平均夜間血壓或日夜間血壓差異(BP dip)是心血管罹病率的高度敏感指標。由於
現行血壓計不易在睡眠中取得患者夜間血壓,因此本研究成果為利用穿戴裝置收
集24小時生理指標建置估測日夜間血壓演算法,進而提升穿戴裝置的長期健康監
測功能。
本研究團隊包含台大醫院心臟科、中央大學電機系與聯發科技,採用聯發科技SE
NSIOTM智慧手表光學元件,在醫院門診與健檢中心收集24-小時光體積變化描
記圖(Photoplethysmography,PPG)與動態血壓量測(ambulatory BP monitori
ng, ABPM)進行開發。市面上的智能手錶估測血壓多半僅針對靜態坐姿血壓以指
式PPG訊號提取,本研究創新發展以智能手錶收集腕式PPG,輔以3軸加速器偵測
受試者動作狀態,提供日夜間包含睡眠時間血壓的個人化模型估測。在資料收集處理上,首先發展ABPM壓脈帶充氣偵測與覆核機制,同時利用三軸加速器計算運動指標,取出所需的1分鐘手腕PPG訊號,並依此計算擷取訊號前30分鐘之活動計量(activity count, AC)與PPG訊號的偏度(skewness)變異數,與運動計量錶的活動數值(activity)相關係數為0.92。並以活動計量與訊號偏度變異數做為訊號品質指標評估日常生活狀態下PPG訊號的血壓可估測性。為了使用較少的校正資料來得到個人化血壓預測模型,血壓模型包含結合萃取手腕PPG特徵的多層次感知器(multi-layer perceptron, MLP)與15秒訊號波型的卷積神經網路,並使用元學習(model agnostic meta learning, MAML)中的小樣本學習(few-shot learning)概念,利用靜態資料庫先建立訓練任務,並以所收集的24小時訊號與活動式血壓量測為測試任務,任務的支持集(support)包含5筆資料,測試任務的詢問集(query set)包含三筆日間血壓與三筆睡眠期血壓,利用訓練任務先獲取血壓模型的初始權重值,再利用測試任務的5筆支持集訓練個人化模型。在年齡分布為55.2±23.2的14人的24小時日夜間血壓估測實驗中,原始總體收縮壓分布平均值與標準差為109.3±15.9 mmHg,總體收縮壓估測平均誤差與標準差為0.68±7.98mmHg,平均每人估測均方根誤差為7.65 mmHg,符合血壓計國際驗證要求。