《Advanced Science》：Intrinsic PPG–ECG Coupling for Accurate and Low-Power Blood Pressure Monitoring
摘要
长期、连续的血压（BP）监测对于心血管疾病的早期诊断和动态评估具有重要的临床价值。传统的基于脉搏波传导时间（PTT）的无创血压监测方法通常依赖于至少两个独立的信号通道。然而，多信号处理会引入同步误差和特征点检测不准确的问题，从而限制了血压估计的准确性和效率。此外，记录和处理多个信号增加了电路的复杂性并提高了系统功耗。为了克服这些限制，本研究提出了一种基于光电容积脉搏波-心电图（PPG-ECG）信号耦合的内源性信号同步策略。通过将PPG和ECG信号融合成一个保留两者基本特征的统一波形，实现了固有的同步。与传统的独立信号处理相比，该方法将PTT误差降低到15毫秒以下，PTT检测率超过98%。此外，数据负载显著减少，使系统功耗降低了43.75%。基于此原理，本研究开发了一款紧凑、轻便的胸戴式传感器贴片。该设备在静态和动态血压等多种场景下均表现出较高的测量精度（平均误差ME ≤ 5 mmHg，标准偏差STD ≤ 8 mmHg）。该策略不仅简化了血压监测设备的设计和制造，还提升了其在准确性、能效和运行寿命方面的性能。
1 引言
血压是心血管健康的关键指标，在心血管疾病的检测与治疗中起着核心作用。临床上常用的袖带式血压计仅能提供间歇性的静态读数，无法满足日常活动或移动场景下的连续监测需求，而连续血压监测对于精准医疗和慢病管理至关重要。近年来，用于连续血压监测的可穿戴电子设备迅速发展，其中无袖带可穿戴血压监测成为研究热点。多种无袖带技术被探索，包括超声血管壁追踪、压电传感、阻抗容积描记法（IPG）和光电容积脉搏波（PPG）等。然而，这些技术各有其局限性：超声法涉及复杂的信号处理和传播，便携探头信号强度弱；压电法对脉搏波形变化敏感，易受佩戴压力和皮肤振动干扰；IPG信号易受组织电导率和电极-皮肤接触条件变化的影响。
PPG因其设计紧凑、适用于可穿戴设备而备受关注。基于PPG的光学血压测量通常通过独立处理PPG和心电图（ECG）信号或多个PPG信号来计算PTT。然而，PPG波形易受个体差异（如肤色）和环境噪声的影响，需要强大的算法来准确检测PPG波形中的特征点。ECG信号中高信噪比（SNR）的R波可以为PTT计算提供稳定的起始点。目前，可穿戴设备中的血压估计主要依赖于PPG和ECG信号的相关性，其方法大致可分为两类。第一类是PPG和ECG的数据集成，将分别采集的两个信号集成到一个多维数据矩阵中，为血压模型提供多个特征。但这只是在数据处理层面进行集成，而非在采集时实现信号的自然融合，无法保证PPG和ECG信号之间的严格时间同步。第二类是信号推断，即利用大量同步的PPG和ECG数据训练模型以学习其相关性。然而，该方法严重依赖于从训练数据中学到的强相关性，应用中任何偏离训练条件的情况都可能导致推断不准确，降低血压估计的可靠性。
为了克服这些局限，本研究提出了一种新的内源性PPG-ECG耦合方法，旨在从源头实现信号的自然融合。该方法将PPG和ECG信号组合成一个单一的耦合波形，同时保留两者的特征，从而带来三大显著优势。首先，PPG-ECG耦合可以增强PPG信号中特征点检测的可靠性，并实现PTT等关键心血管参数的精确计算。其次，耦合PPG和ECG信号确保了精确的时间对齐，避免了分别处理两个信号时常见的时间误差。第三，由于只需采集、传输和处理一个信号，系统的复杂性和功耗显著降低，这对于可穿戴电子设备意义重大。
基于此原理和方法，研究者开发了一款用于连续血压监测的传感器贴片系统。这款可穿戴传感器贴片能够同步采集ECG和PPG信号，消除了多传感器配置的复杂性。PPG-ECG耦合信号独特的波形特征可以通过多特征机器学习模型进行处理，从而实现精确的血压预测。结果表明，PPG-ECG耦合方法能够高精度地检测和计算PTT，PTT的平均绝对误差低于15毫秒，传输功耗降低了43.75%。该血压监测系统通过新的信号耦合方法提高了血压估计的稳定性和准确性，在测试中实现了高精度，并满足AAMI标准，证明了其用于家庭监测的可靠性。
