为了从脉搏波形中准确预测血压波形，提出了一种嵌入挤压激励网络（SENet）的多门控递归单元（GRU）模型用于连续血压预测。首先，从多个GRU信道中提取脉冲特征。然后，嵌入SENet模块，学习通道之间的相互依赖性，从而获得每个通道的权重。最后，将权重添加到每个通道，并通过积分两个线性层获得预测的连续血压值。实验结果表明，嵌入式SENet可以有效增强多GRU结构的预测能力，获得良好的连续血压波形。与无SENet的LSTM和GRU模型相比，该方法的MSE误差分别减少了29.3%和25.0%，训练时间分别减少了69.8%和68.7%，测试时间减少了65.9%和25.2%，模型参数最少。

1. [1] L.Ma，Y.Wu，W.Wang等人，“中国心血管疾病报告解读（2017）”，《中国心血管病杂志》，第23卷第1期，第3-6页，2018年。
2. [2] 方俊杰、张振中，“基于小波分析和BP神经网络的人体血压预测”，《消化杂志》，第26卷，第8期，第157-161页，2017年。
3. [3] 王毅，“基于Elman神经网络的无创连续血压测量研究”，吉林大学，2018。
4. [4] J.Zhang，L.Gu，S.Jiang，“基于卷积递归神经网络的血压测量模型”，北京生物医学工程，第37卷，第5期，第494-501页，2018年。
5. [5] P.Su，X.R.Ding，Y.T.Zhang等人，“利用深度递归神经网络进行长期血压预测”，IEEE EMBS国际生物医学与健康信息学会议，2018年，第323-328页。
6. [6] A.Zhang，P.Wang，Y.Chou，“基于动态微分阈值的脉冲信号峰值检测算法”，吉林大学学报（工程版），第44卷，第3期，第847-853页，2014年。
7. [7] D.Lin，A.Zhang，R.Shen，P.Wang，L.Yang，X.Chen，“双目视觉脉冲测量系统中的相机同步采集方法”，吉林大学学报（工程版），第45卷，第6期，第1999-2006页，2015年。
8. [8] D.Lin，A.Zhang，J.Gu等人，“基于双目视觉理论的桡动脉多点脉搏波和动态3D脉搏形状检测”，《生物医学中的计算机方法和程序》，第61-73页，2018年。
9. [9] H.Chang，X.Chen，A.Zhang，C.Li，D.Lin，“基于嵌入改进SENet的卷积神经网络的连续血压预测”，《计算机工程与应用》，第57卷，第7期，第130-135页，2021年。
10. [10] R.Dey和F.M.Salemt，“选通递归单元（GRU）神经网络的选通变体”，2017年IEEE第60届国际中西部交响乐团。《电路与系统》（MWSCAS），第1597-1600页，2017年。
11. [11] K.Cho，B.van Merrienboer，C.Gulcehre等人，“使用RNN编码器-解码器学习短语表示用于统计机器翻译”，arXiv预印本，arXiv:1406.10782014年。
12. [12] J.Hu、L.Shen和G.Sun，“挤压和激励网络”，Proc。IEEE计算机视觉和模式识别会议，第7132-7141页，2018年。
13. [13] O.Russakovsky，J.Deng，H.Su等人，“ImageNet大规模视觉识别挑战”，《计算机视觉国际期刊》，第115卷，第3期，第211-252页，2015年。
14. [14] B.Zhou，A.Lapedriza，A.Khosla等人，“位置：用于场景识别的1000万图像数据库”，IEEE Trans。《模式分析与机器智能》，第40卷，第6期，第1452-1464页，2017年。