随着社会的进步和发展,在快节奏的时代背景和生活环境的影响下,许多人对自身的饮食和生活作息的不重视导致一系列常见高代谢率病的出现。现如今三高问题趋于年轻化。其中,高血压是人类健康的“隐形杀手”。血压的升高会使得其他器官性疾病的发病风险增高。所以对人体血压的监测和研究具有重要的意义。目前市面上对血压的检测设备主要分为两种方式:无创测血压和有创测血压。其中有创测血压就是在人的心脏或血管腔内放置导管以及探测血液流动和冲击的探针。探头可以感受到血液的流动和撞击,血压通过外接的压力传感器设备实时测量,可以及时读取,而且相对准确和可靠。但是它的缺点是存在创伤性,也具有感染的风险,使用地方也只能局限在医院里面。无创测血压的方式是相对于有创测血压的方式而言。市面上普遍存在的无创血压检测的设备有如电子血压计、水银血压计等。主要是通过给套管充气,压力传感器可以感觉到管道传输过程中的震荡,使其能够在特定的时间内监测到血压。虽然这种方法很常见,也很方便,但是这种方法在日常的使用过程中会受到环境温度的影响。当温度低时外周血管收缩会造成测量结果不准确。本课题基于智能穿戴设备采集到的心电图ECG信号和光电容积PPG信号对血压进行回归预估的应用研究,是一种实现非入侵式实时检测和监控血压的方法。首先使用智能穿戴设备实时且同步采集光电容积脉搏波PPG信号和心电图ECG信号。对采集到的信号进行筛选和去噪处理。再去除ECG信号和PPG信号的基线漂移。针对PPG信号,结合一阶导和二阶导函数实现对五个特征点的准确识别和定位。然后基于准确识别的波谷点作为分割点,从而实现对连续PPG信号的周期分割及归一化。将ECG信号波形和PPG信号波形与一个个血压数据对应离不开特征的提取。因此,从得到的单周期光电容积脉搏波中提取一系列的时域特征,如:幅值比例特征、时间比例特征和面积相关特征等。然后通过快速傅里叶变换得到PPG信号频谱幅度和相位相关信息,提取这部分信息当作频域特征。本课题特别地加入了脉冲到达时间PAT特征,也就是在同一周期内将ECG信号用作近端时序参考,将PPG信号用作远端时序参考,从心电图ECG信号的R峰到光电容积脉搏波PPG信号的一阶导数最大值所经过的时间。最后,提取出来的特征进行数据清洗和特征选择。然后送进常规机器学习中进行血压的收缩压和舒张压的预估实验。为了提高预测的精度和准确度,采用了集成学习的思想。将结果送进随机森林和Light GBM模型中训练拟合。根据结果显示,基于集成学习的血压预估模型效果要比常规机器学习的好。本文最终实现了无需参数预拟合即可完成对收缩压与舒张压的预测。