高血压已经成为严重危害全球公共健康的重大问题。据2015年国家心血管中心的统计结果:每年大约350万人死于心血管病,占总死亡原因的41%。其中70%的脑卒中和50%的心肌梗死死亡与高血压密切相关。并且,高血压被称为“无声的杀手”,不仅是因为高血压的高患病率和后期致死率,更重要的是大多数高血压患者在日常生活中并不清楚自己的血压状况,高血压的知晓率和控制率都十分不理想。因此,能够对血压进行定期管理和监测,对于高血压的早期诊断和有效预防高血压,甚至降低心脑血管疾病的发病率都具有非常重要的意义。然而血压具有一定的波动性,特别是血压变异中的快变化与心脑血管疾病的发生密切相关。而目前的连续无创血压估计研究侧重于时刻血压值的精确估计,然而精度并不是很理想,在追求高准确性的同时往往忽视了对血压变异性参数的分析。因此,本课题提出在研究连续无创血压估计方法的同时,通过时域、频域以及非线性动力学计算方法研究每搏血压的波动情况,探索连续无创血压在高血压早期诊断方面的应用。针对这一研究课题,本论文的研究内容主要包括:(1)研究基于约束估计的信号质量评估方法。脉搏波传导时间的准确计算是血压精确估计的前提。为了提高血压估计的准确性,我们首先研究了基于约束估计的信号质量评估方法,包括信号特征提取模块、约束估计建模、时序预测与信号质量分析决策模块,以及一个离线的参数训练调优模块。对于每一信号段,将已抽取的特征组合形成特征矢量,根据生理信号的先验知识,进行约束建模并建立时序估计系统,迭代追踪重要特征参数的时序变化,并结合额外规则库对信号质量进行定级和信号数据有效性的评价。最终建立三层的信号质量评估体系,对于第三级污染较严重的信号直接舍弃。经验证,本方法不仅可以提高信号处理的效率,而且可以提高特征值提取的准确性,为准确的血压建模提供基础。(2)研究基于BP(Back Propagation)神经网络和深度神经网络的连续无创血压估计方法。考虑到血压的影响因素复杂,基于脉搏波传导时间的传统血压拟合公式本身存在较大的误差,因此,本论文利用对复杂函数逼近能力更强的神经网络来进行连续无创血压的建模。在初期实验中,首先通过心电信号和脉搏波信号计算脉搏波传导时间和心率,并结合多元个体特征(心率、身高、体重、体质指数、性别、年龄)作为神经网络的输入,设计三层前馈神经网络对收缩压和舒张压进行估计。后期实验,我们探索了融合波形信息、人工特征以及个体信息,基于深度学习的连续无创血压估计方法。不仅证明了该算法具有良好的鲁棒性,并且与同类研究进行对比,在精度上也具有一定的优势,特别是在舒张压估计上取得了较高的估计精度。(3)研究时域、频域以及非线性血压变异参数的分析方法。针对每搏血压变异性评价指标不完善的问题,本论文分别从时域、频域以及非线性理论方面提出了血压变异性参数的评价方法,特别提出了利用非线性动力学理论中的近似熵和样本熵的方法来评估血压变异性。(4)研究连续无创血压变异性参数的应用价值。主要从两个方面进行,第一个方面是针对高血压的早期预测及识别。通过冷加压实验来观察高血压的后代和非高血压后代两组人群心血管参数的反应,发现通过连续血压计算的频域血压变异性是识别早期高血压的潜在指标。第二个方面是针对高血压靶器官损害,从心脏损害、血管结构变化、动脉弹性以及斑块发生等几个角度来进行评估,主要计算和测量的指标是左心室质量指数、颈动脉内中膜厚度、颈动脉壁运动位移以及斑块个数。通过样本检验、相关性分析以及多元线性回归等统计学方法,最终建立了血压以及血压变异性参数与高血压靶器官损害之间的量化评估方程,证明了连续血压计算出的每搏血压变异性参数在高血压早期诊断方面的应用价值。最后,本文对研究工作进行了总结并提出了未来的研究方向。