CN104699931B - 一种基于人脸的神经网络血压预测方法及手机 - Google Patents
一种基于人脸的神经网络血压预测方法及手机 Download PDFInfo
- Publication number
- CN104699931B CN104699931B CN201310659908.9A CN201310659908A CN104699931B CN 104699931 B CN104699931 B CN 104699931B CN 201310659908 A CN201310659908 A CN 201310659908A CN 104699931 B CN104699931 B CN 104699931B
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- prediction model
- neural network
- training
- feature vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于人脸的神经网络血压预测方法,其特征在于包括步骤;采集人脸图像;构造人脸图像特征向量;利用BP神经网络预测模型和集成神经网络预测模型预测该人脸图像的血压值。本发明还公开了一种基于人脸的神经网络血压预测手机,包括手机摄像头控制模块,人脸图像采集模块,人脸图像特征向量构造模块,血压预测模块,异常血压预警模块,血压档案管理模块,血压预测模型学习模块。本发明有益效果在于血压预测效果好,手机简单易用,能让使用者随时了解其血压预警情况,能为医师提供诊断参考。
Description
技术领域
本方法涉及一种基于人脸的神经网络血压预测方法及手机,属于医疗健康、机器学习和移动互联网技术领域。
背景技术
随着人们生活水平的提高和社会的老年化,高血压患者的人数在逐年增加,特别是快节奏的工作常常使人们顾此失彼,忽视了高血压的危害,甚至根本就不知道自己什么时候已变成了高血压患者,为此通过长期及时地对血压进行监测,有助于高血压疾病早期诊断和预防,大幅度降低发病比例,大大降低病患的医疗成本。但是现有血压测量设备携带不方便,例如出差期间携带血压计就不太方便,而且也经常忘记测量。同时这些血压计测量的结果没有建立血压档案,最多只是将测量结果输入到计算机进行管理,需要人工输入,不方便。目前已有将血压测量同智能终端联系起来的方法,例如平板电脑血压计,把血压计的袖带缠到人的胳膊上,平板电脑能控制手臂上的袖带收紧压缩,很快屏上显示出准确的血压的相关指标,但是这类方法只是解决了数据的无线自动上传问题,血压测量方法还是需要特殊的设备,如测量血压的袖带,携带同样不方便,也很容易忘记。
专利 CN101491435提出了一种血压的预测方法,其方法以历史的血压量测纪录为基础,采用血压平均值法预测血压。CN101744613A公开了一种血压预测的方法,其同样以历史血压数据为基础,采用线性预测方法预测血压。两者均以历史数据为基础,采用时间序列方法预测,对长时预测准确性不高。本发明虽然也需要训练样本学习,但与时间无关,其以人脸图像为输入,采用神经网络来实现血压预测,预测准确性高,本发明的手机能很方便地采集人脸图像,携带方便,简单易用。
发明内容
针对上述问题,本发明提供一种基于人脸的神经网络血压预测方法及手机,血压预测准确,携带方便,测量自觉进行,能够让使用者容易并快速了解其血压趋势的变化,有助于使用者自行调整生活习性,医师诊断辅助参考。
血压能从人脸的变化中反映出来,例如大部分高血压患者都出现面红升火的表现,并常伴有情绪不稳,容易激动等症状。目前已有通过人脸图像来预测情感的方法,本发明则采用人脸图像来预测血压,作为高血压的预警机制,提醒用户及时调整生活习性或到医院就诊。
本发明为一种基于人脸的神经网络血压预测方法,其特征在于该方法包括以下步骤:
1)采集人脸图像;
2)构造人脸图像的人脸特征向量;
3)利用血压预测模型预测该人脸特征向量对应的收缩压、舒张压和脉搏次数。
所述的步骤3)的血压预测模型的获取包括以下步骤:
1)采集N个人脸图像及对应的收缩压、舒张压和脉搏次数;
2)构造每个人脸图像的人脸特征向量;
3)构造训练数据,以人脸特征向量为输入,其对应的收缩压、舒张压和脉搏次数为输出,构成训练样本集合;
4)采用训练样本集合,训练血压预测模型;
5)以M倍交叉验证方式选择血压预测模型的最佳参数,进而获得对应参数的血压预测模型。
