10、基于ECG和PPG信号的无袖带血压估计的数据驱动模型

基于ECG和PPG信号的无袖带血压估计的数据驱动模型

1 特征提取与分析

1.1 特定特征介绍

• 大动脉僵硬度指数（LASI） ：LASI是动脉僵硬度的一个指标，它与收缩期峰值和曲率为零的点（第一个拐点）之间的时间间隔成反比。
• 拐点面积（IPA） ：IPA定义为PPG曲线在选定的点（标记为S1、S2、S3和S4）之间的面积，它提供了关于全身总阻力的信息。这些点是PPG二阶导数（SDPPG）为零的拐点。

1.2 回归方法

将提取的43个特征输入到各种机器学习（ML）模型中，以分析特征与血压（BP）之间的可能关系。针对收缩压（SBP）、舒张压（DBP）和平均血压（MBP）分别训练不同的模型，考虑的回归方法包括线性回归、岭回归、支持向量回归、Adaboost回归和随机森林（RF）回归。

1.3 特征选择

将所有43个手工特征输入到RF模型中，其平均绝对误差（MAE）优于其他回归方法。但可能存在对模型准确性贡献不大的无关特征，因此使用二进制遗传算法（GA）来识别这些特征，以降低计算成本。GA返回种群中最适合的个体，与产生最小MAE的ML算法结合，分别为SBP、DBP和MBP获得特征子集。

GA的具体操作如下：
1. 初始时随机生成种群，并在每次迭代时更新。
2. 染色体长度为43，由0和1组成，分别表示特征的缺失和存在。
3. 单点交叉和变异的概率分别为1和0.25。
4. 使用Nvidia V - 100工作站（配备Quadro G