2 结果与讨论
2.1 总体设计原则
传统的基于PTT的可穿戴血压监测系统需要记录和处理两个独立的PPG和ECG信号，其中ECG信号的R波作为起点，PPG信号的特定特征点（通常是收缩期峰值或起始点）作为终点。然而，这种方法导致电路复杂性高、功耗大且血压预测精度低。为克服这些问题，本研究提出一种PPG-ECG耦合策略，通过叠加和混合PPG与ECG信号，形成一个兼具两者原始信号特征的单路信号。利用这个耦合的单路信号，可以连续、精确地计算如PTT等与血压相关的特征，并通过机器学习模型预测动态血压。
基于PPG-ECG耦合策略，研究者设计了一款柔性、超轻、紧凑的胸戴式传感器贴片。该贴片包含光电组件、三个ECG电极、电池以及柔性印刷电路板（fPCB）上的基本电子元件。为增强鲁棒性，fPCB和电池被封装在3D打印的外壳内，然后安装在织物基底上以提高佩戴舒适性，整个贴片仅重约15克。光电组件包括LED和光电二极管（PD），以及一个集成的模拟前端（AFE），用于从胸部皮肤获取PPG信号。同时，贴在胸部的三个电极可以捕获具有高保真R波的高质量ECG信号。采集到的PPG和ECG信号随后由微控制器单元（MCU）进行耦合，这种方法通过耦合和处理序列实现了两个信号的自然同步，减少了传感器传输引起的时间误差，从而提高了血压估计的准确性。
信号处理和传输路径如下：从胸部同步采集的PPG和ECG信号经AFE处理后，由MCU通过信号耦合方法进行结合，实时叠加其特征以创建耦合的PPG-ECG信号。该信号随后通过低功耗蓝牙（BLE）传输到终端设备，用于计算高精度的血压相关参数，并最终估计实时血压。
2.2 ECG-PPG信号耦合原理
PTT的定义是脉搏在动脉中两个位点之间传播所需的时间。作为一个无创生理标志物，它反映了心血管状态。血压的波动会改变血管壁的硬度，从而改变PTT。ECG信号中的R波代表心室电激动，发生在心室机械收缩之前。而PPG波形则是由于心室收缩和舒张期间血液泵入主动脉产生的。因此，在每个心动周期中，PPG信号的特征点滞后于ECG信号的R波。PPG信号的特征点和ECG信号的R波总是成对出现。通常计算PTT需要独立的ECG和PPG信号。本研究引入了一种新方法，在不丢失其主要特征的前提下，整体耦合ECG和PPG信号。通过在采集过程中叠加PPG和ECG信号进行耦合，系统仅传输和处理耦合后的信号。这使得我们能够从单一的PPG-ECG耦合信号中提取关键特征点，包括ECG的R波，以及PPG的起始点和收缩期峰值，从而连续、便捷地计算血压。
除了PPG-ECG信号耦合方法，研究者还提出了一种从PPG-ECG耦合信号中提取关键特征的算法。保留了ECG信号的R波，以确保耦合信号的相位与原始ECG信号一致。原始信号的预处理和耦合过程在方法部分有详细描述。PPG-ECG耦合信号在时间上与原始信号对齐。耦合信号同时包含ECG和PPG的特征，便于计算如RR间期和PTT等时间序列特征，并实现了两个信号的自然同步。高信噪比的R波可以通过动态差分法准确提取。以R波为锚点，可以在RR间期内使用局部最小值法检测到起始点。随后，通过在起始点和下一个R波之间搜索局部最大值来识别收缩期峰值。
2.3 ECG-PPG信号耦合的优势
所提出的PPG-ECG耦合方法的主要优势如下：首先，两个生理信号在传输和处理之前就进行耦合，减少了因独立信号处理和传输引起的时间延迟。其次，PPG-ECG耦合实现了两个信号的自然同步，避免了时间误差。第三，利用高信噪比R波与脉搏特征点之间的相对时间关系，可以显著提高PTT计算的准确性。第四，传输单一的耦合信号而非两个独立的PPG和ECG信号，降低了低功耗蓝牙（BLE）的传输功耗。
