【技术实现步骤摘要】
本专利技术涉及生理信号检测，特别是指一种非接触多生命体征监测方法及装置。
技术介绍
1、rppg（remote photo plethysmo graphy，远程光电容积脉搏波描记法）技术可从面部视频获取人体的脉搏波，进一步获取心率、心率变异性、血氧饱和度、血压等重要生理信号。rppg早期主要基于信号处理的方法。随着机器学习的发展，出现越来越多基于数据驱动的方法，它们之中全监督方法所使用的框架呈现从二维卷积神经网络到三维卷积神经网络再到变换器（transformer）的趋势。但他们都没有能够很好的同时处理rppg的两个核心问题：从大量时空冗余的视频片段内发掘微弱的rppg信号；从长上下文中理解rppg的周期性模式，这是复杂度与长程依赖关系之间的权衡，对于需要低计算量但同时需要长程依赖关系来发掘周期模式的rppg是一个挑战。
2、血压测量可分为有创测量和无创测量。有创测量是最准确的，但不适合日常血压测量。无创测量可分为袖带测量和无袖带测量。通常，袖带测量更准确。但是，重复测量袖带会引起不适，甚至伤害人的身体。近年来，基于ppg（photo plethysmo graphy，光电容积脉搏波描记法）的无袖带血压测量近年来受到了极大的关注，但它们都是通过传感器与人体直接或间接接触来收集ppg信号。这种接触方式在一定程度上造成测量的不便，并且不利于长期监测。近年来，rppg常常被看作是ppg的一种非接触式替代方案，可以通过摄像头非接触的测量，带来了长期监测的可能。
3、在rppg可获取的这些生理信号中，心率、心率变
技术实现思路
1、为了解决现有技术都没有同时处理好的rppg的两个核心问题：从大量时空冗余的视频片段内发掘微弱的rppg信号；从长上下文中理解rppg的周期性模式，本专利技术实施例提供了一种非接触多生命体征监测方法及装置。所述技术方案如下：
2、一方面，提供了一种非接触多生命体征监测方法，该方法由非接触多生命体征监测设备实现，该方法包括：
3、s1、获取待监测的视频数据。
4、s2、对视频数据进行人脸检测，获取面部视频数据。
5、s3、将面部视频数据输入到训练好的非接触式生理信号检测模型进行推理，获取脉搏波数据以及血压数据。
6、s4、对脉搏波数据进行信号处理，获取心率数据以及心率变异性数据。
7、s5、根据脉搏波数据、血压数据、心率数据以及心率变异性数据，得到非接触多生命体征监测结果。
8、可选地，非接触式生理信号检测模型包括分词化短茎子模型、脉搏波网络子模型以及血压网络子模型。
9、s3中的将面部视频数据输入到训练好的非接触式生理信号检测模型进行推理，获取脉搏波数据以及血压数据，包括：
10、s31、将面部视频数据输入到分词化短茎子模型，得到从左脸提取的时间分词序列以及从右脸提取的时间分词序列。
11、s32、将从左脸提取的时间分词序列输入到脉搏波网络子模型得到从左脸提取的脉搏波数据，将从右脸提取的时间分词序列输入到脉搏波网络子模型得到从右脸提取的脉搏波数据。
12、s33、将从左脸提取的脉搏波数据以及从右脸提取的脉搏波数据输入到血压网络子模型，得到血压数据。
13、可选地，分词化短茎子模型包括差异融合模块、自注意力模块以及帧级平均池化模块。
14、s31中的将面部视频数据输入到分词化短茎子模型，得到从左脸提取的时间分词序列以及从右脸提取的时间分词序列，包括：
15、s311、将面部视频数据输入到差异融合模块，通过时间移位获得位移后的面部视频数据，按时间顺序对面部视频数据以及位移后的面部视频数据进行两两作差得到帧差，通过分词化短茎子模型中的第一短茎子模块对帧差和面部视频数据分别进行初级特征提取，将提取到的初级特征进行融合，得到融合后的初级特征，通过分词化短茎子模型中的第二短茎子模块对融合后的初级特征进行特征提取，得到差异融合模块输出特征。
16、s312、将差异融合模块输出特征输入到自注意力模块，得到自注意力模块输出。
17、s313、将自注意力模块输出输入到帧级平均池化模块，得到从左脸提取的时间分词序列以及从右脸提取的时间分词序列。
18、可选地，脉搏波网络子模型以及血压网络子模型分别包括多时间曼巴块模块以及频域前馈网络模块。
19、s32中的将从左脸提取的时间分词序列输入到脉搏波网络子模型得到从左脸提取的脉搏波数据，包括：
20、s321、将从左脸提取的时间分词序列输入到多时间曼巴块模块，得到多时间曼巴块输出。
