一种新的基于机器学习的示波法血压估计方法，开源、低功耗、低成本的人工智能软硬件提供者

具体的软硬件实现点击 http://mcu-ai.com/ MCU-AI技术网页_MCU-AI人工智能
血压的测量和预测是心脏病患者和有心脏问题的人的一个重要条件，应该保持持续的控制。在这项研究中，基于从使用袖带的个体获得的振荡波形，振荡波形分为三个周期。第一个周期是从起点到收缩压(SBP)，第二个周期是从收缩压(SBP)到舒张压(DBP)之间，第三个周期是从舒张压(DBP)到波形结束之间。在数据集中，收缩压点对应的拍的属性标记为1，舒张压点对应的拍的属性标记为2。其他节拍用0标记。在这项研究中，数据集首先被重新标记。收缩期搏动标记为1，收缩期到舒张期的搏动标记为2，舒张期到结束标记为3。重新标记后，350个测量值，300个测量值分为训练数据子集，50个测量值分为测试数据子集。用300个子集训练分类器，生成分类器模型。利用生成的模型对测试数据子集中的脉冲序列进行分类。在发现的标签系列中，将前1至2个标签标记为收缩压点，最后2至3个标签标记为舒张压点，并估计相应的袖带压力为收缩压和舒张压值。通过对这些时间段进行分类，收缩压(SBP)和舒张压(DBP)值使用三种分类算法进行估计，包括k近邻(kNN)、加权k近邻(WkNN)和Bagged Trees算法。为了评估预测算法的性能，使用了四种不同的性能指标，包括MAE(平均绝对误差)、MSE(均方误差)、RMSE(均方根误差)和R2。对于使用kNN算法、加权kNN和Bagged Trees估计SBP值，得到的MAEs分别为3.590、3.520和4.499。利用kNN算法、加权kNN算法和Bagged树算法估计DBP值，得到的MAEs分别为11.077、11.032和13.069。实验结果表明，该方法可以作为一种新的方法用于血压的估计。

从示波法中找到SBP和DBP点的图形表示：（a）袖带压力（CP）；（b） 示波；（c） 示波包络（OMW）

在本研究中，使用了 BP Data-UNSW 数据集 [1]。数据集总共包含 350 条记录。该选择是从 155 名受试者收集的 643 条记录中选出的， 没有任何噪音或运动伪影。记录过程中，袖口压力、示波波形和以 500 Hz 采样的柯氏音。该数据集由 9个特征组成。这些特征在表 1 中给出。

数据集中的第一行显示了标签。 SBP 和 DBP 点分别标记为 1 和 2。其他点标记为 0。在预处理步骤中，找到了示波波的包络，并且特征被提取出来。 SBP和DBP点由柯氏音确定。然而，由于没有根据确定 DBP 点的标准，对检测到的点进行目视检查 。示波波与袖带压力的波形如图 3 所示。在该图中，蓝线用长示波波形标准化，红线用长示波波形标准化是袖带压力。绿色区域代表收缩前区域，黄色区域代表收缩点和舒张点之间的区域，紫色区域代表舒张后区域。

虽然血压估计是一个回归问题，但在本研究中它被转化为分类问题。除了数据集中给出的收缩压和舒张压点标签外，它们还被重新标记为收缩压前、收缩压和舒张压之间以及舒张压后。研究中使用的框图如图4所示。

使用示波波获得的数据集，首先重新标记示波波包络。使用的标签在表2中给出。

图 5 显示了根据特征的类别分布。可以清楚地看到，类根据特征交织在一起。数据集分为训练子集和测试子集。 300 名受试者被定义为训练，50 名受试者被定义为测试子 集。首先，分类器针对每个类别进行训练，并为测试数据子集生成模型.

图 6 给出了样本测量过程的实际值和 预测值。对血压测量周期中发生的所有心跳进行类别估计。

本研究使用了三种不同的分类算法。它们是 k 近邻 (kNN)、加权 kNN (WkNN) 和Bagged Trees。k 近邻 (kNN)该分类器是一种非参数惰性学习算法。在该算法中，测量新数据和训练数据之间的距离，并将新数据标记为K最近类别的值。加权 kNN (WkNN)该分类器的工作方式为 kNN。 WkNN 距离根据特征进行加权。权重是在数据训练期间确定的。因此，每个邻居对邻域得分都有不同程度的贡献。Bagged Trees这种方法基本上是一种集成决策树结构。每个决策树评估数据，并根据所有估计做出最终决策.