连续血压的波形获取对监测人体健康状况具有重要的意义。传统的血压预测方法大多是通过脉搏信号等参数,逐点预测或者只能对高压低压进行预测,无法快速获得完整精确的连续血压波形。因此,怎样由脉搏信号获取连续血压波形是亟需解决的问题。本文围绕这一问题,通过对现有深度学习模型进行改进与创新,提出了三种连续血压预测方法,并通过详细的实验对比和结果分析,证明了这些基于深度学习的预测方法可以从脉搏信号中准确预测出连续血压波形。本文的主要工作如下:(1)提出了嵌入SENet(Sequeeze-and-Excitation Network)的多门控循环单元(Gated Recurrent Unit,GRU)连续血压预测方法。首先利用多个GRU通道提取脉搏中的特征,然后嵌入SENet模块来学习多个通道之间的相互依赖关系,从而得到每个通道的权重,最后将权重加入到每个通道上,通过两个Linear层整合,获得预测的连续血压值。实验结果表明,嵌入SENet可以有效增加多GRU结构的预测能力,得到良好的连续血压波形,与未嵌入SENet的长短期记忆(Long Sho rt-Term Memory,LSTM)网络和GRU模型相比,所提出的预测方法MSE误差分别下降31.4%和27.3%,训练时间分别缩短69.8%和68.7%。(2)提出了基于改进SENet卷积神经网络和自学习参数滤波器的连续血压预测方法。首先针对脉搏-血压数据时序特征,对原始SENet内部通道建模过程进行了改进,即将原始SENet的内部通道依赖关系由Linear层改为可以利用时序数据的GRU层。改进后的SENet将卷积层每个通道的描述符输入到GRU中,使得G RU输出的权重可以加权到每个通道上,从而使卷积神经网络拥有利用时序信息的能力。实验结果表明,改进SENet可以有效增加简单卷积神经网络对时序数据的预测能力,在卷积层数为二层、三层和四层时比简单卷积神经网络预测精度提升了34.8%、23.5%和36.0%,在此基础上利用自学习参数滤波器消除血压预测波形中的毛刺,最后获得平滑的连续血压预测波形。(3)提出了卷积多头注意力连续血压预测方法。该方法将经典多头注意力中的全连接层全部替换成卷积层,解决了经典多头注意力在连续血压预测任务上精度低的问题,解决了经典多头注意力在进行分头运算时维度操作过于复杂的问题。实验结果表明,卷积多头注意力比经典多头注意力在连续血压预测精度上提升了66%左右,并且当选择稀疏注意力时卷积多头注意力在连续血压预测任务上的综合性能最好。