为验证PPG-ECG耦合方法的优势，招募了8名志愿者并创建了专门的耦合信号数据集。在数据集上，将所提出的PPG-ECG耦合方法与两种基于独立信号的成熟方法（无R波锚定的局部极值检测法和自适应导数分析法）进行了性能比较。特征点检测的准确性以F1分数作为评估标准。结果显示，所提出的方法在不同脉搏波形下均能实现F1分数大于0.92。相比之下，独立信号方法的F1分数平均值分别为0.714（导数分析法）和0.776（局部极值检测法）。耦合方法则显著提高了准确性，平均F1分数达到0.962。特征点检测准确性的提高源于R波提供的锚定和参考作用，使该方法能够适应各种干扰脉搏波形，显著增强了特征点检测的准确性和鲁棒性。
此外，还比较了PPG-ECG耦合方法与两种独立信号方法在PTT计算误差和PTT检测率方面的表现。PPG-ECG耦合方法表现最佳，平均绝对误差（MAE）小于15毫秒，检测率超过98%。PPG-ECG耦合方法的优越性在于：由于PTT的计算需要同一心动周期内的R波和起始点对，任何起始点的漏检都会导致特征点错误匹配，从而引起PTT计算误差。此外，独立信号处理方法对变化的脉搏幅度和频率特性适应性差，这也导致了更高的检测误差和更低的检测率。PPG-ECG耦合方法通过R波锚定可以应对这些挑战，从而实现更高的检测准确性。该信号耦合方法在公开数据库中也得到了验证，能够提高特征点的识别质量和PTT计算的准确性。
2.4 基于ECG-PPG信号耦合的血压预测
通过PTT获取血压的方法主要包括物理模型和机器学习。物理模型通过Moens-Korteweg方程将PTT与动脉壁硬度联系起来，而血压与动脉壁硬度高度相关。但该方法依赖于简化的血管假设，且需要频繁校准。与此同时，机器学习方法通过从数据中学习PTT与血压之间的复杂关系，提高了血压估计的准确性和鲁棒性。传统的血压预测模型通常使用单一特征，由于特征表示有限，往往鲁棒性较差。为此，本研究提出了一种多特征血压估计模型。该模型利用从耦合PPG-ECG信号中提取的多个形态学特征以及其他生理特征作为输入，以实现更高的鲁棒性和准确性。
机器学习模型捕获了多模态特征与血压之间的复杂关系。为避免在大型模型中常见的过拟合问题，本研究优先选择了一个更简单、泛化能力更好的架构。这里采用了集成极限梯度提升（XGBoost）模型，因为它在简单性和回归性能之间取得了良好平衡。XGBoost是梯度提升树的一种高级形式，可以将弱学习器聚合为强大的最终模型，且无需大量预处理即可处理多样化数据，并为模型可解释性提供关键参数指标。通过贝叶斯优化与树结构Parzen估计进行超参数优化，目标是最大化决定系数R2。
PPG-ECG耦合信号可由胸戴式传感器贴片连续记录，用于动态血压监测。同时，使用袖带式血压计同步测量参考血压进行比较。招募了24名志愿者来研究连续血压测量期间血压的变化情况。通过运动可暂时增加血流量和血压，也测量了运动后血压相对于基线水平的变化。血压分布范围很广，从53 mmHg到158 mmHg。这样的大样本量和广泛的数据分布是缓解模型开发过程中过拟合的前提。预测血压与参考血压在整个测量周期内的变化对比，证明了传感器贴片的高可靠性和准确性。
预测血压与商用血压计测量的参考血压的散点图显示，决定系数R2分别为0.89（收缩压SBP）、0.83（舒张压DBP）和0.84（平均动脉压MBP）。均方根误差（RMSE）值分别为3.30 mmHg（SBP）、2.35 mmHg（DBP）和2.66 mmHg（MBP）。这些结果表明，基于所提出的信号耦合方法和多特征血压预测模型的血压测量，与实际商用血压计测量的血压具有高度相关性。基于单一PPG-ECG耦合信号的血压测量具有如此高的准确性和可靠性，与其他报道的可穿戴血压测量设备相比具有兼容性甚至优越性。值得注意的是，即使在短距离PTT测量下也能保持可靠的血压估计。通过测量胸部的PPG信号，我们捕获了脉搏波在中央动脉传播后的信号。因此，尽管在胸部测量的PTT绝对值很小，但它与弹性动脉的特性密切相关，并最大程度地减少了血管运动的影响。此外，通过PPG和ECG信号之间的内在同步减少了两个信号之间的时间误差，从而最小化了血压相关特征计算的误差。
2.5 在动态血压监测中的应用