所述的步骤3)中的血压预测模型包括BP(Back Propagation)神经网络血压预测模型和集成BP神经网络血压预测模型。
神经网络血压预测模型
BP神经网络是至今为止应用最广泛的人工神经网络,具有速度快、容错性好、自学习、自组织和自适应性等优点,其结构具有输人层、输出层以及处于输入输出层之间的中间层。学习算法采用误差反向传播算法,由数据流的正向传播和误差信号的反向传播两个过程构成。正向传播时,传播方向从输入层到中间层到输出层,计算每个单元的实际输出值,每层神经元的状态只影响下一层神经元。若在输出层得不到期望的输出,则转向误差信号的反向传播过程,逐层递归计算实际输出与期望输出之差值,以便根据此差值调整权值。通过这两个过程的交替进行,在权向量空间执行误差函数梯度下降策略,动态迭代搜索一组权向量,使网络误差减少到可接受的程度或进行到预先设定的学习次数为止。
BP神经网络血压预测模型的训练过程如下:
1)准备训练样本,每个样本的输入是人脸特征向量,输出是对应的收缩压、舒张压和脉搏次数。
2)确定BP网络结构,即确定中间层的层数和各中间层的神经元个数,输入层的神经元个数为人脸特征向量的维数,输出层神经元个数为预测输出的数字(收缩压,舒张压,脉搏次数)个数,即输出层神经元个数为3。
3)输入训练样本,训练BP网络结构,具体步骤如下:
[1]初始化BP网络的参数,包括结构参数的设置、学习参数的设置等
[2]输入准备的训练样本,计算各层神经元的输出,包括输出层神经元的输出值
[3]根据输出层神经元的输出值和训练样本的正确输出,计算网络的输出误差
[4]转向误差信号的反向传播过程,逐层递归计算每个层的误差
[5]根据误差函数梯度下降策略,调整每个层的权值
[6]检查网络总误差是否达到精度要求,若达到转4),否则转到步骤[2]。
4)输出训练好的BP神经网络血压预测模型。
BP神经网络血压预测模型的预测过程如下:
1)输入测试样本:人脸特征向量;
2)采用训练好的BP神经网络血压预测模型预测输入测试样本的收缩压、舒张压和脉搏次数 。
集成神经网络预测模型
集成分类器AdaBoost是数据挖掘中十大分类算法之一,速度快、简单,参数少,不需要弱分类器的先验知识。只要给定足够的训练数据以及一个中等精度的弱分类器,它就能够把该弱分类器提升为强分类器,提高分类的准确性。
集成神经网络血压预测模型借鉴AdaBoost思想构造血压预测模型,其以BP神经网络为弱血压预测模型。每个BP神经网络采用不同的局部训练集训练,获得一个弱血压预测模型,局部训练集是从给定的训练集中有回放地抽样产生的。最后把所有的弱血压预测模型按一定的权重加权平均,就得到最终的强血压预测模型。
集成神经网络血压预测模型的训练过程包括步骤:
1)准备训练样本集合,每个样本的输入是人脸特征向量,输出是对应的收缩压,舒张压,和脉搏次数。
2)初始化每个训练样本有相等的选择概率。
3)循环执行下列步骤指定次数:
[1]根据每个样本的选择概率,从给定的训练集中进行有回放地抽样产生局部训练集;
[2]在局部训练集上训练BP神经网络血压预测模型,获得BP神经网络血压预测模型;
[3]用BP神经网络血压预测模型对给定的训练集中的所有样本预测其收缩压,舒张压,和脉搏次数;
[4]计算预测误差;
[5]根据误差计算BP神经网络血压预测模型的权重,预测误差越小,权重越大;
[6]更新每个样本的选择概率,预测误差大的样本,其对应的选择概率也越大;
[7]保存此次BP神经网络血压预测模型。
4)输出训练的所有BP神经网络血压预测模型及其对应的权重。
集成神经网络血压预测模型的预测过程包括步骤:
1)输入测试样本:人脸特征向量;
2)利用训练的每个BP神经网络血压预测模型预测输入的测试样本的收缩压,舒张压,和脉搏次数;
3)加权平均所有BP神经网络血压预测模型预测的输出,获得最终的收缩压,舒张压,和脉搏次数。
本发明还涉及一种基于人脸的神经网络血压预测手机,其特征在于,所述的手机包括:一个血压标准数据库;一个训练样本数据库;一个血压档案数据库。手机还包含:手机摄像头控制模块,人脸图像采集模块,人脸图像特征向量构造模块,血压预测模块,异常血压预警模块,血压档案管理模块,血压预测模型训练模块。其中手机摄像头控制模块的输出与人脸图像采集模块的输入连接;人脸图像采集模块的输出与人脸图像特征向量构造模块的输入连接;人脸图像特征向量构造模块的输出与血压预测模块的输入连接;血压预测模型训练模块的输出与血压预测模块的输入连接;血压预测模块的输出与异常血压预警模块的输入连接;异常血压预警模块的输出与血压档案管理模块的输入连接。
