基于人体视频的非接触式血压测量设备制造技术

本发明专利技术涉及基于人体视频的非接触式血压测量设备，人体视频特征计算模块，用于获取人体视频所有帧的特征向量后，将所有特征向量拼接为一个时空特征映射，并对该时空特征映射进行空间切片，形成多时域空间特征映射；神经网络计算模块，用于对多时域空间特征映射进行高维特征提取后，将提取的高维特征使用LSTM加强时域特征关联，得到血压测量区间，并使用分类器对血压测量区间进行分类，将特征提取的输出和分类后的结果相结合，从而得到血压测量数值。本方案使用血压分类器用来计算血压区间，既能帮助神经网络区分不同血压区间的高维特征，减轻过拟合现象，增强血压计算器的拟合能力，又可以定位血压区间，校正最终血压数值，提升网络表现。升网络表现。升网络表现。

【技术实现步骤摘要】
基于人体视频的非接触式血压测量设备


[0001]本专利技术涉及人体视频特征处理
，特别涉及一种基于人体视频的非接触式血压测量设备。

技术介绍

[0002]血压是人体的重要生理参数，长期以来，血压测量主要分为直接测量法和间接测量法，直接测量法是利用仪器设备直接监测人体生物信号，间接法是通过光电传感器或电极获取皮肤表面的光感受器脉搏波，根据脉搏波变化提取特征，然后利用特征计算脉搏的收缩压和舒张压。
[0003]然而，传统方式的测量精度容易受到诸多因素的影响，比如测量人员的专业能力，再比如被测人员的身高、体重、年龄、测量环境等。在血压测量的领域，传统测量设备的稳定性强，但是不便于携带，基于光电容积描记法(PPG)的血压测量设备适用场景丰富，但其准确性和稳定性有待提高。而且，无论是传统的测量设备，还是基于PPG技术的特征提取测量设备都属于接触式被动测量，长时间的接触式测量势必造成被测人员生理上的不适。
[0004]申请号为CN202111111390.6，名称为《基于人脸视频的非接触式血压测量设备》的专利公开了一种提高血压测量的准确性，以及提高测试者的舒适性的非接触式血压测量设备，但是该现有技术在获取到高维特征后直接进行拟合，最后得到的血压测量值不太准确。

技术实现思路

[0005]本专利技术的目的在于提高血压测量的准确性，以及提高测试者的舒适性，提供一种基于人体视频的非接触式血压测量设备。
[0006]为了实现上述专利技术目的，本专利技术实施例提供了以下技术方案：
[0007]基于人体视频的非接触式血压测量设备，包括：
[0008]人体视频特征计算模块，用于获取人体视频所有帧的特征向量后，将所有特征向量拼接为一个时空特征映射，并对该时空特征映射进行空间切片，形成多时域空间特征映射；
[0009]神经网络计算模块，用于对多时域空间特征映射进行高维特征提取后，将提取的高维特征使用LSTM加强时域特征关联，得到血压测量区间，并使用分类器对血压测量区间进行分类，将特征提取的输出和分类后的结果相结合，从而得到血压测量数值。
[0010]在上述方案中，本方案创新设计的血压分类器用来计算血压区间，既能帮助神经网络区分不同血压区间的高维特征，减轻过拟合现象，增强血压计算器的拟合能力，又可以定位血压区间，校正最终血压数值，提升网络表现。
[0011]更进一步地，所述神经网络计算模块包括特征提取网络模块、血压分类器、血压计算器，其中，
[0012]所述特征提取网络模块用于对多时域空间特征映射STS(m)进行高维特征提取，每个时域片段对应的特征提取网络均采用相同的参数，并对提取的高维特征加强时间关联，
从而得到高维语义特征F；
[0013]所述血压分类器用于对高维语义特征F进行分类，从而得到血压区间特征：
[0014]F＝CAT(∪FE(STS(m)))
[0015]F
cla
＝CLA(F)
[0016]其中FE表示由特征提取网络模块，CAT表示维度拼接操作，F表示特征提取网络模块得到的高维语义特征，CLA表示血压分类器，F
cla
表示血压分类器输出的血压区间特征，且F
cla
中包括两个血压区间特征，一个血压区间特征代表高血压，另一个血压区间特征代表非高血压；
[0017]所述血压计算器用于根据血压区间特征计算出血压测量值：
[0018]R
reg
＝REG(CAT(F,F
cla
))
[0019]R
cla
＝SOFTMAX(F
cla
)
[0020]其中REG表示血压计算器，R
cla
表示血压分类器输出的血压区间，且R
cla
中包括两个血压区间，一个血压区间代表高血压，另一个血压区间代表非高血压，R
reg
表示血压计算器输出的血压测量值，SOFTMAX表示softmax操作。
[0021]更进一步地，所述神经网络计算模块还包括血压校正器，所述血压校正器用于以血压分类器输出的血压区间为基准值，配合血压计算器输出的血压测量值进行偏差校准计算：
[0022]R＝Sta(R
cla
)+α*R
reg
[0023]其中Sta表示各个血压区间的基准值，α表示血压计算器的权重，R表示进行偏差校准后的血压测量值。
[0024]更进一步地，所述特征提取网络模块包括残差卷积神经网络、LSTM网络，其中，所述残差卷积神经网络用于对多时域空间特征映射STS(m)进行高维特征提取，每个时域片段所对应的特征提取网络均采用相同的参数；所述LSTM网络用于对残差卷积神经网络提取的高维特征加强时间关联，从而得到高维语义特征F。
[0025]更进一步地，所述人体视频特征计算模块包括人体视频采集终端、数据增强模块、空间特征处理模块，其中，
[0026]所述人体视频采集终端用于获取人体视频，并将人体视频中每一帧图像进行ROI区域拼接和特征提取，以得到特征序列；
[0027]所述数据增强模块用于从人体视频采集终端获取的人体视频中提取血容积脉搏波相关信息，并根据人体视频采集终端所得到的特征序列，采用YUVT颜色空间使血容积脉搏波相关信息在颜色空间中增强维度特征，得到维度特征增强后的视频序列；
[0028]所述空间特征处理模块用于计算维度特征增强后的视频序列的特征向量，并将所有帧的特征向量拼接为一个时空特征映射，并对该时空特征映射进行空间切片，形成多时域空间特征映射。
[0029]更进一步地，所述人体视频采集终端包括人体视频识别引擎、特征图生成模块、特征序列生成模块，其中，
[0030]所述人体视频识别引擎用于获取人体视频，并提取出人体视频中的每一帧图像，将所有帧的图像组合为图像序列A＝{A1,...A
t
,...A
T
}，其中A
t
表示第t帧图像；
[0031]所述特征图生成模块与人体视频识别引擎的数据输出端连接，用于将人体视频的
每一帧图像生成4块ROI区域，并将4块ROI区域重组拼接为该帧图像的ROI特征图f
roi
＝(t,r
i
)，r
i
∈[r1,r2,r3,r4]；其中t表示人体视频的第t帧图像，r
i
表示4块ROI区域；从而得到T帧图像的ROI特征图f
roi
＝(t,r
i
)，t∈T；
[0032]所述特征序列生成模块与特征图生成模块的数据输出端连接，用于将T帧图像的ROI特征图f
roi
＝(t,r
i
)的序列中随机选取帧数长度为V的片段f
roi
＝(v,r
i
),v∈V，随机选取片段f
roi
＝(v,r...

