以心血管、呼吸系统疾病为代表的慢性疾病已成为全球范围内人类最常见的死亡原因之一。慢性疾病通常具有多种并发症,与呼速率、心率等生命体征参数的时间相关性很强。随着健康意识的提高,人们愈加关注慢性疾病及其并发症的监测,因此多维特征提取和异常分析就成为了一项非常重要的研究任务。随着智能终端设备的发展,可穿戴设备正成为一项可普遍覆盖人们日常生活的新兴医疗监护设备,能够广泛应用于多种人体特征参数的监测任务中。但是由于可穿戴设备应用场景复杂,实际采集的光电容积脉搏波信号极易受到噪声的干扰,会降低特征提取的精度。因此,基于脉搏波信号降噪的多维特征监测与分析是当前阶段的研究重点和难点。为了面向可穿戴设备实现更加精确的人体健康水平监测和异常情况智能诊断,本文首先利用深度学习在特征提取上的优势设计了基于卷积神经网络的深度学习降噪模型;然后提出了一种多维特征参数提取方案,结合机器学习算法对特征提取结果进行拟合修正并对人体健康水平进行智能评估。由于脉搏波信号具有周期性特征,因此选择卷积神经网络进行信号降噪和重构。为了提高模型的学习能力,本文还设计了基于先验正则化的调优算法,通过调整模型训练过程中的网络参数,进一步降低了模型的复杂度并提高了模型的降噪性能。完成信号去噪任务后,本文采用基于频谱分析的谱峰追踪算法对呼吸率和心率特征进行提取,并结合基于回归模型融合的集成策略对特征提取过程进行拟合修正,提高了模型在复杂环境下特征提取的准确性和鲁棒性。最后,本文在脉搏波信号特征提取和波形识别的基础上,结合机器学习算法设计智能诊断方案,进一步扩展了健康水平异常检测方法。本文的主要工作和贡献如下:·提出了基于卷积神经网络的深度学习降噪模型。在传统去噪方法无法有效滤除同频干扰的情况下,进行脉搏波信号的降噪以及波形重构。实验结果表明该模型能够有效学习脉搏波信号的波形特征,并完成复杂情况下的脉搏波信号去噪任务。·提出了基于先验正则化的调优算法,极大地提高了模型的学习能力。并通过无标签预训练的方式,有效地选择模型超参数的初始化数值,使模型能够快速地选择最优配置并进一步降低模型的复杂度。·提出了基于谱峰追踪的多维特征参数提取算法。结合集成策略的回归方法进行心率和呼吸率提取算法的优化,实验结果表明特征提取算法在复杂环境下具有较高的准确性和鲁棒性。·提出了结合机器学习算法的智能诊断方案。针对数据集中存在少量标签的情况,设计特征选择和智能诊断方案,实验结果表明了该方案在异常样本检测任务中的有效性。针对可穿戴设备应用场景的复杂性以及长期多维健康水平监测的要求,本文提出了基于卷积神经网络的深度降噪网络。当存在复杂噪声干扰时,模型同样表现出较好的去噪性能。结合所提出的多维特征参数提取以及智能诊断的分析方法,提高了多维健康水平监测的鲁棒性,为可穿戴设备的应用场景普及做出了贡献。基于深度学习的信号去噪方法也为去除信号中存在的同频干扰提供了新思路。