随着社会的进步与时代的发展,女性生理健康日益成为了人们共同关注的问题,其生理周期循环的规律与否能直接反应女性内在分泌系统的健康状况,受到了科研人员的重视。近年来市场上也出现了一些相关软件,以自主记录的方式推算下一周期中不同生理阶段对应的日期范围,但其预测过程缺乏科学性,准确率难以保证,而医学上基于生理指标的检测,过程繁琐且花销较大,不具有便捷性。针对这一现状,本文受中医脉诊启发,将传统的数据处理方式与深度学习算法相结合,基于脉搏信号提出了相关的数据预处理方案和特征深度挖掘方案,发现了脉搏中包含识别女性生理期不同阶段的通用特征及个性化特征,实现了通过脉搏来识别女性所处的不同生理阶段的目的。主要研究成果如下:1.针对脉搏信号预处理的噪声残余问题,提出了基于小波阈值降噪和波形形态学的脉搏信号联合预处理方案,剔除了过宽和过窄的异常脉搏波,去除了工频噪声、肌电噪声和基线漂移对脉搏的干扰,并根据本文设计的质量检测策略,舍弃了有效率低于指定阈值的低质量脉搏信号,实现了原始脉搏信号的噪声剔除与异常波形检测,提高了脉搏信号的质量与可靠性;2.针对脉搏信号的特征提取问题,提出了基于小波变换和深度神经网络ResNet模型的特征挖掘方案,将脉搏从时域转换到时频域,将低维局部特征扩大到高维空间,丰富了原始脉搏信号的特征。进一步地,基于ResNet卷积神经网络,搭建了适用于不同阶段生理期脉搏信号特征识别的多个ResNet18子模型,并通过Voting策略进行了模型融合,从而达到了基于脉搏来识别不同生理阶段的目的;3.基于上述脉搏信号预处理和特征提取方法,并结合迁移学习,本文根据不同应用场景设计了三组实验以验证上述方案的准确性,利用实测数据识别不同个体脉搏信号的通用特征与个性化特征。实验结果表明,脉搏中包含区分增殖期(月经前)、月经期(月经中)和分泌期(月经后)的通用特征和个性化特征,且在生理周期的排卵日当天,其脉搏特征也与非排卵日有所不同。