【技术保护点】

【技术特征摘要】
1.基于人体视频的非接触式血压测量设备，其特征在于：包括：人体视频特征计算模块，用于获取人体视频所有帧的特征向量后，将所有特征向量拼接为一个时空特征映射，并对该时空特征映射进行空间切片，形成多时域空间特征映射；神经网络计算模块，用于对多时域空间特征映射进行高维特征提取后，将提取的高维特征使用LSTM加强时域特征关联，得到血压测量区间，并使用分类器对血压测量区间进行分类，将特征提取的输出和分类后的结果相结合，从而得到血压测量数值。2.根据权利要求1所述的基于人体视频的非接触式血压测量设备，其特征在于：所述神经网络计算模块包括特征提取网络模块、血压分类器、血压计算器，其中，所述特征提取网络模块用于对多时域空间特征映射STS(m)进行高维特征提取，每个时域片段对应的特征提取网络均采用相同的参数，并对提取的高维特征加强时间关联，从而得到高维语义特征F；所述血压分类器用于对高维语义特征F进行分类，从而得到血压区间特征：F＝CAT(∪FE(STS(m)))F
cla
＝CLA(F)其中FE表示由特征提取网络模块，CAT表示维度拼接操作，F表示特征提取网络模块得到的高维语义特征，CLA表示血压分类器，F
cla
表示血压分类器输出的血压区间特征，且F
cla
中包括两个血压区间特征，一个血压区间特征代表高血压，另一个血压区间特征代表非高血压；所述血压计算器用于根据血压区间特征计算出血压测量值：R
reg
＝REG(CAT(F,F
cla
))R
cla
＝SOFTMAX(F
cla
)其中REG表示血压计算器，R
cla
表示血压分类器输出的血压区间，且R
cla
中包括两个血压区间，一个血压区间代表高血压，另一个血压区间代表非高血压，R
reg
表示血压计算器输出的血压测量值，SOFTMAX表示softmax操作。3.根据权利要求2所述的基于人体视频的非接触式血压测量设备，其特征在于：所述神经网络计算模块还包括血压校正器，所述血压校正器用于以血压分类器输出的血压区间为基准值，配合血压计算器输出的血压测量值进行偏差校准计算：R＝Sta(R
cla
)+α*R
reg
其中Sta表示各个血压区间的基准值，α表示血压计算器的权重，R表示进行偏差校准后的血压测量值。4.根据权利要求2所述的基于人体视频的非接触式血压测量设备，其特征在于：所述特征提取网络模块包括残差卷积神经网络、LSTM网络，其中，所述残差卷积神经网络用于对多时域空间特征映射STS(m)进行高维特征提取，每个时域片段所对应的特征提取网络均采用相同的参数；所述LSTM网络用于对残差卷积神经网络提取的高维特征加强时间关联，从而得到高维语义特征F。5.根据权利要求1所述的基于人体视频的非接触式血压测量设备，其特征在于：所述人体视频特征计算模块包括人体视频采集终端、数据增强模块、空间特征处理模块，其中，所述人体视频采集终端用于获取人体视频，并将人体视频中每一帧图像进行ROI区域拼接和特征提取，以得到特征序列；
所述数据增强模块用于从人体视频采集终端获取的人体视频中提取血容积脉搏波相关信息，并根据人体视频采集终端所得到的特征序列，采用YUVT颜色空间使血容积脉搏波相关信息在颜色空间中增强维度特征，得到维度特征增强后的视频序列；所述空间特征处理模块用于计算维度特征增强后的视频序列的特征向量，并将所有帧的特征向量拼接为一个时空特征映射，并对该时空特征映射进行空间切片，形成多时域空间特征映射。6.根据权利要求5所述的基于人体视频的非接触式血压测量设备，其特征在于：所述人体视频采集终端包括人体视频识别引擎、特征图生成模块、特征序列生成模块，其中，所述人体视频识别引擎用于获取人体视...

【专利技术属性】
技术研发人员：庄嘉良，张亮，郑秀娟，张昀，
申请(专利权)人：西安奇点融合信息科技有限公司，
类型：发明
国别省市：