文摘

目前动脉粥样硬化(AS)评估设备用户随身携带的缺点。针对这个缺点,我们建议收集手腕photoplethysmograph (PPG)信号和创建模型来预测动脉粥样硬化的指标(心血管年龄和右臂踝脉搏波速度(baPWV))。本研究使用最大相关系数法进行特征选择和建立多个模型来预测心血管baPWV年龄和正确的。研究结果表明,该预测心血管疾病的年龄使用反向传播(BP)神经网络模型是最好的。皮尔森相关系数(PCC) 0.9501 ( ),和模型发现最好的六个生理特性峰值时间(CT)、峰值时间比率(CTR),污水K刚度指数(SI)、反射指数(RI)和心率(HR)。当预测正确的baPWV值在右边,我们提出一个混合方法MLR_BP,比BP和高钙更好的实验结果。MLR_BP模型提高了预测精度,预测PCC值是0.9204 ( ),和模型只需要两个特点、人力资源和心血管的年龄。本研究进一步验证了相关文献的结果,证明和相关生理参数之间的关系。该方法应用于可穿戴设备和有应用价值为诊断和预防心血管疾病。

1。介绍

根据世界心脏联盟在世界心脏会议上报告,大约有2000万人死于各种心血管疾病(CVD)在全球范围内每年。据估计,从多个心血管疾病死亡的人数将会超过3000万年的2025 (1]。2018年“中国心血管健康和疾病报告”指出,中国的心血管疾病患病率和死亡率仍在上升。据估计,有2.7亿心血管疾病患者,和心血管疾病死亡人数占40%以上的居民的疾病死亡率,这是高于肿瘤和其他疾病(2]。其中,动脉硬化()是心血管疾病的一个重要预测。因此,预防的关键是降低心血管疾病的风险(3]。可以诊断的磁共振成像、超声和其他临床方法。然而,这需要专业设备,成本高,操作复杂,不能动态地获取状态在任何时间。一个可移植的发展,非侵入性的诊断可穿戴设备的早期筛查和诊断心血管疾病有积极意义。

弗明汉心脏病研究提出心血管年龄和心血管风险作为新指标来衡量。该研究使用因素如性别、年龄、收缩压预测心血管年龄和心血管疾病的风险4]。近年来,大量的研究认为,生理参数如踝肱指数(ABI)和脉搏波速度(采集)是重要的评价指标5,6]。采集测量不同部位有重要价值的评估,如臂踝脉搏波速度(baPWV)和carotid-femoral动脉采集(cfPWV)。然而,这些采集测量方法一般有复杂操作的缺点,不方便随身携带。由于心血管时代的重要作用和baPWV预测,我们的研究预测两个基本生理指标使用手腕分作为研究目标。

采集是一个独立的心血管风险预测因子(7]。心血管的年龄也是一个黄金标准的评估。现有的研究使用PPG信号来评估血压,动脉硬化,等等,和收集到的信号都集中在手指上。在日常生活中,收集手指信号降低了用户的舒适。手腕有厚的皮肤和血管较少,和它的符号是弱的手指。因此,基于手腕的PPG信号特性分析更为复杂,但为用户提供更好的安慰。本研究首先收集手腕PPG信号,提取相关特征,然后建立一个心血管年龄预测模型来提高用户的舒适。baPWV和主动脉采集之间的相关性很高。同时,左派和右派的相关系数baPWV很高。因此,这项研究做出了正确的baPWV为例建立baPWV预测模型和使用的预测心血管年龄和baPWV无创和动态监测。

本文的主要贡献如下:(1)通过许多实验分析,我们发现最好的特征子集和最好的模型预测心血管疾病的年龄。(2)当预测正确的baPWV,我们提出MLR_BP模型,提高了预测精度,进一步验证和心血管年龄相关。(3)我们的研究发现,心率(HR) baPWV在预测中扮演着重要的角色,表明人力资源有一个特定的关系。它可以提供一个方便的方法来监控。(4)该模型具有更少的特征参数,具有较低的计算资源开销,可以嵌入在可穿戴设备,提高舒适的用户体验。它有特定的参考意义的检测和预防心血管疾病。

