随着科技的进步和生活水平的不断提高,人们对于自身的生命健康更加关注。在日常生活中,个人是否患有高血压疾病是不易察觉的,但是其带来的危害数不胜数。因此,如何高效的检测血压,提前预防高血压的危害是人们不断研究的问题。人工检测血压需要专业的操作人员和专业的操作手法进行检测,而且不能每时每刻检测出血压值。近年深度学习技术的发展,使得基于卷积神经网络进行无创血压预测这种高效的检测血压方法成为可能,然而此方法的不足之处在于设计的模型参数量大和预测精度低。针对上述问题,本文主要展开了以下两项工作。1.针对小型深度模型的血压预测问题,提出了一种基于Unet卷积神经网络的方法,DUnet,开展无创血压的预测。DUnet模型包含两个分支网络,主干网络使用设计的大卷积核模块尽可能多地提取特征,主要负责模型的预测工作;子网络使用小卷积核模块提取不同的特征信息,用于强化模型预测能力。实验结果证明了DUnet模型的预测能力,DUnet模型在比原始模型参数减少27%的情况下,BHS标准下15mm Hg误差范围预测精度达到91.23%,5mm Hg误差范围预测精度提升5.9%,预测时间只需要2.6ms。同时,DUnet方法为模型应用到嵌入式设备提供了一个思路,在嵌入式的场景下把模型拆解成多个小模型,分步进行预测直到模型得到满意的结果。2.针对高精度的深度模型进行血压预测问题,提出了一种基于Seg Net模型的WSeg Net方法。相比第一个工作,WSeg Net不仅预测血压的时间更短,而且预测血压的精度达到最高等级。WSeg Net只包含一个主干网络,使用主体框架改进的结构能够提取到不同尺寸的信息,并使用注意力机制从通道的角度快速提取到重要的特征,强化模型预测性能的同时几乎不增加额外的预测时间。为了进一步提高模型的预测性能,模型在解码结束后使用模块进行不同的特征融合。实验结果表明,WSeg Net在BHS标准15mm Hg误差范围内精度达到96.27%,而且在不明显增加参数的情况下,该方法在2.2ms预测时间内预测精度达到最高。同时,WSeg Net的方法只需要在其基础进行微调就能得到一个用于血压预测项目的模型,为将来使用神经网络方法进行血压预测提供基础模型。