血压是衡量人体健康的重要对象之一,它的非正常波动将会给人体带来严重伤害。近年来,随着饮食结构不合理、精神压力、作息不规律等问题的日渐突出,血压相关性疾病,例如高血压、心脑血管疾病、心血管疾病等越来越普遍,且趋向于年轻化方向发展,所以加强血压的连续性监测显得尤为必要。现有的无创连续性血压检测的方法大多为光电血压检测法,通过研究光电容积脉搏波(PPG)、心电信号(ECG)和血管内腔弹性模型等实现血压测量。但因不同人体之间的个体特征存在一定的差异,所以需针对不同人群分别建立生理信号与血管弹性腔之间的数学模型,增加了血压测量的复杂度。针对这一问题,本文融合PPG、ECG特征及个体特征提出了一种基于机器学习模型的血压修正算法,并结合网络化传输背景和知识,设计了一套基于人体臀部的网络化无创血压智能监测系统。首先,为提高生理信号的质量和处理效率,本文提出了一种基于优质信号的提取算法。首先将预处理后的生理信号按照特征点对信号划分为多个部分,然后通过统计量分析,分别从波形形态稳定性的粗略判断和波形形态准确性的精确判断两方面进行判断,从而将该段信号中的优质信号提取出来,进而避免了因某一异常信号而放弃该段时间内的整段信号,影响后续处理的效率。其次,通过分析血压产生机理和人体各种不同生理特征之间的联系,本文提出基于用户个体特征(包括性别、年龄、身高、体重、有无遗传性高低血压、体质指数),及实时测量的心率、和由优质生理信号处理的血压估测值作为输入参数,以同一时间水银血压计的测量结果作为真实值,构造训练数据集。然后,分别建立支持向量回归模型和随机森林回归模型进行血压预测,并分别使用遗传算法和网格搜索法对模型参数调优。通过大量的经验学习和实验对比,得出随机森林回归模型血压预测结果的各项评价指标均优于支持向量回归模型,所以本监测系统最终选定随机森林回归模型作为血压修正模型。最后,分别从硬件和软件两方面详细阐述了整个网络化无创血压智能监测系统的实现方式。硬件部分主要为网络通信模块与信号采集模块的结合;软件方面,以Visual Studio 2016为软件开发平台,编写了一套多生理参数信息处理系统,主要功能包括数据通讯、生理信号的实时显示、生理参数处理结果展示、历史信息查询等。