随着生活水平的提高高血压的患病人数呈持续攀升的趋势,而对于大病初愈的人来说,低血压会导致失眠甚至晕厥,因此对高低血压的关注都非常重要。今天,大数据技术迅猛发展,利用其对血压进行准确的监测分析,对解决高、低血压带来的困扰具有重要的意义。针对血压测量方法不规范且预测准确率低下等问题,本文提出一种基于大数据分析,同时利用脉搏和血氧预测血压的新方案,重点研究如何通过网格搜索与交叉验证相结合的方式分别对支持向量机和人工神经网络模型的参数进行优化,以此提高算法模型的分析性能,从而更好地实现对高、低血压的分析预测。主要研究工作如下:(1)结合MIMIC数据库和传感器获得数据,并利用大数据平台的Hbase等对数据进行处理。(2)搭建Hadoop、Spark大数据平台,在此基础上构建支持向量机、人工神经网络、Logistic回归以及Lasso回归模型对血压进行分析预测,并用准确率和均方根误差进行评估。(3)将网格搜索引入到对血压进行分析预测的支持向量机和人工神经网络模型中,并利用交叉验证找出使得模型性能最优的参数对。(4)构建最优参数对下的支持向量机和人工神经网络模型,将脉搏、血氧数据输入模型中利用准确率和均方根误差进行评估。将评估值与步骤(2)得到的结果值进行对比。结果表明,参数寻优后的支持向量机对于高低压的预测准确率约为71.39%、81.69%,均方根误差值约为0.5349、0.6541,明显优于其余几种回归算法。验证了本文基于网格搜索改进的支持向量回归算法的有效性。