有益效果
本发明由于采用如上的技术方案,具有以下优点:
1)采用BP神经网络血压预测方法和集成神经网络血压预测方法预测血压,准确性高;
2)因为用户经常携带手机,利用手机采集人脸图像简单易用,预测血压方便;
3)采用手机就异常血压报警,并自动将预警信息发布到用户和指定手机,这样用户能随时了解其血压变化情况,并为医师提供诊断参考。
附图说明
图1 一种基于人脸的神经网络血压预测模型的预测流程图;
图2 一种基于人脸的BP神经网络血压预测模型的网络结构图;
图3 一种基于人脸的神经网络血压预测手机***结构图。
具体实施方式
本发明提出的基于人脸的神经网络血压预测方法,结合附图和实施例说明如下。如图1 所示,为一种基于人脸的神经网络血压预测方法,其特征在于该方法包括以下步骤:
S01:采集人脸图像
S02:抽取人脸图像特征,构造人脸特征向量
S04:利用血压预测模型预测血压,输出该人脸特征向量对应的收缩压、舒张压和脉搏次数
其中步骤S03训练血压预测模型的步骤如下:
1)采集1000个人脸图像及对应的收缩压、舒张压和脉搏次数;
2)构造每个人脸图像的人脸特征向量;
3)构造训练数据,以人脸特征向量为输入,其对应的收缩压、舒张压和脉搏次数为输出,构成训练样本集合;
4)采用训练样本集合,训练血压预测模型;
5)以10倍交叉验证方式选择神经网络血压预测模型的最佳参数,进而获得对应参数的血压预测模型。
步骤S03和S04的血压预测模型采用BP神经网络血压预测模型或集成神经网络血压预测模型。
步骤S01:采集人脸图像
通过摄像设备如智能手机的摄像头等图像捕捉工具获取人脸的静态图像,然后完成图像预处理,包括图像的大小和灰度的归一化,头部姿态的矫正,和人脸检测等。
本实施案例中,人脸图像的采集与处理采用Android OpenCV提供的API函数实现,Android OpenCV是OpenCV在Android手机上的移植版。OpenCV 是 Intel 开源计算机视觉库 (Computer Version) ,由一系列 C 函数和少量 C++ 类构成,实现了图像处理和计算机视觉方面的很多通用算法。 OpenCV 提供了对硬件的访问,可以直接访问摄像头,因而我们利用OpenCV编程实现人脸图像的采集和检测,从而获得人脸图像。例如OpenCV直接提供了人脸检测算法的实现代码。
步骤S02:抽取人脸图像特征,构造人脸特征向量
图像特征有颜色特征、纹理特征、形状特征、空间关系特征等。本实施案例采用颜色特征。国际标准MPEG-7中建议了一种描述符颜色布局,它表达了颜色的空间分布信息。在颜色布局描述符中,对分割好的8×8的图像取每一块图像的颜色平均值,形成一个颜色平均值矩阵,然后对其用二维离散余弦进行变换,取低频分量作为颜色特征。本实施案例采用OpenCV提供的API函数和C++实现图像特征向量的构造。
步骤S03:训练血压预测模型
实施案例1,血压预测模型采用BP神经网络血压预测模型。如图2所示,为BP神经网络预测模型的网络结构实施案例,训练BP神经网络血压预测模型的步骤如下:
1)准备训练样本,每个样本的输入是人脸特征向量,此案例的人脸特征向量为三维特征向量(x1,x2, x3),输出是对应的收缩压、舒张压和脉搏次数,构成三维输出向量(z1,z2, z3)。
2)确定BP网络结构,即确定中间层的层数和各中间层的神经元个数,输入层的神经元个数为人脸特征向量的维数,此实施案例的人脸特征向量维数为3,因此输入层设置3个神经元。输出层的神经元个数为预测值的个数,这里的预测值包括收缩压、舒张压和脉搏次数,因此输出层的神经元个数为3。中间层的层数选择1层,而中间层的神经元个数则根据实验调整,此实施案例设置为2。
3)输入训练样本,训练BP网络结构,具体步骤如下:
[1]初始化BP网络的参数,例如设置网络中神经元的激励函数为tansig函数,训练步骤为50步等;
[2]输入准备的训练样本,计算各层神经元的输出,包括输出层神经元的输出值;
[3]根据输出层神经元的输出值和训练样本的正确输出,采用欧氏距离计算网络的输出误差。整体网络误差采用几何平均;
[4]转向误差信号的反向传播过程,逐层递归计算每个层的误差;
[5]根据误差函数梯度下降策略,调整每个层的权值;
