随着近年来深度学习技术的成熟,深度神经网络作为深度学习技术中的核心,其模型的应用逐渐得到了人们的关注。卷积神经网络作为深度学习领域中优异的算法模型,近年来得到了快速发展,其高效的识别方法引起了广泛的重视,它已经成为众多科学领域的研究热点之一。卷积神经网络是在多层神经网络基础上发展出来的针对二维图像的分类和识别而设计的算法,它包括输入层、输出层、隐藏层。卷积神经网络使用的特殊结构不仅可以加快训练速度,而且这样的多层结构在准确率的提升上也有很大的优势。脉搏是由心脏搏动所引起的压力变化使主动脉管壁发生振动,这种振动沿着动脉管壁向外周传递形成。脉搏有着重要的临床意义,作为人体重要的体征参数,传统中医可以根据脉搏的走向和强弱来对身体的健康状况作出诊断,并称之为“切脉”。因此,对脉象数据利用现代化的数据处理手段进行特征的提取从而进行分析有着重要的意义。论文针对脉搏这种非平稳信号提出了一个重要的分析方法,首先把脉搏信号进行连续小波变换得到表征脉搏时频特征的二维小波系数矩阵,然后把这个小波系数矩阵作为卷积神经网络的输入层,再利用卷积神经网络进行分析。针对脉搏信号的连续小波变换,为了找到合适的小波基函数进行小波变换,本文对比了连续小波变换的几种常用基函数,找到了合适作为卷积神经网络的输入层的小波变换,即广义Morse解析小波变换。解析小波作为非平稳信号的重要分析方法,有很多优良的特性,广义Morse小波已经在地震信号分析和时频分析等领域已经得到了有效应用。综上所述,论文首先提出了脉搏信号的小波变换方法,利用广义Morse解析小波对脉搏进行小波变换得到了小波系数矩阵,再把小波变换之后得到的系数矩阵作为卷积神经网络的输入层进行分析,对不同的人脉搏进行区分,再对不同状态下的脉搏进行区分。文章内容可以分为以下四个部分:1.分析脉搏数据的特点,找到合适的脉搏数据切割方法,并使切割出来的脉搏数据含有相同的数据点。2.使用南京语脉电子科技有限公司提供的eox移动智能血氧监测仪器进行脉搏的采集,对十多名青年学生志愿者的脉搏进行采集。3.选取和脉搏波形最为相似的小波基,对切割以后的脉搏数据进行连续小波变换,得到变换以后的小波系数矩阵。4.搭建合适的卷积神经网络模型,把表征脉搏信号特征的系数矩阵作为卷积神经网络的输入,对的脉搏数据进行分析。