在报纸上有六个部分,每个部分的内容如下。

在第一部分“介绍”,首先,介绍了论文研究的背景和意义。然后,介绍了现有的评估方法,包括ABI、采集,和心血管的年龄,和相关研究的缺点。最后,本文的研究内容和创新。

在第二部分“相关工作”,我们主要介绍相关研究从PPG信号中提取各种特征参数来评估心血管功能、血压等生理指标。

第三节“材料和方法”,在这部分有四个小的部分。首先介绍数据采集对象,其次,PPG信号处理过程。然后,介绍了特征提取和特征选择的方法。最后是模型的建设,包括高钙,SVR, BP,我们提议MLR_BP模型。

在第四部分“结果”,在这部分有四个小的部分。首先,我们引入模型中特征选择的结果在预测心血管疾病的年龄。其次,我们显示模型的精度性能在预测心血管疾病的年龄。然后,我们目前的模型特征选择的结果在预测baPWV。最后,我们提供了模型的性能预测的准确性baPWV的权利。同时,分析结果来验证我们的贡献。

在第五节”的讨论,“我们讨论之间的关系实验结果和相关文献的结论。实验结果进一步验证了相关文献的结果。同时,从实验结果有新发现。

在第六部分“结论”,我们总结的工作纸及相关结论,以及不足和未来的工作。

2。相关工作

分包含心血管类生理和病理信息,如心脏脉动功能、血液动力学、血管疾病(8,9]。PPG跟踪方法noninvasiveness的优点,方便,成本低。同时,PPG信号相对容易获得所有medical-biological特性之一。因此,越来越多的学者使用分波形检测人类生理指标,如血压、血糖、血氧饱和度,心,和其他生理指标。脉搏波分析(PWA)是一个典型的研究方法,它被广泛用于中国和西方医学(10,11]。

Nidigattu等人使用PPG信号提取特征工程寻找最佳特征子集预测心率和血压(12]。张等人使用PPG信号中提取特征,建立了一个机器学习模型来premeasure血糖,从而改变现有的侵入性测量方法(13]。教练李嘉图等人提出,PPG信号在通过multi-Gaussian手指评估心血管功能配件(14]。赵等人建立了一个共同的框架由PPG信号在运动心率监测。它可以用于分心率监测高强度体育活动和可以应用于健康智能可穿戴设备的跟踪和健康信息跟踪15]。沈等人记录PPG信号在自由环境,深入学习算法用于检测心房颤动(房颤)的发病16]。Tjahjadi等人准确的血压类型进行分类基于双向长期和短期记忆和PPG信号的时频分析(17]。

上述研究从PPG信号中提取不同的特征参数研究心血管系统的相关条件。具有重要意义的实现快速、无损监测心血管疾病。PPG信号收集的手腕运动构件可极大地影响。上述研究没有收集分析和处理信号的手腕。他们还没有被应用于可穿戴设备实时和无创检测心血管疾病相关的指标。因此,评价指标的基础上,分信号在手腕具有十分重要的意义。

3所示。材料和方法

3.1。研究对象的选择和数据收集

在这个实验中,自主研发的手表是用来收集PPG信号的手腕。PPG信号传输到智能手机通过蓝牙,可以发送到计算机。在实验中,标准心血管检测设备收集测试受试者的心血管的年龄。左下肢ABI和测试设备测试,右下肢ABI, baPWV baPWV,正确的。37为这个实验中,受试者招募20岁男性和17名女性24 - 66。人口选择代表。

在这项实验中,每个主题都需要使用一个手表来收集心电图和PPG信号同时1分钟。采样频率为500赫兹,和信号点的数量积累在1分钟是30000年。以弥补小数量的参与者,我们随机选择3000点信号去噪和特征提取和其他信号点用于数据增强。模拟实验是370人口。减少计算资源和促进算法集成到可穿戴设备,我们只分析PPG信号。参与者并没有从事中等或高强度运动前1小时内超过10分钟的实验。

