基于CNN-LSTM混合神经网络的血压预测方法研究OA

针对高血压等慢性疾病发病时具有隐匿性的问题,文中将深度学习与无袖带式血压计结合,进行无创连续血压测量以提高其准确性;利用心电图(ECG)和光电容积描记图(PPG)信号,通过卷积神经网络(CNN)和长短期记忆网络(LSTM)相结合的深度学习算法,预测用户的收缩压、舒张压;通过硬件采集和处理ECG及PPG信号,以确保数据质量;采用CNN提取局部特征、LSTM捕捉时序依赖,实现血压的精准预测.实验结果表明,CNN-LSTM混合神经网络血压预测方法的平均绝对误差在4 mmHg以内,收缩压和舒张压的平均相对误差分别为3.36%和4.67%,测量精度与传统欧姆龙血压计相当,但在便携性、实时性和用户体验上显著提升,拥有良好的应用前景,推动了智能健康监测设备的发展,为未来智能健康监测设备的发展提供了新的思路和方向.