CIGNN: 基于因果关系和图神经网络的无袖带连续血压估计框架

计算机科学 信息科学 人工智能 医学 心血管系统 医学影像
无袖血压测量 因果关系 心电图 脉搏波传输时间 图神经网络 心脏信号

CIGNN: 基于因果关系和图神经网络的无袖带连续血压估计框架

背景介绍

根据世界卫生组织（WHO）的数据，全球约有11.3亿人受到高血压的影响，预计到2025年这一数字将增加到15亿。高血压是心血管疾病的一个重要风险因素，这包括心脏病和中风，这些都是全球主要的死亡原因。高血压的普及进一步增加了痴呆和残疾的负担，因此，预防和管理高血压对于改善全球健康结果至关重要。

连续血压（BP）测量能够为高血压的诊断和预防提供丰富的信息。通过连续监测血压，我们可以更全面地了解患者的血压模式和趋势，这可以指示是否需要治疗或调整当前的治疗方案。此外，连续血压监测相比传统间歇性血压测量有更多优势，因为血压可能会受到诸如压力、体力活动和药物依从性等因素的影响。无袖带连续血压测量利用可穿戴生理传感器的优势，能够实现无创伤、使用便捷和连续监测。因此，无袖带血压估计模型受到了广泛关注。

现有的无袖带血压估计模型主要分为基于知识驱动和数据驱动的方法。知识驱动的模型依赖于心血管系统领域的专家知识，例如一些基于脉搏传播时间（Pulse Transit Time，PTT）和Moens-Korteweg（M-K）方程的生理模型。然而，这些模型通常建立在一些假设之上，这些假设未必在实际中成立。另一类数据驱动模型通过从数据中学习血压相关信息与血压之间的映射关系，但这些模型通常依赖大量高质量数据，而且可能受到运动伪影和环境噪声的影响。

当前大多数关注于知识驱动或数据驱动方法的研究忽视了可穿戴特征和血压变化之间的因果关系。因果关系有助于提高无袖带血压估计方法的可解释性、稳健性和推广性，并可以帮助识别潜在的生理机制。

研究来源

本文由Lei Liu、Huiqi Lu、Maxine Whelan、Yifan Chen和Xiaorong Ding撰写。这项研究得到了四川科技计划（2021YFH0179）和中国国家自然科学基金（82102178）的部分资助。Huiqi Lu还得到了英国皇家工程院Daphne Jackson Trust Fellowship Grant、EPSRC Healthcare Technologies Challenge Award和Wellcome Trust的资助。该论文发表于2024年5月的IEEE Journal of Biomedical and Health Informatics。

研究流程介绍

本文提出了一个两阶段的框架CIGNN，该框架将因果关系和图神经网络（Graph Neural Network, GNN）无缝结合，用于无袖带连续血压估计。

阶段一：因果图生成

在第一个阶段，研究者利用因果推断的视角生成一个包含血压（BP）和可穿戴特征的因果图，以识别与BP变化有因果关系的特征。这一阶段的创新之处在于，超越了传统的脉搏传播时间（PTT），识别出了其他与血压变化关联更紧密的因果特征。

具体来说，本文使用了快速因果推断（Fast Causal Inference, FCI）算法来生成初始因果图，并使用因果生成网络（Causal Generative Neural Networks, CGNN）算法对初始因果图进行定向和修正。通过这些因果推断算法，提出的因果图可以揭示BP与可穿戴特征之间的因果关系。

阶段二：时空图神经网络

在第二个阶段，研究者利用从第一阶段获得的因果图，使用时空图神经网络（Spatio-Temporal Graph Neural Network, STGNN）模型来学习因果图中的空间信息和通过心脏信号的时间信息，实现精细的无袖带连续血压估计。

研究者采用了三个数据集，共305名受试者（其中102名为高血压患者），包括不同年龄段和血压水平的对象。研究结果显示，对于收缩压（SBP）和舒张压（DBP）的估计，CIGNN方法的平均绝对差（MAD）分别为3.77 mmHg和2.52 mmHg，优于其他对比方法。

研究结果

  1. 因果图生成

    • 初始因果图通过FCI算法生成，显示了一些边的方向未确定。
    • CGNN算法进一步修正了初始因果图，明确了所有边的方向，并消除了部分错误边。

  2. 因果特征分析

    • 在因果图中，AA和PTT特征表现出强于单纯PTT的作用，验证了因果图的合理性。

  3. 血压估计性能评估

    • CIGNN方法在多个评估指标上表现优越，估计误差显著低于其他基准方法。
    • 对不同年龄组和高血压患者的估计也展示了较高的鲁棒性和准确性。

结论与价值

该研究通过引入因果关系，显著提高了无袖带连续血压估计的精准度。具体如下：

  1. 科学价值

    • 通过揭示BP与可穿戴特征的因果关系，提高了无袖带血压估计方法的可解释性。

  2. 应用价值

    • 提供了一种在多种条件下均表现出优越估计性能的无袖带血压估计方法，有助于高血压的早期诊断和防治。

  3. 研究亮点

    • 使用因果推断和GNN结合的新方法，提供了无袖带血压估计的新视角。

研究未来将进一步整合生理知识，揭示更多潜在因果关系，并适用于更多临床应用。这项研究不仅推动了无袖带连续血压监测技术的发展，还为高血压的预防和治疗提供了新的工具和方法。