3.2。PPG信号处理

我们使用离散小波变换滤波器高频噪声和差分信号的最大值点识别算法起点识别。我们使用基于起点的基线校正算法来解决滤波器基线漂移和使用“时域分析”和“导数函数分析方法”来提取特征点。我们使用阈值方法来提取典型的特征点,并将它们显示在波形图。信号处理流程如图1,图2在手腕和收集到的原始分波形去噪后的波形。

3.3。特征提取和特征选择

在去噪PPG信号,提取的相关索引是根据“时域分析方法”和“导数函数分析方法。“总共10特性指标提取。10个索引的详细定义如表所示1。图3显示了PPG的典型特征。一个是起点,B是主要的波,C是下行中产峡谷波,D是重脉的波,T是一个完整的脉搏波的持续时间,K斜率是。相关指数计算公式如下: 在哪里收集到的分,是问的峰值(t)是问(t谷,T是脉动周期。

的最佳特征子集选择培训,减少功能,使模型更通用。实验采用皮尔逊相关系数(PCC)特征选择的方法。找到最好的特征子集为每台机器学习算法模型,和整个过程如图4。

特征选择方法分为三种类型:包装,嵌入式,过滤器。为每一个类有多个方法。包装器方法接受学习模型的性能作为特征子集的评价标准,目的是选择“定制”学习模式的特征子集。嵌入式特征选择的方法嵌入到学习模型训练过程;特征选择没有明显区别于学习者的培训过程。因此,特征选择的这两个方法考虑了后续的学习模式。

然而,过滤方法不需要考虑使用的学习模式后,选择功能。该方法选择特性基于特性的一般性质,如目标相关,自相关,散度。我们的研究的主要目的之一是探索模型之间或baPWV和相关特性,因此选择过滤方法的特征选择。过滤器也有多种方法,如选择方差和相关系数的选择。

方差选择方法只考虑特征的方差和选择方差超过设置的阈值特性。方差选择方法只考虑特征的方差不考虑目标价值,它是不容易确定合适的阈值。直观地说,每个特性之间的相关系数越大,目标价值(如;baPWV),越重要。与其他方法相比,相关系数更简单,更解释。

此外,包装和嵌入方法的计算开销大于过滤方法。过滤方法可以迅速探索最好的模型和特征子集。因此,我们使用基于PCC的最大相关系数方法进行特征选择,综合考虑。

3.4。模型建设

使用线性和非线性关系模型算法来构建心血管年龄预测模型,包括高钙、岭回归(RR),套索回归(LR)、英国石油(BP)随机森林(FR),和支持向量回归(SVR)模型。

在实验中,BP神经网络和高钙模型被用来预测baPWV价值的权利。同时,我们提出一个混合方法MLR_BP基于高钙和BP模型。模型的精度比BP神经网络和高钙模型在预测baPWV的权利。(1)高钙建立了关系模型响应变量和解释变量之间的线性拟合公式。在这项研究中, 提取的PPG信号特性和响应变量预测心血管年龄或baPWV价值。公式如下: 其中, , 回归系数,通过训练集数据安装最小化损失函数,和损失函数采用最小二乘法,如以下公式所示: 在哪里实际的价值和什么预测的价值,这是预测心血管年龄或baPWV值在这个研究。线性回归的一个基本问题是过度拟合。所谓的过度拟合意味着训练模型的误差很小。然而,测试的错误是显而易见的。两种方法通常是用来减少过度拟合。一个是减少数量的特性。在这项研究中,特征选择方法是用来减少的数量特征。另一种方法是正规化。套索和岭回归的本质是添加L1和L2正规化基于标准线性回归。因此,两个模型使用LR和RR的实验。(2)SVR模型可以解决过度学习、非线性维数灾难和局部最小值。它可以处理两个线性关系数据和非线性关系数据和具有良好的泛化能力。在这项研究中,特征变量提取的PPG信号可能有一个非线性关系,因此该模型探讨了非线性关系。(3)BP神经网络是由两部分组成:正向传播和误差信号传播方向。向前传播从输入层到隐层和输出层。每一层的神经元状态只影响下一层神经元。如果输出层的结果并没有达到预期的结果,误差信号反向传播的执行。这一过程持续进行迭代,直到误差最小化。在这个过程中,使用的是梯度下降法。的隐藏层的输出节点th神经单元显示如下: 其中,代表输入节点的重量和隐藏的节点,和代表输入。在这个研究中,这意味着提取功能的价值。是偏见。输出层节点表示如下: 的重量隐藏节点和输出节点是偏见。(4)为了提高预测的准确性baPWV,我们建议MLR_BP模型。这个模型是一个融合的高钙和BP神经网络模型。算法步骤如下:(1)我们使用BP模型的最佳特征子集预测心血管疾病的年龄。(2)我们获得心血管年龄的BP模型的预测作为一种新的特性。这个特性和十个特征从PPG信号中提取得到一个新的大的特性集。(3)基于高模型和最大相关系数方法,找到最佳特征子集的新建特性集预测baPWV。

