基于心电图（ECG）和光电容积脉搏波（PPG）的特征，以通过知识引导与数据驱动模型提升无袖带血压（BP）估算的准确性。研究发现，脉搏波在半最大幅度处的宽度（PWFM）是收缩压和平均血压最强的预测因子，而dPPG至sdPPG的振幅以及R波至sdPPG的时序关系则对舒张压和脉压最为相关，显著提升了连续、无创血压监测的准确性。

ABSTRACT

This study explores extended feature space that is indicative of blood pressure (BP) changes for better estimation of continuous BP in an unobtrusive way. A total of 222 features were extracted from noninvasively acquired electrocardiogram (ECG) and photoplethysmogram (PPG) signals with the subject undergoing coronary angiography and/or percutaneous coronary intervention, during which intra-arterial BP was recorded simultaneously with the subject at rest and while administering drugs to induce BP variations. The association between the extracted features and the BP components, i.e. systolic BP (SBP), diastolic BP (DBP), mean BP (MBP), and pulse pressure (PP) were analyzed and evaluated in terms of correlation coefficient, cross sample entropy, and mutual information, respectively. Results show that the most relevant indicator for both SBP and MBP is the pulse full width at half maximum, and for DBP and PP, the amplitude between the peak of the first derivative of PPG (dPPG) to the valley of the second derivative of PPG (sdPPG) and the time interval between the peak of R wave and the sdPPG, respectively. As potential inputs to either the knowledge-guided model or data-driven method for cuffless BP calibration, the proposed expanded features are expected to improve the estimation accuracy of cuffless BP.

研究动机与目标

• 从心电图（ECG）和光电容积脉搏波（PPG）信号中识别出与血压组分强相关的稳健、非侵入性生理特征。
• 支持知识引导与数据驱动模型的开发，以实现连续、无袖带血压监测。
• 评估特征在多个指标下的相关性：皮尔逊相关系数、交叉样本熵和互信息。
• 提供一个全面的特征集合，以提升无创血压估算系统的准确性和可靠性。

提出的方法

• 从冠状动脉造影和经皮冠状动脉介入治疗期间采集的ECG和PPG信号中提取222个特征。
• 同步记录动脉内血压作为验证的金标准。
• 应用皮尔逊相关系数分析，评估特征与血压组分（SBP、DBP、MBP、PP）之间的线性关系。
• 使用交叉样本熵评估特征的复杂性与时间动态特性。
• 采用互信息量化特征与血压值之间的非线性依赖关系。
• 基于统计显著性与对血压组分的相关性，筛选出表现最佳的特征。

实验结果

研究问题

• RQ1 在受控临床环境中，哪些基于ECG和PPG的衍生特征与收缩压（SBP）具有最强的相关性？
• RQ2 通过非线性和动态信号分析，哪些特征最能预测舒张压（DBP）、平均血压（MBP）和脉压（PP）？
• RQ3 交叉样本熵与互信息指标如何增强对血压估算中生理相关特征的识别？
• RQ4 在药物干预诱导的不同血流动力学状态下，哪些特征表现最为稳健？
• RQ5 知识引导与数据驱动的方法是否能从基于ECG和PPG信号扩展的特征空间中获益？

主要发现

• 脉搏波在半最大幅度处的宽度（PWFM）与收缩压（SBP）和平均血压（MBP）的相关性最高。
• dPPG波峰与sdPPG波谷之间的振幅差是预测舒张压（DBP）最相关的特征。
• R波波峰与sdPPG波谷之间的时间间隔与脉压（PP）具有最强的关联性。
• 特征相关性在不同血压组分间存在显著差异，表明需要针对不同组分进行特征选择。
• 结合皮尔逊相关系数、交叉样本熵与互信息，构建了一个稳健的框架，用于识别高潜力特征。
• 所提出的扩展特征集可作为知识引导或数据驱动模型的输入，显著提升无袖带血压估算的准确性。