[6]检查训练次数是否达到50步,若达到转4),否则转到步骤[2]。
4)输出训练好的BP神经网络血压预测模型。
BP神经网络血压预测模型的实现有很多工具包,本实施案例采用MATLAB2010版提供的神经网络工具包实现。
实施案例2,血压预测模型采用集成神经网络血压预测模型,其中弱血压预测模型采用实施案例1的 BP神经网络血压预测模型。
集成神经网络血压预测模型的训练步骤如下:
1)准备训练样本集,其中N=1000为输入的人脸特征向量,为输出向量:(收缩压,舒张压,脉搏次数)。
2)计算训练样本的选择概率为P(i)=1/1000,迭代次数t=1,。
3)循环执行下列步骤10次:
[1]根据每个样本的选择概率,从训练集S中进行有回放地抽样产生局部训练集;
[2]在局部训练集上训练BP神经网络血压预测模型,获得BP神经网络血压预测模型;
[3]用对训练集S中的每个样本预测其血压向量;
[4]计算对每个样本的预测误差,然后计算整体误差为所有样本误差的几何平均;
[5]计算此次预测模型的权重;
[6]更新每个样本的选择概率,预测误差大的样本,其对应的选择概率也越大。若,则P(i)=P(i),其中是一个正规因子,用来确保。
4)输出10个训练好的BP神经网络血压预测模型。
集成神经网络血压预测模型中的BP神经网络预测模型的实现采用MATLAB2010版提供的神经网络工具包实现,而集成过程则采用MATLAB2010版本编程实现。
步骤S04:利用血压预测模型预测血压,输出该人脸特征向量对应的收缩压、舒张压和脉搏次数。
实施案例1,血压预测模型采用图2所示的BP神经网络血压预测模型,则血压预测过程如下:
1)输入测试样本:人脸特征向量(x1,x2,x3);
2)采用训练好的BP神经网络血压预测模型预测收缩压、舒张压和脉搏次数(z1,z2,z3)。
实施案例2,血压预测模型采用集成神经网络血压预测模型,则血压预测过程如下:
1)输入测试样本:人脸特征向量为;
2)采用训练好的10个BP神经网络血压预测模型预测血压:,输出收缩压、舒张压和脉搏次数。
本发明还提出一种基于人脸的神经网络血压预测手机,结合附图和实施例说明如下。如图3 所示,为一种基于人脸的神经网络血压预测手机***结构图,其特征在于,所述的手机包括:
一个标准血压数据库311,储有标准血压范围;一个血压预测训练样本数据库310,用以储存多个人脸特征向量及其对应的收缩压、舒张压和脉搏次数;一个血压档案数据库312,用以储存血压档案数据,其中每一血压数据包含人脸的特征向量,血压值,和时间。
手机还包含:手机摄像头控制模块301,人脸图像采集模块302,人脸图像特征向量构造模块303,血压预测模块305,血压预测模型训练模块304,异常血压预警模块306,血压档案管理模块307。其中手机摄像头控制模块301的输出与人脸图像采集模块302的输入连接;人脸图像采集模块302的输出与人脸图像特征向量构造模块303的输入连接;人脸图像特征向量构造模块303的输出与血压预测模块305的输入连接;血压预测模型训练模块304的输出与血压预测模块305的输入连接;血压预测模块305的输出与异常血压预警模块306的输入相连;异常血压预警模块306的输出与血压档案管理模块307的输入连接。
1)手机摄像头控制模块301,通过控制手机的照相机对人脸照相,获得采集的人脸图像。
2)人脸图像采集模块302,对手机摄像头控制模块301采集的人脸图像进行预处理,去除背景,获得人脸图像。
3)人脸图像特征向量构造模块303,负责将检测的人脸图像抽取特征,转化为人脸图像的特征向量表示。
4)血压预测模块305,采用血压预测模型对人脸图像的特征向量进行血压预测,获得预测的收缩压、舒张压和脉搏次数。
5)血压预测模型训练模块304,通过血压预测训练样本库310中的训练样本集,训练BP神经网络血压预测模型,获得血压预测模型。
6)异常血压预警模块306,根据预测的血压值,参照标准血压数据库311,对超过正常血压的用户发出警告,并选择合适的推荐内容。推荐内容来源事先保存在标准血压数据库中,由专家针对不同的血压区间预先准备的推荐内容,例如判定用户的血压为极度高血压的,推荐内容为用户时到医院就诊。同时显示预测的血压及推荐内容,并发送到预先设置的亲友手机。
7)血压档案管理模块307,将预测的血压值及推荐内容,预测血压的日期等信息保存到血压档案数据库312,并能查询血压档案数据库312的历史记录。