在实验中,80%的收集的数据分为训练集,和20%的测试集,我们使用Python 3.6和被发现的最佳参数网格搜索和5倍交叉验证。

4所示。结果

4.1。模型特征选择的结果在预测心血管疾病的年龄

首先,基于PCC进行特征选择,并选择相关系数的十大特征。然后,输入1到10特性模型是选择根据相关系数的值。新闻申诉委员会之间的不同模型的预测价值和标准价值在选择不同数量的功能如图5。

我们可以看到从图5BP模型具有最好的效果在选择六个功能。这六个特征峰值时间(CT)、峰值时间比率(CTR),斜率K刚度指数(SI)、反射指数(RI)和心率(HR)。高的三线性模型、LR和RR有更好的结果在选择四个特点。只有代表模型如图5,高钙模型代表这三个线性模型。SVR模型时也最好的特性是6和FR模型选择九个功能时效果最好。

4.2。模型精度性能在预测心血管疾病的年龄

PCC的精度评价,平均偏差(MD),剩余标准差(标准偏差),均方根误差(破坏)和平均绝对误差(MAE)模型。PCC是预测值和测量值之间的相关性,和MD的平均值是预测值和测量值之间的偏差,反映了两者之间的偏差指数。相对标准偏差表示剩余的离散化的程度。破坏是用来测量预测值和测量值之间的偏差。美和平均绝对误差用来测量误差的绝对值的平均值之间的观测值和实际值。

表2显示了每个模型的准确性。在六个模型中,BP模型是最好的,最糟糕的是随机森林模型。 ,表明该预测模型具有统计学意义的结果。

图6显示了残留在心血管时代的密度图模型的预测值和测量值之间。数据6(一)和6 (b)分别代表了BP模型和高钙。这表明之间的残余BP模型的预测值和测量值是正态分布在心血管的年龄。从比较如图6,BP模型的预测结果比高,预测结果更可信。

基于上述实验结果,最好的模型预测心血管年龄是英国石油(BP)和它的最佳特征子集CT, CTR,斜率K、硅、RI和人力资源。

4.3。特征选择的结果模型在预测baPWV

进一步预测动脉粥样硬化指数,根据预测心血管疾病的年龄,正确的baPWV被选中作为预测目标。高钙模型和BP模型被用于比较。分别选择1到10的功能特性最大相关系数法。特征选择的结果显示在图7。高钙和BP模型的预测效果最好,当功能号码是1。和功能是人力资源。

以进一步提高预测的准确性baPWV,我们建议MLR_BP模型。实验结果如图所示8。MLR_BP模型效果最好当特征的数量是2,很容易看到,该模型比BP和高钙模型。这两个功能是人力资源和心血管的年龄。

4.4。模型在预测精度baPWV

表3显示了这三个模型的预测性能。这表明BP模型的预测精度和高钙模型是相似的。MLR_BP预测各种指标的准确性比这两个模型。 预测值和测量值的三个模型。

图9是剩余的密度图baPWV之间两个模型的预测值和测量值。数据9(一个)和9 (b)分别代表了MLR_BP和高钙模型。从表3的精度指标高模型和BP模型是相似的。因此,图9只有吸引剩余的密度图的高钙和MLR_BP。这表明预测和测量值的残差MLR_BP模型和高正态分布在图模型9。然而,残差MLR_BP预测更集中在0。因此,MLR_BP模型符合误差比高的模型。总之,MLR-BP模型具有更好的性能比高和BP模型。

