随着时代的进步,生活水平的提高,人们的生活压力、不合理的饮食等都带来了潜在的心血管疾病的危机。血管健康是心血管出现问题的根本所在,用户提前了解血管的健康问题,并根据健康评估加以重视、预防,对心血管疾病的诊治和预防都有着重要的意义。中医脉象与血管健康息息相关,脉象的形成,不仅与心、血、脉相关,而且与其他全身脏腑机能活动也息息相关。本文则是根据血管容积脉搏波完成对脉象的辨识分类,从而进一步对血管健康进行评估。基于硬件前端采集得到的光电容积脉搏波设计了基于特征K值的伪差干扰消除算法,该算法首先计算光电容积脉搏波信号的K值,采用时域递归方法检验脉搏波的伪差干扰,其次根据检验结果采用估计的K值进行修正,进而消除由于环境等因素导致的伪差干扰,实验验算该算法估计得到的K值相对误差为0.82%,算法可靠;为了将临床中脉象信号客观量化,在时域中对脉搏波信号进行特征提取,通过滑窗法寻找脉搏波的峰值、谷值点对其每段划分,时域中初步提取四个特征值:h1、h2、h3/h1、t1/T;为了保证特征提取的完备性,采用希尔伯特黄变换接着对信号进行处理,频域中计算其边际谱的能量值,按频率划分各频段;通过200例脉象信号的分析计算发现,脉象异常的人群脉搏波信号的频域能量值普遍集中在某个频段,标准差为19.04,而正常人群则是均匀分布,标准差为6.02,差距较大,特征值提取可靠。根据上述提取的光电容积脉搏波特征参数,分别使用BP神经网络、LM算法优化的神经网络方法以及遗传算法融合神经网络的三种方法对脉象信号进行分类识别。通过识别结果对比,发现基于遗传算法的BP神经网络识别率高于前两个模型,准确率达到95%,较好地实现了脉象信号的分类识别。为了实现该算法的实际运用,将硬件采集、算法、前端界面显示整合在了云平台系统中,本文所述云平台基于Spring、Spring MVC与MySQL数据库的Web应用,使用阿里云服务器构建网络化系统,详细显示了脉搏波实时采集波形,用户个人信息以及生理参数、健康评估等等。该应用目前已经在阿里云服务器运行正常,用户可以通过网页实时查看信号和血管评估状况,解决了原本系统移动化、网络化的需求。