为验证我们的传感器贴片与PPG-ECG耦合信号在动态血压测量中的有效性和泛化能力，招募了10名健康志愿者，收集了221个血压测量数据集进行动态血压评估。传感器贴片测量的实时血压值被检测并显示，同时使用商用血压计测量参考血压。每个测量周期包括三个阶段：5次静息血压记录、5分钟运动引起的血压升高，以及15-20次血压恢复至基线水平的样本。将传感器贴片连续记录的血压结果与通过商用血压计检测的离散数据点进行比较，显示出高度一致性，证实了我们的PPG-ECG耦合信号传感器贴片的高可靠性。
基于上述数据集，使用两组特征集评估了血压预测模型的性能：一组特征来自信号耦合方法，另一组来自独立信号处理。同时还训练了一个XGBoost模型，其输入特征是通过局部极值法从独立信号中提取的。血压估计值使用平均误差（ME）和标准偏差（STD）进行统计评估。汇总了结合物理参数的PPG-ECG耦合信号在XGBoost模型中的血压预测结果，显示收缩压（SBP）的预测误差为4.238 ± 5.697 mmHg，舒张压（DBP）的预测误差为2.688 ± 3.187 mmHg。传感器贴片收集的221个样本的血压估计误差分布显示，SBP和DBP的中位误差分别为-0.285 mmHg和0.390 mmHg，误差呈正负分布。独立信号处理方法的SBP和DBP中位误差分别为1.544 mmHg和1.047 mmHg。这些结果表明，PPG-ECG耦合方法可以有效提高血压估计的准确性。这可以归因于PPG-ECG信号耦合方法能够消除时间同步误差并减少特征提取误差。
为评估胸戴式传感器贴片的长期稳定性，邀请志愿者在连续5天内，分别于早上和晚上使用我们的设备和电子血压计测量血压。Bland-Altman图展示了长期研究中血压估计误差的情况。收缩压（SBP）和舒张压（DBP）样本在一致性界限内的比例分别为96.0%和96.5%。这表明我们的设备在长期测量中估计的血压与商用血压计实际测量的血压具有良好的一致性。误差分布的小提琴图显示，舒张压（DBP）和收缩压（SBP）的平均误差（ME）值分别为-1.7977和-1.3677 mmHg。标准偏差（STD）值分别为4.406 mmHg（DBP）和2.917 mmHg（SBP）。如此低的血压估计误差满足AAMI标准。
3 结论
总而言之，本研究提出了一种PPG-ECG耦合方法来检测与PTT相关的关键特征，用于连续血压监测。该方法耦合PPG和ECG信号，以消除不同传感器之间处理和传输延迟引起的时间错位，从而实现两个信号的自然同步。R波的锚定作用提供了稳定的时间参考，提高了特征点检测的准确性和鲁棒性。这一提升使得血流动力学参数的计算更加准确可靠，从而增强了血压估计的准确性。此外，基于PPG-ECG耦合方法开发了一款胸戴式传感器贴片。借助该设备，建立了一个多参数血压估计模型，并通过对比实验验证了血压估计的性能。结果表明，所提出的方法提高了PTT计算的准确性和检测率，在降低总功耗43.75%的同时，增强了血压测量的准确性。因此，所提出的内源性PPG-ECG耦合方法和开发的胸戴式传感器贴片实现了长期、实时的血压监测，展示了在动态血压监测中的应用潜力。
4 方法
4.1 柔性印刷电路板与无线传输
传感器贴片电路主要包括用于PPG和ECG信号采集的模拟前端、微控制器单元以及蓝牙传输模块。PPG信号的模拟前端选用MAX30102，因其具有高信噪比和超低功耗特性。同时，ECG电路的模拟前端使用AD8232，以其低供电电流和高抗干扰性而闻名。AD8232连接到三个电极：正极和负极电极置于贴片背面以接触皮肤。
微控制器单元选用STM32F412ZGT6，因其具有大存储容量、丰富的外设选项和低功耗特性。微控制器单元处理同步采集的PPG和ECG信号的初步处理，将它们耦合为PPG-ECG信号，并通过低功耗蓝牙（BLE）传输到终端进行显示和监测。硬件系统由一块3.3V锂电池供电。
4.2 胸戴式传感器贴片的制造
使用激光切割将聚酯纤维织物切割成特定图案，作为电极的基底。通过丝网印刷法将电极迹线和接口印刷到聚酯基底上。首先，将带有特定图案的定制丝网放置在聚酯基底上，并将导电Ag/AgCl浆料涂在丝网上。然后用橡胶刮刀将浆料均匀刮开。最后，将印刷在聚酯基底上的Ag/AgCl电极置于65°C的烘箱中固化1小时。