因此,上面的实验结果和分析表明,我们建议的BP_MLR模型是最好的预测正确的baPWV,和最好的特征子集是人力资源和心血管的年龄。同时,从实验结果得出结论,英国石油公司和高钙模型预测的最佳特征子集对baPWV是人力资源。它表明,无论这三个模型的预测正确的baPWV,人力资源预测正确的baPWV中扮演着重要的角色。它进一步表明,人力资源和有一个特定的关系。人力资源监控有许多很容易测量的装置,可以提供一个更方便的方法来监控。

此外,我们提出的两个模型使用更少的特征参数,需要更少的计算资源。他们可以很容易地嵌入在可穿戴设备和提高用户的舒适的诊断。它有特定的参考意义的检测和预防心血管疾病。

5。讨论

baPWV是广泛使用的临床指数来评估和黄金标准。和记录的部分测量肱动脉和脚踝。本研究使用手腕的PPG信号与高精度预测baPWV的价值,表明该模型提供了一个具体的参考价值baPWV的简单测量。

Millasseau等人证实,如果随着年龄的增加,与cfPWV有关,可以作为索引。同时,临床研究表明,动脉弹性(RI在评估中扮演着重要的角色18]。基于CT研究中,吴等人证实,CTR等参数与SI显著正相关,RI, cfPWV和确认,没有明显的反射波,仍然可以评估的程度(19]。这项研究的结果进一步验证这些结论。

在预测心血管研究时代,高模型的预测效果最好,当使用四个特性(K;如果;国际扶轮;人力资源)。BP神经网络具有最好的效果在选择六个特性(CT;CTR;K;如果;国际扶轮;人力资源)。实验表明,CT和CTR特性提高了模型的预测精度。它表明CT和CTR有特定值在预测心血管疾病的年龄,也与吴等人的研究结论一致。

高钙和BP神经网络模型只需要人力资源特性来实现最佳的预测效果预测baPWV的权利。MLR_BP模型需要人力资源和心血管年龄的两个特性来实现最佳的准确性。这表明心血管年龄和baPWV相关,这是符合相关文献的观点(20.]。研究结果表明,人力资源管理中扮演着重要的角色在预测心血管baPWV和年龄。这表明人力资源评估,可能也是一个重要指标。

6。结论

本研究收集的手腕,PPG信号提取的相关特性,建立了几个模型预测心血管baPWV年龄和正确的。我们发现不同的模型最好的特征子集。进一步验证相关生理指标的影响。在BP模型预测心血管疾病的年龄,有最好的准确性。当预测baPWV在右边,MLR_BP模型有最好的准确性。模型只包括两个人力资源功能和心血管的年龄。实验结果进一步验证了相关性和SI, RI, CT, CTR,与相关学者的研究结论是一致的。与此同时,从研究结果可以看到,有一个特定的人力资源以及之间的相关性。人力资源的监测方法已经相对成熟,方便。它可能提供一种新的、方便的方式检测。 Of course, this requires a lot of experiments to verify further.

在本研究中,基于手腕PPG信号模型建立了评估心血管baPWV指标的年龄和权利。模型预测精度高和几个模型特征参数可用于可穿戴设备。它可以使相关指标的检测更方便,快速、无创。它有一个特定的参考价值诊断和预防心血管疾病。PPG信号受到许多外部干扰因素,如运动工件和温度。实验者是在一个相对安静的场景当我们在这项研究中收集的数据。我们需要进一步研究模型的鲁棒性的情况下人们的日常锻炼。在未来,我们将探讨可穿戴设备,应用提出的模型,这是健壮的在不同的环境中,在不同环境中收集数据,使模型更通用。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究得到了国家自然科学基金重点项目的大学安徽省(批准号KJ2020A0112),中国国家自然科学基金(批准号(国家自然科学基金委)61701482),合肥师范大学高层次人才科研启动基金(批准号2020 rcjj45),安徽省教学和研究项目(2020年授予nos。jyxm1572和2020 jyxm1573)。