在心血管疾病的初期,虽然患者还没有自觉症状,但血压、血流、血管阻力、血管弹性和血液粘性等一系列心血管血流参数实际上已经发生了变化,并首先反应在脉搏波的波形变化中,因此根据正常情况和非正常的疾病情况脉搏波的比较判断,就有可能将心血管疾病潜在的危险及早诊断出来,为心血管疾病的预防和治疗争取宝贵时间.本文着重分析了脉搏波产生的生理机制和物理本质,进一步阐述了脉搏波与人体生理病理之间存在着密切的关系,即当血管阻力和动脉弹性参数按一定规律变化时,脉搏波的波形会出现一系列规律性的动态变化,由此得知根据脉搏波形来判断肌体健康的可行性.本文所研究的脉搏波是利用压力传感器所测量的桡动脉处的脉搏波,并介绍了脉搏波采集的硬件电路.脉搏波是个相对低频信号,其谱能量主要分布在10Hz以下.在脉搏波测量过程中,很容易引入基线漂移.基线漂移传统的矫正方法有RC滤波,数字滤波补偿法等.采用数字滤波的方法可以部分补偿基线漂移,但如何确定截止频率是很难解决的,对此提出了一种自适应线性拟合来抑制基线漂移的方法,即通过多点采样,用最小二乘法拟合出基线的变化趋势,并对脉搏波信号进行修正,得到稳定的波形.小波变换被称作是"数学显微镜",本文利用小波变换尺度函数的低通滤波特性,将显现于大尺度上的基线漂移去除,并由重构算法恢复去除基线漂移后的信号.本课题的主要目的是根据脉搏波的特征参数来实现对动脉硬化的诊断.与动脉硬化有关的因素有很多,其中主要因素有年龄、性别、K值、收缩压.因为多层神经网络可以无限逼近一个多输入多输出的非线性函数,所以采用模糊神经网络来实现对动脉硬化的辨识.该网络以前面几个与动脉硬化有关的主要因素为输入量,通过多个样本来训练网络,并根据最大值准则,以达到对动脉硬化的诊断目的.针对传统BP算法存在的收敛速度慢和容易收敛于局部极小的缺陷,采用了动量法和自适应学习速率方法来改进神经网络,并尽量选取较小的网络规模来提高速度.实验结果表明,这种方法来对动脉硬化的诊断是有效的.