血压测量是常用的心血管健康监测手段,其对于高血压的预防和治疗重要作用。利用光电容脉搏波描记法技术,可以从人体体表获取脉搏波信号,这种脉搏波信号可用于人体血压测量。由于面部视频的复杂性,从人脸视频中所获取的脉搏波质量不佳。当前主要利用相关硬件采集指端脉搏波信号,并采用复杂的特征工程提取波形特征,基于此建立血压模型。这种方法所建立的血压模型在现实使用中普遍存在模型泛化能力不强,适用性较差的问题。本文对面部视频脉搏波提取及血压测量方法进行研究,主要工作和创新点如下:1.提出了一种基于联合稀疏的脉搏波重建方法,该方法结合运动检测机制生成的运动掩膜,采用正交匹配追踪的方法对多区域观测向量进行求解,实现了对脉搏波信号的重建。2.设计了一种基于注意力融合机制的血压深度网络模型,其采用双向长短记忆神经网络自动从脉搏波波形提取波形特征,并利用自注意力机制将波形特征与个人特征融合,实现对人体的血压测量。与传统的血压模型构建方法不同,本文所设计的血压网络不需要进行复杂的特征工程,避免了人工设计特征的复杂性。本文所设计的血压模型在自建立的Facevideo PPG-BP测试集上所达到的精度为收缩压7.56±9.61 mm Hg,舒张压5.34±6.71 mm Hg。在选择的MIMIC1.0测试集上所达到的精度为收缩压4.54±5.88 mm Hg,舒张压3.36±4.21 mm Hg。与相关工作的对比显示,本文方法对于人脸视频血压测量具有较好的效果,并且所设计的血压模型的适应性良好。