本实施案例中的手机采用Android智能手机。Android平台提供了应用程序框架,提供了SQL数据库用于结构化数据存储,提供了对音频、视频和图片等媒体的支持,可采集和保存人脸图像及特征向量数据,采用Android的SDK来编写采集人脸图像的照相程序,用SQL数据库来编写血压档案管理程序。人脸图像处理则采用Android OpenCV提供的API函数实现,Android OpenCV是OpenCV在Android手机上的移植版。
本领域的普通技术人员应当理解,本发明的技术方案可以进行修改,变形或等同变换,而不脱离本发明技术方案的本质和范围,均覆盖在本发明的权利要求范围之中。
Claims (1)
1.一种基于人脸的神经网络血压预测方法,其特征在于,该方法包括以下步骤:
[1] 采集人脸图像;
[2] 构造人脸图像的人脸特征向量;
[3] 利用血压预测模型预测该人脸特征向量对应的收缩压、舒张压和脉搏次数;所述的步骤[3]中的血压预测模型的输入是人脸特征向量,输出是收缩压,舒张压,和脉搏次数;所述的血压预测模型采用集成神经网络预测模型,其弱血压预测模型采用BP神经网络预测模型;
集成神经网络血压预测模型的训练过程包括步骤:
1)准备训练样本集合,每个样本的输入是人脸特征向量,输出是对应的收缩压,舒张压,和脉搏次数;
2)初始化每个训练样本有相等的选择概率;
3)循环执行下列步骤指定次数:
(1)根据每个样本的选择概率,从给定的训练集中进行有回放地抽样产生局部训练集;
(2)在局部训练集上训练BP神经网络血压预测模型,获得BP神经网络血压预测模型;
(3)用BP神经网络血压预测模型对给定的训练集中的所有样本预测其收缩压,舒张压,和脉搏次数;
(4)计算预测误差;
(5)根据误差计算BP神经网络血压预测模型的权重,预测误差越小,权重越大;
(6)更新每个样本的选择概率,预测误差大的样本,其对应的选择概率也越大;
(7)保存此次BP神经网络血压预测模型;
4)输出训练的所有BP神经网络血压预测模型及其对应的权重;
集成神经网络血压预测模型的预测过程包括步骤:
1)输入测试样本:人脸特征向量;
2)利用训练的每个BP神经网络血压预测模型预测输入的测试样本的收缩压,舒张压,和脉搏次数;
3)加权平均所有BP神经网络血压预测模型预测的输出,获得最终的收缩压,舒张压,和脉搏次数;
其中所述的步骤[3]中的血压预测模型的获取包括以下步骤:
a)采集N个人脸图像及对应的收缩压、舒张压和脉搏次数;
b)构造每个人脸图像的人脸特征向量;
c) 构造训练数据,以人脸特征向量为输入,其对应的收缩压、舒张压和脉搏次数为输出,构成训练样本集合;
d)采用训练样本集合,训练血压预测模型;
e)以M倍交叉验证方式选择血压预测模型的最佳参数,进而获得对应参数的
血压预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310659908.9A CN104699931B (zh) | 2013-12-09 | 2013-12-09 | 一种基于人脸的神经网络血压预测方法及手机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310659908.9A CN104699931B (zh) | 2013-12-09 | 2013-12-09 | 一种基于人脸的神经网络血压预测方法及手机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104699931A CN104699931A (zh) | 2015-06-10 |
CN104699931B true CN104699931B (zh) | 2018-05-25 |
Family
ID=53347047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310659908.9A Active CN104699931B (zh) | 2013-12-09 | 2013-12-09 | 一种基于人脸的神经网络血压预测方法及手机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104699931B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107644189B (zh) | 2016-07-20 | 2021-02-02 | 腾讯科技(深圳)有限公司 | 一种生物特征识别的方法及装置 |
