血压和心电信号是临床检测中标志人体健康状况的两项重要指标。腕式血压测量和心电图观察是其常规的诊断方法,诊断过程依赖专业的医护人员,测量时间的可控性差,容易加剧医疗资源的紧张。为此,本文采用机器学习方法进行血压预测和心律异常分类,提出基于支持向量机的血压预测模型和基于自适应提升算法的心律异常分类模型,主要研究内容如下。首先,本文深入分析心电和脉搏波两项生理信号以及特征处理方法。心电和脉搏波信号作为人体重要的生理信号,均具有周期性和典型的波形特征;不同特征选择和提取方法从不同角度分析人体生理数据。其次,本文提出基于支持向量机回归算法的血压预测模型。根据数据的采样频率设计数据合理的拓展方式,并结合无监督和有监督两种特征选择方法分析各生理特征之间及与血压之间的相关性,进行特征选择和组合,采用非线性核函数的支持向量机学习各生理特征与血压之间的映射关系,实现准确地血压预测。再次,本文提出基于自适应提升算法的心律异常分类模型。按照医疗器械进步协会标准和非交叉方式,定义心律异常数据集。对心电信号进行滤波器处理和心电节拍分割后,从时域和变换域两个不同角度提取五种心电信号特征,采用分类树作为基分类器的自适应提升算法学习多种心律异常间的差异,实现准确地心律异常的多分类。最后,本文分别介绍血压预测模型和心律异常分类模型的具体的实验环境、评价指标,并分析实验结果,验证模型的有效性和准确率。