血压是人体重要的生理指标,许多疾病都与血压有密切的关系,其中高血压已经成为现代人类备受困扰的主要疾病之一。根据世界卫生组织的数据,截止2015年,全球五分之一的成年人患有高血压,而在中国,高血压在成年人中的发病率更是超过了四分之一。因此,对高血压等心血管疾病的预防和监测成为了各界研究的焦点,其中,血压的精确测量是研究的热点和难点。目前,临床上使用的最精确的测量方法是有创的直接测量法,但由于创伤性太大而仅适用于特殊的病人。生活中最常使用的测量血压方法是以柯氏听诊法为原理的袖带阻断式血压计,但该方法存在较大误差,测量时还会对患者造成不适,并且间断的测量也无法满足疾病的监测的要求。因此,研究无创连续血压测量方法有十分重要的现实意义。近年来,机器学习方法,尤其是深度神经网络方法成为了各个领域的研究热点,许多研究者开始尝试将其运用到医学问题中。同时,对血压测量的研究发现,脉搏波与血压之间存在相关性,可以使用单路的光电容积脉搏波信号来测量血压。因此,应用深度神经网络处理脉搏波来测量血压成为了解决问题的可行之径。本文针对无创连续血压测量的问题,研究了应用深度学习理论构建血压测量模型,并研究了应用迁移学习解决样本分布差异的问题,提出了一种新的数据预处理方法,实现了高精度的血压测量模型,得到了迁移学习在血压测量模型中的应用表现。本论文的主要工作和成果如下:(1)提出了一种针对深度神经网络的脉搏波数据预处理算法。该算法在消除无效数据和噪声数据的同时,尽量保留了脉搏波的有效信息,并将数据处理成等长的单周期结构化样本数据。实验证明,该算法复杂度低,易于运行,处理后的样本信息丰富,满足模型的学习要求。(2)通过大量的对比实验,得出了适合实验样本数据的模型深度范围,然后在该范围内,设计了不同的具有差异化结构的神经网络模型,并通过实验得到了表现最优的模型。最后通过模型在不同个体上的实验证明了该模型结构具有良好的鲁棒性,并且将平均误差与同类研究的结果作了对比,结果显示该模型在精度上有更好的表现。(3)首次将迁移学习应用到血压测量模型中,通过采用基于概率分布适配的数据迁移方法和基于CNN模型的特征迁移方法,得到了两种方法在解决数据分布差异问题上的表现。结果显示,两种方法都能一定程度上改善数据的分布差异,但是也都存在会降低测量精度的缺点。最后,本文总结了血压测量模型在实用中存在的问题,并对其进一步研究方向进行了思考与展望。