基于PPG的无创连续血压预测模型研究

摘要

众所周知，心脏是人体血液循环的中心，承担着使人体各器官正常运转的重任。血压是由心脏产生的人体非常重要的物理信号之一，正常人的血压在多种因素的调节下保持稳定;而对于老人或者病人来说，血压的波动往往会超出正常范围，而这种血压的非正常波动，对于判断一个人的生理状态十分有帮助。因此，如何有效地测量血压在医疗和日常生活中具有重要意义。
　　在日常生活中，目前最常用的血压测量设备是电子血压计，其原理是基于柯氏音和示波法，在使用电子血压计的过程中，需要对被测者施加压力，这种方法操作繁琐、不能连续监测，而且容易对被测者造成不适，所以有必要研究出更好的方法来进行无创连续的血压监测。得益于传感器技术的发展，人们可以很容易的获取人体脉搏的Photoplethysmogram(PPG)信号，很多研究也都基于PPG信号进行了血压的预测。因为PPG信号是一组连续波动的波形数据，通过从PPG信号的波形中提取出与血压显著相关的特征，然后对这些提取到的特征建立回归模型，从而预测出血压。
　　目前大部分研究者都是通过线性回归的方式建立PPG特征与血压的关系模型，而通过实验可以看出线性方式获得的模型在预测准确性上存在不足，所以本文将通过多种回归方法，对数据进行建模更好的预测血压。在回归模型的基础上，本文通过线性回归，神经网络等机器学习的方法，对PPG信号与血压进行线性和非线性回归建模，然后比较了各个方法的预测效果。针对血压的特点，本文提出了两种优化手段来提高血压预测的准确性。首先针对不同人群间存在的差异，通过聚类的方法将原始的数据分类，再对每一个类别建立回归模型，这样可以一定程度减小模型的误差。另外，通过分析数据，可以发现高压与低压间存在一定的相关性:其间的差值一般稳定在一定的范围，所以本文利用这一特点，提出了改进的梯度提升算法，对基本的回归模型进行优化。最终的实验结果表明，本文的方法能够快速有效地改善血压预测的效果，预测结果具有较低的误差。

目录

声明

摘要

第1章绪论

1．1研究背景与意义

1．2国内外研究现状

1．3论文的研究工作

1．4论文的组织及内容安排

第2章相关技术及研究

2．1 PPG信号相关知识

2．2回归模型

2．2．1线性回归模型

2．2．2非线性回归模型

2．4模型优化

2．5现有方法的不足

2．6本章小结

第3章模型实现与优化算法

3．1问题描述与模型实现流程

3．2基于聚类的优化算法

3．2．1聚类优化算法思想

3．3．2算法实现

3．3基于梯度提升的优化算法

3．3．1梯度提升优化算法思想

3．3．2限定阈值的梯度提升方法

3．3．3函数映射的梯度提升方法

3．4本章小结

第4章实验与结果分析

4．1实验数据

4．2实验环境及评价指标

4．3不同模型预测效果的比较

4．4优化算法的效果

4．4．1基于聚类的优化效果

4．4．2基于梯度提升的优化效果

4．5本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