在电极迹线上施加一层热塑性聚氨酯膜作为绝缘层，并精确激光切割以匹配电极迹线图案。然后将其与Ag/AgCl基底对齐，并在120°C下加热12秒以粘合到基底上。电极接口覆盖有商用 hydrogel 贴片，以降低皮肤与电极之间的阻抗并保持信号质量。
贴片外壳的设计遵循设备的轮廓，确保电极接口和PPG传感器完全暴露。外壳通过熔融沉积建模（FDM）使用丙烯腈-丁二烯-苯乙烯（ABS）制造。电路和电池对齐后插入外壳，最后用压敏胶永久固定，确保组装牢固。
4.3 信号耦合方法的设计
ECG和PPG信号耦合的具体方法设计如下。为在叠加后保留原始信号的相位信息，并避免ECG信号中的QS波对耦合信号相位特性的影响，微控制器单元使用动态阈值差法检测ECG信号中的R波。然后，将不满足动态阈值条件的点设为零。这些处理后的ECG和PPG信号随后通过加权叠加组合成一个单一的耦合PPG-ECG信号。处理后的PPG信号的幅度大约是ECG信号的两倍。加权系数α和β分别设置为0.5和1，以确保两个信号的特征在耦合波形中得到充分体现。随后，耦合信号中高信噪比的R波作为识别PPG特征点的可靠时间锚点。在每个RR间期内，应用一个受限的搜索窗口来定位局部最小值，标记为PPG起始点。收缩期峰值随后被识别为该起始点到后续R波之间的生理窗口内的局部最大值。这种以R波为锚点的方法显著提高了特征点提取的准确性，并确保了两个信号时间序列的精确时间对齐。
4.4 基于PPG-ECG信号耦合的血压估计
血压估计模型采用PPG-ECG耦合方法，涉及几个连续的步骤。首先，贴片电路存储来自传感器贴片的一段耦合PPG和ECG信号。PPG信号与ECG信号的R波对齐。为去除基线漂移和高频噪声，PPG-ECG耦合信号需经过零相位带通滤波器处理。在数据处理过程中，微控制器单元耦合PPG和ECG信号，耦合后的信号被传输到终端的主机端缓冲区。滑动窗口计算波形特征的移动平均值，这些特征以5秒的间隔输入到血压估计模型中。收缩压和舒张压的估计使用不同的机器学习模型。
4.5 用于血压估计的机器学习算法
从24名健康志愿者处收集了1574个数据样本来开发模型。使用志愿者ID严格区分训练集和测试集，确保任何个体的所有数据仅属于一个集合。计算每位志愿者的平均PTT。根据他们的平均PTT值，将志愿者分为三个层级。在每个层级内，志愿者按8:2的比例分配到训练集和测试集。最终，训练集包含80%的志愿者，测试集包含20%的志愿者。然后使用训练集分别训练收缩压和舒张压模型。为评估信号耦合方法带来的性能改进，也使用相同的流程，仅从独立的PPG和ECG信号中提取特征训练了相应的模型。
4.6 在实际血压估计中的应用
招募了另外10名健康志愿者进行实际血压估计。在动态血压评估期间，志愿者在胸部佩戴传感器贴片，并在左上臂使用电子血压计。血压计测量的血压被用作基准血压。血压评估前，志愿者需休息5分钟。每人至少测量20次，每次测量间隔至少2分钟。要求志愿者通过运动改变其血压。以上过程使用耦合的PPG-ECG信号和独立的PPG、ECG信号分别进行测量以进行比较。本研究涉及人体参与者的实验获得了四川大学医学伦理委员会的批准。
4.7 统计分析
原始的PPG-ECG耦合信号经过零相位带通滤波器预处理以去除噪声和漂移。计算每位志愿者血压的四分位距，并使用Tukey栅栏法排除异常值。对波形特征进行了非线性变换。
所有分析均使用Python 3.12进行。除非另有说明，数据主要以平均值±标准差表示。每个实验的样本量代表了图中所示的独立测量次数。使用Shapiro-Wilk检验和Levene检验评估数据的正态性和方差齐性。志愿者的PTT和血压测量值不满足正态分布和方差齐性的假设。对于三种方法的PTT计算准确性，使用非参数Kruskal-Wallis检验评估方法间的总体差异。然后使用Mann-Whitney U事后检验来识别具体的组间差异。对于耦合PPG-ECG信号与独立信号之间的血压估计比较，应用了Wilcoxon符号秩检验。所有检验均为双侧检验，并使用Bonferroni校正进行多重比较调整。P值小于0.05被认为具有统计学意义。
