血压作为人体重要的生理指标,其数值变化能够客观反应出人体心血管的健康情况,准确地获取人体实时血压数值,对现代医学的临床诊断具有重要指导意义。血压作为一种重要的疾病诊断依据,能够对其进行实时并连续地监测,对于心血管疾病的防控工作具有重要战略意义。随着近年来血压测量技术的快速发展,出现了不少精确测量方法,然而其中绝大部分方法不具备连续实时测量的能力。动脉插管法被称为国际血压测量的金标准,能够实现血压的连续精确测量,然而动脉插管法的测量过程会对人体产生一定创伤,且技术要求较高。综上,现代血压测量技术正沿着连续测量、无创测量以及精确测量三个方向不断向前发展。脉搏波具有获取便利的特点,能够很好地满足无创和连续两个条件,并且随着智能算法的不断发展,有望在测量准确度上得到进一步提升。因此,基于脉搏波信号的血压测量方法逐渐成为了该领域的研究热点。基于脉搏波的血压测量方法可分为基于传导时间和基于形态学特征两类。传导时间具有提取方便以及相关度较好的特点,但是采集电路设计相对复杂。形态学特征虽然采集过程简单,但是信号形态差异较大,提取复杂,与血压的相关度也较低。本文基于公开医疗数据集,试图融合两者优点,通过参数融合的方式进行了建模,并评估了模型性能。具体工作内容及成果如下:本文的研究工作基于MIMIC数据库开展。为构建出高质量的实验数据集,本文设计了一套有效的信号去噪以及血压值提取方案,并提出了一种动态阈值特征点识别算法。基于构建好的数据集,在单样本上分析了多种传导时间与血压之间的相关性。依据实验结论,进一步提出了一种基于TOPSIS综合评价法的最佳传导时间选取方法。经实验验证,对比传统的传导时间计算方式,基于最佳传导时间模型的预测MAE降低了 0.21 mmHg,准确率提升了 2.75%,能够达到更好的预测效果。通过上述方法识别出的特征点,计算出形态学特征,并将传导时间与形态学特征参数进行融合,分别构建了线性回归模型、多种非线性机器学习模型以及集成学习模型,并在测试集上进行了评估。通过误差分析可知,对比基于形态学特征的模型,融合了传导时间的模型对收缩压和舒张压的预测MAE分别降低了 25.5%和23.5%,性能得到了较好的提升。集成学习模型的引入,使得预测MAE进一步降低了 0.18 mmHg,准确率得到了 2.8%的提升,实现了更加精准的血压预测。