CN106777874A (zh) * | 2016-11-18 | 2017-05-31 | 中国科学院自动化研究所 | 基于循环神经网络构建预测模型的方法 |
CN106821356B (zh) * | 2017-02-23 | 2019-08-27 | 吉林大学 | 基于Elman神经网络的云端连续血压测量方法及*** |
CN106821355A (zh) * | 2017-04-01 | 2017-06-13 | 泰康保险集团股份有限公司 | 血压预测的方法及装置 |
CN108806792B (zh) * | 2017-05-03 | 2022-01-04 | 金波 | 深度学习面诊*** |
CN107742151A (zh) * | 2017-08-30 | 2018-02-27 | 电子科技大学 | 一种中医脉象的神经网络模型训练方法 |
CN107692997B (zh) * | 2017-11-08 | 2020-04-21 | 清华大学 | 心率检测方法及装置 |
CN109833034A (zh) * | 2017-11-24 | 2019-06-04 | 深圳市岩尚科技有限公司 | 一种脉搏波信号中提取血压数据的方法及装置 |
CN109833035B (zh) * | 2017-11-28 | 2021-12-07 | 深圳市岩尚科技有限公司 | 脉搏波血压测量装置的分类预测数据处理方法 |
CN108875590A (zh) * | 2018-05-25 | 2018-11-23 | 平安科技(深圳)有限公司 | Bmi预测方法、装置、计算机设备和存储介质 |
TWI708924B (zh) * | 2019-01-19 | 2020-11-01 | 鉅怡智慧股份有限公司 | 影像式血壓量測裝置與方法 |
CN110706826B (zh) * | 2019-10-29 | 2023-05-09 | 江苏大学 | 一种基于视频图像的非接触式的实时多人心率和血压测量方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102973253A (zh) * | 2012-10-31 | 2013-03-20 | 北京大学 | 一种利用视觉信息监测人体生理指标的方法和*** |
CN103040452A (zh) * | 2011-10-14 | 2013-04-17 | 财团法人工业技术研究院 | 非接触式的心脉量测方法及其*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110251493A1 (en) * | 2010-03-22 | 2011-10-13 | Massachusetts Institute Of Technology | Method and system for measurement of physiological parameters |
-
2013
- 2013-12-09 CN CN201310659908.9A patent/CN104699931B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103040452A (zh) * | 2011-10-14 | 2013-04-17 | 财团法人工业技术研究院 | 非接触式的心脉量测方法及其*** |
CN102973253A (zh) * | 2012-10-31 | 2013-03-20 | 北京大学 | 一种利用视觉信息监测人体生理指标的方法和*** |
Non-Patent Citations (1)
Title |
---|
"情感神经网络及其在人脸识别中的应用研究";张丽;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130715(第7期);第5-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104699931A (zh) | 2015-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104699931B (zh) | 一种基于人脸的神经网络血压预测方法及手机 | |