21、s322、将从左脸提取的时间分词序列以及多时间曼巴块输出进行残差相连，将残差相连后的数据输入到频域前馈网络模块，得到频域前馈网络模块输出。
22、s323、将残差相连后的数据以及频域前馈网络模块输出进行残差相连，得到从左脸提取的脉搏波数据。
23、可选地，s321中的将从左脸提取的时间分词序列输入到多时间曼巴块模块，得到多时间曼巴块输出，包括：
24、s3211、将从左脸提取的时间分词序列通过线性层进行投影，得到投影后的时间分词序列，将投影后的时间分词序列分别送入4条路径并进行切分；其中，第i条路径将投影后的时间分词序列等分为份长度为的子序列，共得到15条子序列，，表示输入的时间分词序列的长度。
25、s3212、将15条子序列依次通过卷积层、激活层以及选择性状态空间模型提取隐藏信息，得到提取隐藏信息后的15条子序列。
26、s3213、将提取隐藏信息后的15条子序列按切分时的时间关系进行拼接，共得到4条路径输出的4条长度为t的序列，进而得到多时间曼巴块输出。
27、可选地，多时间曼巴块输出，由下式（1）所示：
28、（1）
29、式中，表示多时间曼巴块输出，表示第i条路径的输出序列，表示elu激活函数，表示线性投影，表示多时间曼巴块模块输入。
30、可选地，频域前馈网络模块包括第一线性层子模块、频域变换子模块、通道交互子模块、逆变换子模块以及第二线性层子模块。
31、通道交互子模块模块的输出，由下式（2）-（4）所示：
32、（2）
33、（3）
34、（4）
35、式中，表示通道交互子模块输出的实部，表示本文档来自技高网...
【技术保护点】
1.一种非接触多生命体征监测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的非接触多生命体征监测方法，其特征在于，所述非接触式生理信号检测模型包括分词化短茎子模型、脉搏波网络子模型以及血压网络子模型；
3.根据权利要求2所述的非接触多生命体征监测方法，其特征在于，所述分词化短茎子模型包括差异融合模块、自注意力模块以及帧级平均池化模块；
4.根据权利要求2所述的非接触多生命体征监测方法，其特征在于，所述脉搏波网络子模型以及血压网络子模型分别包括多时间曼巴块模块以及频域前馈网络模块；
5.根据权利要求4所述的非接触多生命体征监测方法，其特征在于，所述S321中的将所述从左脸提取的时间分词序列输入到所述多时间曼巴块模块，得到多时间曼巴块输出，包括：
6.根据权利要求5所述的非接触多生命体征监测方法，其特征在于，所述多时间曼巴块输出，由下式（1）所示：
7.根据权利要求4所述的非接触多生命体征监测方法，其特征在于，所述频域前馈网络模块包括第一线性层子模块、频域变换子模块、通道交互子模块、逆变换子模块以及第二
8.一种非接触多生命体征监测装置，所述非接触多生命体征监测装置用于实现如权利要求1-7任一项所述非接触多生命体征监测方法，其特征在于，所述装置包括：
9.一种非接触多生命体征监测设备，其特征在于，所述非接触多生命体征监测设备包括：
10.一种计算机可读取存储介质，其特征在于，所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用执行如权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种非接触多生命体征监测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的非接触多生命体征监测方法，其特征在于，所述非接触式生理信号检测模型包括分词化短茎子模型、脉搏波网络子模型以及血压网络子模型；
3.根据权利要求2所述的非接触多生命体征监测方法，其特征在于，所述分词化短茎子模型包括差异融合模块、自注意力模块以及帧级平均池化模块；
4.根据权利要求2所述的非接触多生命体征监测方法，其特征在于，所述脉搏波网络子模型以及血压网络子模型分别包括多时间曼巴块模块以及频域前馈网络模块；
5.根据权利要求4所述的非接触多生命体征监测方法，其特征在于，所述s321中的将所述从左脸提取的时间分词序列输入到所述多时间曼巴块模块，得到多时间曼巴块输出，包括：
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。