【技术实现步骤摘要】
本专利技术属于非接触心率检测，具体为一种基于kdn-wtrfa的非接触心率检测方法。
技术介绍
1、在呼吸道疾病的防治中，非接触式的心率检测技术可以有效降低医护人员的感染风险，提高患者的舒适度。心率是一项重要的生理指标，反映了心血管系统的功能状态，受到多种因素的影响。因此，非接触式心率检测技术需要具有高度的准确性和稳定性。近年来，许多研究者对该技术进行了深入的探索和尝试，verkruysse等人最早提出了一种利用彩色视频采集器在自然光照下获取人脸皮肤信息，并从中提取人体生理信号的方法。该方法证明了基于远程光学生理传感(remote photoplethysmography,rppg)技术获取人体生理指标的可行性，为后续的研究和创新奠定了基础。目前，较为成熟的非接触式心率检测算法主要包括两个步骤：首先是对视频数据进行预处理，消除噪声和干扰；其次是从处理后的视频中提取血容量脉冲(blood volume pulse,bvp)信号，进而计算心率。实现rppg最重要的是准确获取bvp信号，并进行处理。
2、有些学者针对视频的预处理进行改进，提出各种针对人脸roi区域的选定，最初采取基于人脸检测的方法是最简单直观的方法，但是受到人脸检测算法的性能影响，容易受到人脸姿态、表情、光照、遮挡等因素的干扰。之后，采用基于人脸关键点的方法是能够适应不同的人脸姿态和表情的方法，但是需要较高的计算复杂度，且对人脸关键点的精度要求较高。当然，也有基于深度学习的方法，这是能够自动学习人脸roi区域的最优特征的方法，但是需要大量的标注数据，且训练
3、但是非接触心率监测的性能主要受到三个方面的影响：第一，训练数据集较少，并且缺乏不同场景下的高质量样本数据，导致深度学习网络的泛化能力不足。第二，bvp信号反映的是身体特定部位因心脏搏动而产生的对不同波长光照吸收/反射量的周期性变化，所以其对光极为敏感，又因为在现实的视频录制中极易产生光照变化，从而影响bvp信号。针对这个问题需要对视频进行预处理。第三，在视频预处理后，如何将视频信息转换为准确的bvp信号。
技术实现思路
1、本专利技术的目的在于：为了解决上述提出的问题，提供一种基于kdn-wtrfa的非接触心率检测方法。
2、本专利技术采用的技术方案如下：一种基于kdn-wtrfa的非接触心率检测方法，所述检测方法包括以下步骤：
3、s1：进行数据预处理操作，主要包括时间相位选择、人脸检测和对齐以及图像大小归一化。一般来说，bvp表示是一个生理上受约束的分阶段序列。它包含一系列一般的时间相位，即开始、顶点、偏移和结束。不同人的面部血液变化几乎都呈现周期变化，所以表示动态变化的其他阶段可以用于从视频中获得区别特征；
4、s2：将视频输入教师网络经过3*3*16的卷积，进行初步的特征提取；
5、s3：经过小波变换，采用haar小波作为二维离散小波分解的基准函数。haar小波处理通过计算相邻元素的总和以及差分来处理数据。首先，对每一行像素值进行一维小波变换；该操作给出了平均值以及每一行的详细系数。然后，对于这些转换后的行，再次对每一列应用一维小波变换；
6、s4：经过教师网络中的残差网络部分，进行准确的特征提取与识别，为后续学生网络的学习，提供准确的参数；
7、s5：通过感受野注意力(receptive-field attention convolutionaloperation，rfaconv)，充分考虑了感受野中每个特征的重要性，并增强了空域特征图；
8、s6：经过双分支卷积层，实现两个任务。任务1：进行面部au单元的准确定位。任务2：完成bvp信号的提取；
9、s7：将面部特征图输入学生网络，进行初步的训练，学习特征；
10、s8：通过复合损失，将学生网络的性能逐步优化，最终达到更好效果的非接触心率检测，之后即可结束整个基于kdn-wtrfa的非接触心率检测过程。
11、在一优选的实施方式中，所述步骤s3中，先对相邻的水平元素应用haar小波，然后对相邻的垂直元素应用。
12、在一优选的实施方式中，所述步骤s3中，离散haar小波变换公式如下：
13、
14、
15、给定离散信号f的值为f1,f2,…fn，使用以下方法，根据f的值计算一对子信号的公式称为平均a和波动d，其中m＝1,2,…n/2。
16、在一优选的实施方式中，所述步骤s5中，对于rfaconv，通过交互感受野特征信息来学习注意力图可以提高网络性能。然而，与每个感受野特征的交互可能会导致额外的计算开销。
17、在一优选的实施方式中，所述步骤s5中，为了最小化计算开销和参数数量，avgpool被用来聚合每个感受野特性的全局信息。然后，使用1×1组卷积运算来交互信息。
18、在一优选的实施方式中，所述步骤s5中，使用softmax来强调感受野特征中每个特征的重要性。rfa的计算公式为：
