本文,基于光电容积脉搏波描记法以及历史血压数据研究了两种血压检测的方法,第一种是基于Xgboost集成模型的血压预测,第二种是基于一维卷积神经网络的血压预测。本文从两种方法的研究结果来看,其都适用于血压的检测任务,且卷积神经网络模型效果明显优于机器学习模型。另外,一维卷积神经网络模型的结果精度均可达到了美国国家高血压标准,以及英国高血压协会标准中的A级别。本文研究内容对血压检测任务具有一定的参考价值,尤其对于可穿戴设备、个性化预测等应用具有极大的帮助。首先,本文基于MIMIC-III数据库,选取其中的脉搏波PPG信号、血压BP信号作为研究对象。从数据预处理出发,通过对信号数据降噪处理,筛选出本文的数据样本;之后为了构造本文的训练数据,即模型的输入数据与输出目标值,本文设计了两种波形检测的滑窗搜索算法,其主要用于检测信号中的波峰点与波谷点,检测结果表明两种检测算法的效果相当。检测出信号的波峰与波谷点,是本文构造训练数据的关键。对于机器学习部分,本文以PPG信号上某个周期为待特征提取区间,提取其中的13个统计学特征;而该特征区间对应到BP信号上后,其对应区间上的最大值将作为收缩压,而该收缩压左边的第一个最小值将作为舒张压,从而得到该特征区间对应的两个目标值。对于深度学习部分,本文以BP信号上的最后一个波峰(波谷)点作为收缩压(舒张压)的候选目标值,而该点之前的历史PPG信号、BP信号均为该候选目标值对应的特征区间。其中该特征区间的大小由模型输入的维度大小决定,本文模型输入维度大小取为512。对于本文的模型训练部分,本文首先使用机器学习模型进行训练,包括线性模型、决策树回归模型、邻回归模型、支持向量回归模型、随机森林、梯度提升决策树、Catboost模型、Light GBM模型、Xgboost模型。从模型训练结果可知,Xgboost模型预测收缩压的结果精度最高,最高可达到20.9391mm Hg;而对于舒张压的结果精度,其与Light GBM模型相差不大,最高可达到11.8612mm Hg,且两者均优于其它的机器学习模型。另外,在加入历史血压作为特征的情况下,其中Xgboost模型在舒张压的预测结果精度上达到4.3946mm Hg,其可达到美国国家高血压的标准、英国高血压协会标准中的A级别;而在收缩压的预测结果精度上只达到了9.0330mm Hg,其与美国国家高血压的标准、英国高血压协会标准仍存在一定差距。再次,本文深度学习研究部分使用了一维卷积神经网络模型。从网络模型训练结果可知,对于有无历史血压的情况,深度学习方法的结果精度都是优于机器学习模型的。对于单独使用PPG信号数据作为输入数据训练的情况,一维卷积神经网络模型在收缩压结果精度上达到了19.3215mm Hg,高出机器学习模型约1.614mm Hg;而在舒张压结果精度上达到了11.4862mm Hg,高出机器学习模型约0.375mm Hg。对于同时使用历史血压与PPG信号数据作为输入数据训练的情况,一维卷积神经网络模型在收缩压结果精度上达到了5.3177mm Hg,高出机器学习模型约3.7153mm Hg;而在舒张压结果精度上达到了3.0524mm Hg,高出机器学习模型约1.3422mm Hg;其预测结果精度均达到了美国国家高血压的标准,以及英国高血协会标准中的A级别。最后,本文总结了本次课题的研究,并对该课题的未来研究方向进行展望,阐述了本次研究中的回归任务可向分类任务转变的可行性。