基於資料驅動學習的無袖式血壓量測系統

Data-Driven Learning for Cuffless Blood Pressure Estimation

陳俊衞(Chun-Wei Chen)

指導教授 ： 張文輝

國立交通大學/電機學院/電機工程系所/碩士(2018年)

摘要

基於 資料驅動學習的無袖式血壓量測系統 資料驅動學習的無袖式血壓量測系統 資料驅動學習的無袖式血壓量測系統 資料驅動學習的無袖式血壓量測系統
研究生： 陳俊衞 指導教授：張文輝博士
國立交通大學
電機工程研究所
中文摘要
近年來 心血管疾病的患者日漸增加 ，因此 ，因此 便於穿戴以及長時間連續 便於穿戴以及長時間連續 監測的無 袖式血壓 計成為研究 重點 。本論文旨在開發非侵入式的無袖血壓量測系統，以 本論文旨在開發非侵入式的無袖血壓量測系統，以 本論文旨在開發非侵入式的無袖血壓量測系統，以 期能同時兼顧長間 連續監測並讓受者免於不適感的設計需求。有別前人研 連續監測並讓受者免於不適感的設計需求。有別前人研 連續監測並讓受者免於不適感的設計需求。有別前人研 連續監測並讓受者免於不適感的設計需求。有別前人研 究聚焦於線性回歸的生理模型法，我們提出資料驅動是結合心電圖與光體積 究聚焦於線性回歸的生理模型法，我們提出資料驅動是結合心電圖與光體積 究聚焦於線性回歸的生理模型法，我們提出資料驅動是結合心電圖與光體積 究聚焦於線性回歸的生理模型法，我們提出資料驅動是結合心電圖與光體積 描記圖法兩種 生理訊號 ，並分別利用前饋式神經網路以及長短期記憶型 ，並分別利用前饋式神經網路以及長短期記憶型 ，並分別利用前饋式神經網路以及長短期記憶型 遞迴神經 網路 來建構非線性的血壓估測模型。至於神經網路輸出，我們探討兩種不 來建構非線性的血壓估測模型。至於神經網路輸出，我們探討兩種不 來建構非線性的血壓估測模型。至於神經網路輸出，我們探討兩種不 來建構非線性的血壓估測模型。至於神經網路輸出，我們探討兩種不 來建構非線性的血壓估測模型。至於神經網路輸出，我們探討兩種不 同方式 :動脈血壓 以及收縮動脈血壓 以及收縮/舒張壓。 動脈血壓估測是以 動脈血壓估測是以 取樣點為單位 取樣點為單位 取樣點為單位 ，透過神 經網路 建構其生理訊號與連續性動脈血壓的 相關性。 收縮壓 /舒張壓估測則 是以心跳週期為單位 ，透過神經網路 ，透過神經網路 建構其生理訊號與收縮壓 /舒張壓的 相關性 。 針對 MIMIC III資料庫的 資料庫的 資料庫的 實驗結 果顯示，基於 長短期記憶 的收縮壓 /舒張壓 估測 模型的整體效能最好，不僅 準確估測血壓且 大幅縮短其模型訓練時間 ，在 16位 病人中有 93.75%的血壓估測誤差達到國際組織 AAMI規定的 標準 (5mmHg以下 )內。相較而言 內。相較而言 內。相較而言 ，基於 前饋式神經網路 前饋式神經網路 的動脈血壓 估測模型則只有 62.5%的病人達 到 AAMI規定誤差內。
關鍵字 ：無袖式血壓量測、 無袖式血壓量測、 無袖式血壓量測、 生理模型 、資料驅動 資料驅動 、心電圖 、光體積描記圖法 光體積描記圖法 、動 脈

關鍵字

無袖式血壓量測 ； 生理模型 ； 資料驅動 ； 心電圖 ； 光體積描記圖法 ； 動脈血壓 ； 收縮壓 ； 舒張壓 ； 前饋式神經網路 ； 遞迴神經網路 ； 長短期記憶

並列摘要

Data-Driven Learning for Cuffless Blood Pressure Estimation
Student: Chun-Wei Chen Advisor: Dr. Wen-Whei Chang
Institute of Electrical and Computer Engineering,
National Chiao Tung University
Hsinchu, Taiwan
Abstract
Recent increase in cardiovascular patients has motivated the development of non-invasive blood pressure measurement. Goal of this study is to develop cuffless blood pressure measurement which is suitable for wearable long-term monitoring. Unlike previous works that applied physiology modeling methods based on linear regression, we propose a data-driven method based on feed-forward neural network (FNN) and recurrent neural network with long short-term memory (LSTM). Both the electrocardiogram (ECG) and photoplethysmography (PPG) are considered as input signals to the system. The output of neural network can be classified into two types: arterial blood pressure (ABP) and systolic/diastolic blood pressure (SBP/DBP). While the ABP estimation aims to estimate the continuous ABP signal sample-by-sample, the SBP/DBP estimation is carried out once per heartbeat cycle. Experiments on 16 patients from MIMIC III database show that LSTM-based SBP/DBP estimation not only accurately estimates blood pressure but also significantly reduces the training time. The percentage of blood estimation errors within the AMMI standard (under 5mmHg) is 93.75% for LSTM-based SBP/DBP estimation, compared to 62.5% for FNN-based ABP estimation.
Keywords :Cuffless blood pressure measurement, physiology modeling, data-driven, electrocardiogram (ECG), photoplethysmography (PPG), arterial blood pressure, systolic blood pressure, diastolic blood pressure, Feed-forward neural network, Recurrent neural network, long short-term memory

並列關鍵字

Cuffless blood pressure measurement ； physiology modeling ； data-driven ； electrocardiogram (ECG) ； photoplethysmography (PPG) ； arterial blood pressure ； systolic blood pressure ； diastolic blood pressure ； Feed-forward neural network ； Recurrent neural network ； long short-term memory

參考文獻

參考文獻

[1] 衛生福利部,105年國人死因統計結果, https://www.mohw.gov.tw/cp-16-33598-1.html

[2] S. Ghosh, A. Banerjee, N. Ray, P. W. Wood, P. Boulanger, R. Padwal, "Continuous blood pressure prediction from pulse transittime using ECG and PPG signals", 2016 IEEE Healthcare Innovation Point-Of-Care Technologies Conference (HI-POCT), pp. 188-191, 2016.

[3] Q. Zhang, D. Zhou, X. Zeng, "Highly wearable cuff-less blood pressure and heart rate monitoring with single-arm electrocardiogram and photoplethysmogram signals", Biomed. Eng. OnLine, vol. 16, no. 1, pp. 23, 2017.

[4] S. S. Thomas et al., "BioWatch 2014; A wrist watch based signal acquisition system for physiological signals including blood pressure", Proc. IEEE 36th Annu. Int. Conf. Eng. Med. Biol. Soc., pp. 2286-2289, 2014.