19、f＝softmax(g1×1(avgpool(x)))×relu(norm(gk×k(x)))
20、f＝arf×frf
21、式中，g1×1表示大小为1×1的分组卷积，k表示卷积核的大小，norm表示归一化，x表示输入特征图，f是通过将注意力图arf与变换的感受野空间特征frf相乘而获得的。
22、在一优选的实施方式中，所述步骤s4中，其中残差模块有三组。在每组中，有四个块。具有单位映射的残差块可以由以下公式表示：
23、xl+1＝xl+f(xl,wl)
24、式中，xl和xl+1分别是网络中第l个单元的输入和输出，f是残差函数，wl是块的参数。f表示要学习的残差映射。在网络中，f有两个连续的3*3个具有批量归一化和relu激活函数的卷积。
25、在一优选的实施方式中，所述步骤s6中，在残差网络之后，有一个双分支卷积层，它将高维输入重塑为向量。该网络有两个分支：一个用于au识别，另一个用于bvp信号提取。模型的损失计算如下：
26、lteacher＝φ1l1+φ2l2
27、式中，lteacher是所提出的深度预训练教师神经网络中的主要损失，l1是au识别的损失，l2是提取bvp信号的损失，φ1和φ2是两个手动设置的参数，用于平衡两个子任务。l1是多标签交叉熵损失，l2是softmax交叉熵损失。其中l1公式如下：
28、
29、式中，样本数量为n，au数量为c，基本事实为y＝{ync}；预测值为
30、l2公式如下：
31、
32、式中，样本数量为n，bvp信号为k，基本事实为y＝{ynk}；预测值为
33、在一优选的实施方式中，所述步骤s8中，学生模型的损失公式如下：
34、lstudent＝α1loss1+α2loss2<本文档来自技高网...
【技术保护点】
1.一种基于KDN-WTRFA的非接触心率检测方法，其特征在于：所述检测方法包括以下步骤：
2.如权利要求1所述的一种基于KDN-WTRFA的非接触心率检测方法，其特征在于：所述步骤S3中，先对相邻的水平元素应用Haar小波，然后对相邻的垂直元素应用。
3.如权利要求1所述的一种基于KDN-WTRFA的非接触心率检测方法，其特征在于：所述步骤S3中，离散Haar小波变换公式如下：
4.如权利要求1所述的一种基于KDN-WTRFA的非接触心率检测方法，其特征在于：所述步骤S5中，对于RFAConv，通过交互感受野特征信息来学习注意力图可以提高网络性能；然而，与每个感受野特征的交互可能会导致额外的计算开销。
5.如权利要求1所述的一种基于KDN-WTRFA的非接触心率检测方法，其特征在于：所述步骤S5中，为了最小化计算开销和参数数量，AvgPool被用来聚合每个感受野特性的全局信息；然后，使用1×1组卷积运算来交互信息。
6.如权利要求1所述的一种基于KDN-WTRFA的非接触心率检测方法，其特征在于：所述步骤S5中，使用s
7.如权利要求1所述的一种基于KDN-WTRFA的非接触心率检测方法，其特征在于：所述步骤S4中，其中残差模块有三组；在每组中，有四个块；具有单位映射的残差块可以由以下公式表示：
8.如权利要求1所述的一种基于KDN-WTRFA的非接触心率检测方法，其特征在于：所述步骤S6中，在残差网络之后，有一个双分支卷积层，它将高维输入重塑为向量；该网络有两个分支：一个用于AU识别，另一个用于BVP信号提取；模型的损失计算如下：
9.如权利要求1所述的一种基于KDN-WTRFA的非接触心率检测方法，其特征在于：所述步骤S8中，学生模型的损失公式如下：
10.如权利要求9所述的一种基于KDN-WTRFA的非接触心率检测方法，其特征在于：所述γ是一个手动设置的参数，它是知识提取的学习率；
...【技术特征摘要】
1.一种基于kdn-wtrfa的非接触心率检测方法，其特征在于：所述检测方法包括以下步骤：
2.如权利要求1所述的一种基于kdn-wtrfa的非接触心率检测方法，其特征在于：所述步骤s3中，先对相邻的水平元素应用haar小波，然后对相邻的垂直元素应用。
3.如权利要求1所述的一种基于kdn-wtrfa的非接触心率检测方法，其特征在于：所述步骤s3中，离散haar小波变换公式如下：
4.如权利要求1所述的一种基于kdn-wtrfa的非接触心率检测方法，其特征在于：所述步骤s5中，对于rfaconv，通过交互感受野特征信息来学习注意力图可以提高网络性能；然而，与每个感受野特征的交互可能会导致额外的计算开销。
5.如权利要求1所述的一种基于kdn-wtrfa的非接触心率检测方法，其特征在于：所述步骤s5中，为了最小化计算开销和参数数量，avgpool被用来聚合每个感受野特性的全局信息；然后，使用1×1组卷积运算来交互信息。
6.如...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。