研究背景
心血管疾病(CVDs)是全球死亡和疾病负担的主要原因。欧洲心脏病学会的一份报告指出，血压(BP)水平与中风或心肌梗死的风险有连续的线性关系，表明血压是心血管疾病风险的一个关键指标。传统上，血压是用带充气袖带的血压计测量的；动脉内压等于袖带压力，可以用听诊器或示波器读取。然而，听诊式或示波式测量是本质上具有干扰性和时间上不连续的血压监测方法，因此，患者的生理状态可能不会被及时记录，甚至可能错过重要信号，因为一些风险模式在静止状态下是看不见的，只有在循环系统压力下才会零星出现。由于对长期血压监测的需求和目前可用的基于袖带的方法的不便，人们已经努力开发可穿戴和无袖带血压监测系统。这些系统通常包括集成在可穿戴设备中的传感器，如腕带或耳机，以收集生理信号。然后将这些信号输入生理学或机器学习模型以计算血压。
为了选择合适的传感器信号类型来估计血压，首先必须了解每种信号的来源及其与心脏活动的关系。一个心脏周期由舒张期和收缩期组成。在舒张期，心腔处于放松状态，逐渐被从静脉返回的血液填满。在收缩期，心肌收缩，在左心室产生足够的压力，打开主动脉瓣，将血液射入主动脉，并将血液输送到身体的其他器官。这个过程周期性地重复，导致血压在舒张压(DBP)和收缩压(SBP)之间震荡。射血过程引起脉搏波和反冲，前者沿心室系统传播脉搏信息，后者引起可探测的身体振动。主动脉辨和其他瓣膜的开放和关闭事件以及相关的心脏活动可以产生一连串值得注意的声音。同时，一个体段内(如胸部)的血容量变化会引起局部电导率的变化。在这些机械行为的背后，心脏的电活动起到了刺激和节拍器的作用，相关的电信号被传送到周边部位。基于这些心脏和心血管(CV)活动，设计了不同的传感技术来捕捉与血压有关的信息，如通过光脑图(PPG)和动脉图(TAG)检测脉搏波、用弹道心电图(BCG)和地震心电图(SCG)检测射血反冲用语音心电图(PCG)检测心音，用超声检测局部血容量变化，用阻抗胸透图(IPG)检测每搏量和心输出量，用心电图(ECG)检测心脏的电活动。已经开发了许多数学模型来分析这些信号，不同类型的模型提供不同形式的血压估计输出，如基于脉搏过境时间 (PTT)的模型用于逐次血压估计，以及用于连续血压波函数提取的学习算法。
研究成果
心血管疾病(CVDs)是世界范围内的主要死亡原因之一。为了早期诊断、干预和管理心血管疾病，在人们的日常生活中，包括睡眠时间，经常监测与心血管疾病密切相关的生命体征-血压(BP)是非常可取的。为此，近年来，作为移动医疗计划的一部分，可穿戴和无袖带血压提取方法已被广泛研究。本综述重点关注可穿戴和无袖带血压监测平台的使能技术，包括新兴的灵活传感器设计和血压提取算法。根据信号类型，传感设备被分为电子、光学和机械传感器，并对每种类型的传感器的最先进的材料选择、制造方法和性能进行了简要回顾在回顾的模型部分，介绍了当代算法血压估计方法，用于逐次血压测量和连续血压波形提取主流方法，如基于脉冲过境时间的分析模型和机器学习方法，在其输入模式、特征、实施算法和性能方面进行了比较。该综述揭示了跨学科的研究机会，以结合传感器和信号处理研究领域的最新创新，实现新一代无袖带血压测量设备的可穿戴性、可靠性和准确性。相关报道以“Emerging sensing and modeling technologies for wearable and cuffless blood pressure monitoring”为题发表在npj Digital Medicine期刊上。香港中文大学赵铌教授为文章通讯作者。
图文导读
Fig. 1 Flow diagram of wearable and cuffless BP monitoring system.
Fig. 2 Flexible TAG sensors for epidermal pulse monitoring.
Fig. 3 ECG electrodes.
Fig. 4 Working principle of PPG.
Fig. 5 Schematic diagram of the stretchable ultrasound device.
Fig. 6 Schematic diagram of BP information in different temporal resolutions.
Fig. 7 Illustration of two mainstream definitions of PTT and PAT.
Fig. 8 General pipeline of machine learning algorithms for BP monitoring.
总结与展望
可穿戴血压测量设备已经吸引了学术界和工业界越来越多的关注。一些公司已经将可穿戴血压解决方案商业化，并获得监管部门的批准。然而，实现准确和长期可靠的可穿戴和无袖带血压监测系统需要多学科的合作。本文系统地回顾了与可穿戴和无袖带血压测量有关的设备、信号、算法和其他技术问题。现有的传感技术包括电子、光学和机械模式。建模技术包括基于 PTT 的模型、基于ML 的算法和基于力学的方法。许多挑战和机遇依然存在，未来的研究可能包括以下领域：
许多具有良好性能的无袖带方法是在只有健康受试者或年龄分布相对较窄的受试者的小规模数据集上验证的。为了确保方法的通用性和领域适应性，包括更广泛的年龄组、CV条件和血压变化模式的后续临床研究至关重要。这一趋势也反映在最近制定的IEEE 可穿戴无袖带血压测量设备标准中，该标准对受试者的选择和血压变化提出了要求，以确保设备充分接触到个体间和个体内的变化。
应根据完善的工业标准对可穿戴和无袖带血压监测系统进行评估，以确保报告测量性能的可靠性。评估应包括足够的人群规模以及个体内和个体间的血压多样性，并对新模型和基线模型之间的血压误差进行并列比较。特别是，与普遍接受的基线模型的比较在 ML/DL 模型评价中起着至关重要的作用，因为基线提供(1)合理的性能值，新模型应明显超过该闻值和(2)实验数据的参考信息，以便与其他研究进行比较。
快照和逐次心跳的血压监测已发展成为成熟技术。连续血压监测，即 TAG 跟踪，可能是该领域下一波重点研究。DL 算法将是实现 TAG 监测的有力工具。
对硬件和软件的全面理解对于研究可穿戴和无袖带血压监测至关重要。尽管血压监测可以被划分为独立的任务，如图1所示，但全面考虑每个技术组件的性能特点的端到端设计应大大提升系统的效率和功效。
噪声是BP 估计中反复出现的挑战。当代去噪技术在短期内是有效的。然而，在有噪声的情况下保持长期的准确性是一个问题，仍然需要更可行的解决方案。
校准对于确定适当的建模参数仍然是必要的，但对于用户来说是不方便的。目前的校准方法可确保准确性，但需要用户主动操作，如使用袖带式示波计进行测量。进一步开发无需校准的血压监测方法是可取的。
分析性模型和ML模型的融合很有前景。分析模型为信号选择和处理提供了生理学基础而ML方法在数据关联和预测方面更为有效。将这两种方法结合起来，不仅可以提高 BP 估计的准确性，还可以为前端传感器的选择和设计提供指导。
文献链接
Emerging sensing and modeling technologies for wearable and cuffless blood pressure monitoring
https://doi.org/10.1038/s41746-023-00835-6
转自：“i学术i科研”微信公众号
如有侵权，请联系本站删除！