US10580530B2 (en) | Diagnosis assistance system and control method thereof | |
CN110399929B (zh) | 眼底图像分类方法、装置以及计算机可读存储介质 | |
US20220148191A1 (en) | Image segmentation method and apparatus and storage medium | |
JP6522161B2 (ja) | ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー | |
CN103690240B (zh) | 一种医疗*** | |
US20190043193A1 (en) | Systems and Methods Using Weighted-Ensemble Supervised-Learning for Automatic Detection of Retinal Disease from Tomograms | |
CN111919260A (zh) | 基于术前图像的手术视频检索 | |
CN109242865A (zh) | 基于多图谱的医学图像自动分区***、方法、装置及存储介质 | |
CN110660484B (zh) | 骨龄预测方法、装置、介质及电子设备 | |
CN109215013A (zh) | 自动骨龄预测方法、***、计算机设备和存储介质 | |
TW202008211A (zh) | 一種圖像處理方法、電子設備及儲存介質 | |
CN109285152A (zh) | 一种医学图像处理***、装置和计算机可读存储介质 | |
CN112001122A (zh) | 基于端到端生成对抗网络的非接触式生理信号测量方法 | |
JP2023078193A (ja) | 人工神経網を利用する臓器の体積測定方法及びその装置 | |
CN112614133A (zh) | 一种无锚点框的三维肺结节检测模型训练方法及装置 | |
CN104274164A (zh) | 一种基于人脸图像的血压预测方法及手机 | |
CN113569984A (zh) | 脑灌注状态分类装置、方法、设备及存储介质 | |
CN114783580B (zh) | 一种医疗数据质量评估方法及*** | |
CN110992309B (zh) | 基于深层信息传递网络的眼底图像分割方法 | |
CN112869697A (zh) | 同时识别糖尿病视网膜病变的分期和病变特征的判断方法 | |
CN116705326A (zh) | 一种终末期肾病疗效评估与并发症风险预测*** | |
CN110490138A (zh) | 一种数据处理方法及装置、存储介质、电子设备 | |
WO2022216220A1 (en) | Method and system for personalized prediction of infection and sepsis | |
EP4359999A1 (en) | Federated representation learning with consistency regularization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230216 Address after: 511458 room 901, building a, Nansha City, No. 2, Chenghui street, Nansha street, Guangzhou City, Guangdong Province Patentee after: GUANGZHOU HUAJIAN INTELLIGENT TECHNOLOGY Co.,Ltd. Address before: 510000 Room 503, 66 Zhongqi Road, Xiaoguwei Street, Panyu District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU HUAJIU INFORMATION TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |