CN109620194A - 心率检测处理方法、装置、介质及电子设备 - Google Patents
心率检测处理方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN109620194A CN109620194A CN201811518364.3A CN201811518364A CN109620194A CN 109620194 A CN109620194 A CN 109620194A CN 201811518364 A CN201811518364 A CN 201811518364A CN 109620194 A CN109620194 A CN 109620194A
- Authority
- CN
- China
- Prior art keywords
- heart rate
- target user
- facial image
- detection processing
- target
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- 238000003672 processing method Methods 0.000 title claims abstract description 38
- 230000001815 facial effect Effects 0.000 claims abstract description 126
- 230000008859 change Effects 0.000 claims description 35
- 230000036541 health Effects 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 206010003658 Atrial Fibrillation Diseases 0.000 description 10
- 208000019622 heart disease Diseases 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 230000006854 communication Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000033764 rhythmic process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 108010014173 Factor X Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Physiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明实施例提供了一种心率检测处理方法、装置、介质及电子设备，该心率检测处理方法包括：获取连续采集到的目标用户的多帧人脸图像；将所述多帧人脸图像中的目标区域进行对比，以在各段连续的人脸图像中分别确定出所述目标区域的对比差值最小的两帧图像；计算在所述各段连续的人脸图像中确定出的所述两帧图像之间的时间间隔，得到至少一个时间间隔；根据所述至少一个时间间隔，计算所述目标用户的心率值。本发明实施例的技术方案可以提高心率检测效率和心率检测的便捷性。
Description
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种心率检测处理方法、装置、介质及电子设备。
背景技术
心率是指正常人在安静状态下每分钟心跳的次数，心率的变化与心脏疾病密切相关，因此对于心率的检测及监控是预防及检查心脏疾病的一种重要手段。
目前，在测量被监测人的心率值，通常是由医护人员使用心电监护仪对被监测人进行接触式的心率监测，这种心率检测及监控方式对医疗资源要求较高，不仅需要提供专业的心电监护仪，也需要医护人员具有专业的心率检测技术，同时由于需要医护人员通过接触的方式来进行监测，因此心率的检测效率也较低。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明实施例的目的在于提供一种心率检测处理方法、装置、介质及电子设备，进而至少在一定程度上提高心率检测效率和心率检测的便捷性。
本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
根据本发明实施例的第一方面，提供了一种心率检测处理方法，包括：获取连续采集到的目标用户的多帧人脸图像；将所述多帧人脸图像中的目标区域进行对比，以在各段连续的人脸图像中分别确定出所述目标区域的对比差值最小的两帧图像；计算在所述各段连续的人脸图像中确定出的所述两帧图像之间的时间间隔，得到至少一个时间间隔；根据所述至少一个时间间隔，计算所述目标用户的心率值。
在本发明的一些实施例中，基于前述方案，将所述多帧人脸图像中的目标区域进行对比，以在各段连续的人脸图像中分别确定出所述目标区域的对比差值最小的两帧图像，包括：以所述各段连续的人脸图像中的指定人脸图像作为对比基准，计算所述各段连续的人脸图像中的其它人脸图像的目标区域与所述指定人脸图像中的目标区域之间的对比差值，以在所述各段连续的人脸图像中确定出与所述指定人脸图像之间的所述对比差值最小的目标人脸图像；将所述各段连续的人脸图像中的所述指定人脸图像和所述目标人脸图像作为所述各个时间窗口内的所述两帧图像。
在本发明的一些实施例中，基于前述方案，根据所述至少一个时间间隔，计算所述目标用户的心率值，包括：计算设定值与所述至少一个时间间隔中的各个时间间隔之间的比值，得到至少一个预测心率值；将所述至少一个预测心率值的平均值作为所述目标用户的心率值。
在本发明的一些实施例中，基于前述方案，所述的心率检测处理方法还包括：监测所述目标用户的心率值变化情况；根据所述目标用户的心率值和所述心率值变化情况，计算所述目标用户的健康得分。
在本发明的一些实施例中，基于前述方案，根据所述目标用户的心率值和所述心率值变化情况，计算所述目标用户的健康得分，包括：根据所述目标用户的心率值生成第一计算因子，并根据所述心率值变化情况生成第二计算因子；根据所述第一计算因子的权重和所述第二计算因子的权重，对所述第一计算因子和所述第二计算因子进行加权求和，得到所述目标用户的健康得分。
在本发明的一些实施例中，基于前述方案，根据所述目标用户的心率值，通过以下公式生成所述第一计算因子：
其中，s1表示所述第一计算因子；F表示所述目标用户的心率值；C1和C2表示常数，且C2≤C1；α为大于1的常数。
在本发明的一些实施例中，基于前述方案，根据所述心率值变化情况，通过以下公式计算所述第二计算因子：
s2＝[C1-std(F1,F2,…,Fm)]×β
其中，s2表示所述第二计算因子；C1表示常数；std(F1,F2,…,Fm)表示根据所述目标用户的心率值变化情况确定的多个心率值的标准差；β为大于0的常数。
在本发明的一些实施例中，基于前述方案，在计算所述目标用户的健康得分之后，所述心率检测处理方法还包括：基于所述目标用户的健康得分，确定所述目标用户的承保风险。
在本发明的一些实施例中，基于前述方案，在计算所述目标用户的心率值之后，所述心率检测处理方法还包括：获取所述目标用户的健康数据；基于所述目标用户的心率值和所述目标用户的健康数据，预测所述目标用户的发病概率。
在本发明的一些实施例中，基于前述方案，基于所述目标用户的心率值和所述目标用户的健康数据，预测所述目标用户的发病概率，包括：根据历史用户的健康数据、心率数据和发病情况生成样本数据；通过所述样本数据对机器学习模型进行训练，得到训练后的模型；将所述目标用户的健康数据和所述目标用户的心率值输入至所述训练后的模型中，以得到所述目标用户的发病概率。
根据本发明实施例的第二方面，提供了一种心率检测处理装置，包括：获取单元，用于获取连续采集到的目标用户的多帧人脸图像；对比单元，用于将所述多帧人脸图像中的目标区域进行对比，以在各段连续的人脸图像中分别确定出所述目标区域的对比差值最小的两帧图像；第一计算单元，用于计算在所述各段连续的人脸图像中确定出的所述两帧图像之间的时间间隔，得到至少一个时间间隔；第二计算单元，用于根据所述至少一个时间间隔，计算所述目标用户的心率值。
在本发明的一些实施例中，基于前述方案，所述对比单元配置为：以所述各段连续的人脸图像中的指定人脸图像作为对比基准，计算所述各段连续的人脸图像中的其它人脸图像的目标区域与所述指定人脸图像中的目标区域之间的对比差值，以在所述各段连续的人脸图像中确定出与所述指定人脸图像之间的所述对比差值最小的目标人脸图像；将所述各段连续的人脸图像中的所述指定人脸图像和所述目标人脸图像作为所述各个时间窗口内的所述两帧图像。
在本发明的一些实施例中，基于前述方案，所述第二计算单元配置为：计算设定值与所述至少一个时间间隔中的各个时间间隔之间的比值，得到至少一个预测心率值；将所述至少一个预测心率值的平均值作为所述目标用户的心率值。
在本发明的一些实施例中，基于前述方案，所述的心率检测处理装置还包括：监测单元，用于监测所述目标用户的心率值变化情况；第三计算单元，用于根据所述目标用户的心率值和所述心率值变化情况，计算所述目标用户的健康得分。
在本发明的一些实施例中，基于前述方案，所述第三计算单元配置为：根据所述目标用户的心率值生成第一计算因子，并根据所述心率值变化情况生成第二计算因子；根据所述第一计算因子的权重和所述第二计算因子的权重，对所述第一计算因子和所述第二计算因子进行加权求和，得到所述目标用户的健康得分。
在本发明的一些实施例中，基于前述方案，所述第三计算单元配置为通过以下公式生成所述第一计算因子：
其中，s1表示所述第一计算因子；F表示所述目标用户的心率值；C1和C2表示常数，且C2≤C1；α为大于1的常数。
在本发明的一些实施例中，基于前述方案，所述第三计算单元配置为通过以下公式计算所述第二计算因子：
s2＝[C1-std(F1,F2,…,Fm)]×β
其中，s2表示所述第二计算因子；C1表示常数；std(F1,F2,…,Fm)表示根据所述目标用户的心率值变化情况确定的多个心率值的标准差；β为大于0的常数。
在本发明的一些实施例中，基于前述方案，所述的心率检测处理装置还包括：确定单元，用于基于所述目标用户的健康得分，确定所述目标用户的承保风险。
在本发明的一些实施例中，基于前述方案，所述的心率检测处理装置还包括：预测单元；所述获取单元还用于获取所述目标用户的健康数据；所述预测单元用于基于所述目标用户的心率值和所述目标用户的健康数据，预测所述目标用户的发病概率。
在本发明的一些实施例中，基于前述方案，所述预测单元配置为：根据历史用户的健康数据、心率数据和发病情况生成样本数据；通过所述样本数据对机器学习模型进行训练，得到训练后的模型；将所述目标用户的健康数据和所述目标用户的心率值输入至所述训练后的模型中，以得到所述目标用户的发病概率。
根据本发明实施例的第三方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中第一方面所述的心率检测处理方法。
根据本发明实施例的第四方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中第一方面所述的心率检测处理方法。
本发明实施例提供的技术方案可以包括以下有益效果：
在本发明的一些实施例所提供的技术方案中，通过在各段连续的人脸图像中分别确定出目标区域的对比差值最小的两帧图像，然后计算在各段连续的人脸图像中确定出的两帧图像之间的时间间隔，得到至少一个时间间隔，以根据该至少一个时间间隔计算目标用户的心率值，使得能够通过对用户的人脸图像进行采集来实现心率值的检测，这种心率检测方式无需采用专业的心率检测设备(如心电监护仪)，同时也无需医护人员来进行接触式检测，有效降低了心率检测对医疗资源的要求，并且也能够提高心率检测效率。此外，由于只需通过采集人脸图像即可实现心率的检测，因此也无需用户前往医疗机构进行心率检测，提高了心率检测的便捷性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示意性示出了根据本发明的第一个实施例的心率检测处理方法的流程图；
图2至图4示出了根据本发明的实施例的各段连续的图像帧在时间序列上的关系示意图；
图5示意性示出了根据本发明的第二个实施例的心率检测处理方法的流程图；
图6示意性示出了根据本发明的一个实施例的根据目标用户的心率值和心率值变化情况，计算目标用户的健康得分的流程图；
图7示意性示出了根据本发明的第三个实施例的心率检测处理方法的流程图；
图8示意性示出了根据本发明的实施例的有效预测心脏疾病早期征兆的***的框图；
图9示意性示出了根据本发明的实施例的辅助进行智能核保的***的框图；
图10示意性示出了根据本发明的一个实施例的心率检测处理装置的框图；
图11示出了适于用来实现本发明实施例的电子设备的计算机***的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
图1示意性示出了根据本发明的第一个实施例的心率检测处理方法的流程图，该心率检测处理方法的执行主体可以是具有计算处理功能的设备，比如服务器等。
参照图1所示，根据本发明的第一个实施例的心率检测处理方法，包括如下步骤S110至步骤S140，详细阐述如下：
在步骤S110中，获取连续采集到的目标用户的多帧人脸图像。
在本发明的一个实施例中，可以通过摄像头来采集用户的人脸图像，比如通过终端(比如手机、平板电脑等)上设置的摄像头来采集用户的人脸图像，或者通过设置在体检设备、室内(如穿衣镜上)来采集用户的人脸图像。
在步骤S120中，将所述多帧人脸图像中的目标区域进行对比，以在各段连续的人脸图像中分别确定出所述目标区域的对比差值最小的两帧图像。
在本发明的一个实施例中，可以将人脸图像中相对比较清晰的区域作为目标区域，以便于对人脸图像进行分析处理。比如若采集到的人脸图像是正脸照，则可以将正脸区域作为目标区域；若采集到的人脸图像是侧脸照，则可以将侧脸区域作为目标区域。
在本发明的一个实施例中，由于人脸图像在采集时是按照时间顺序进行采集的，因此每一段连续的人脸图像中的图像帧都是按时间序列排列的。可选地，不同段连续的人脸图像之间在时间序列上是连续的，比如图2中所示的第一段图像201、第二段图像202、第三段图像203和第四段图像204之间是连续的；不同段连续的人脸图像之间在时间序列上也可以是不连续的，比如图3中所示的第一段图像301、第二段图像302、第三段图像303和第四段图像304之间是不连续的；当然，不同段连续的人脸图像之间在时间序列上也可以是交叉的，比如图4中所示的第一段图像401和第二段图像402存在交叉的图像帧，第二段图像402和第三段图像403存在交叉的图像帧，第三段图像403和第四段图像404存在交叉的图像帧，第四段图像404和第五段图像405存在交叉的图像帧。此外，在本发明的其它实施例中，各段连续的图像帧在时间序列上的关系还可以是图2至图4所示的各种关系的组合，比如其中几段连续的图像在时间序列上是交叉的，而其它的几段连续的图像在时间序列上是不连续的。
在本发明的一个实施例中，可以以各段连续的人脸图像中的指定人脸图像作为对比基准，计算各段连续的人脸图像中的其它人脸图像的目标区域与该指定人脸图像中的目标区域之间的对比差值，以在各段连续的人脸图像中确定出与该指定人脸图像之间的对比差值最小的目标人脸图像，然后将各段连续的人脸图像中的该指定人脸图像和目标人脸图像作为各个时间窗口内的所述两帧图像。可选地，该指定的人脸图像可以是各段连续的人脸图像中的第一帧图像，也可以是相对比较清晰的图像，或者是任意选取的一帧图像。
继续参照图1所示，在步骤S130中，计算在所述各段连续的人脸图像中确定出的所述两帧图像之间的时间间隔，得到至少一个时间间隔。
在本发明的实施例中，当有多段连续的人脸图像时，针对每段连续的人脸图像都可以从中选择出上述的两帧图像，进而可以针对每段连续的人脸图像都计算出一个时间间隔。
在步骤S140中，根据所述至少一个时间间隔，计算所述目标用户的心率值。
在本发明的实施例中，当心脏经过一个收缩期和舒张期后，血液循环对面部图像的影响最为接近，因此本发明上述实施例中在各段连续的人脸图像中确定出的目标区域的对比差值最小的两帧图像之间的时间间隔实际上心脏经过一个收缩期和舒张期的时间，因此可以基于该时间间隔来计算用户的心率值。
在本发明的一个实施例中，在计算目标用户的心率值时，可以计算设定值与该至少一个时间间隔中的各个时间间隔之间的比值，得到至少一个预测心率值，然后将至少一个预测心率值的平均值作为目标用户的心率值。其中，若只有一个时间间隔，则将根据该时间间隔计算得到的预测心率值作为用户的心率值。可选地，该设定值可以是60，或者也可以是59、61等。
图1所示实施例的技术方案使得能够通过对用户的人脸图像进行采集来实现心率值的检测，有效降低了心率检测对医疗资源的要求，并且也能够提高心率检测效率。此外，由于只需通过采集人脸图像即可实现心率的检测，因此也无需用户前往医疗机构进行心率检测，提高了心率检测的便捷性。
图5示意性示出了根据本发明的第二个实施例的心率检测处理方法的流程图，该心率检测处理方法的执行主体可以是具有计算处理功能的设备，比如服务器等。
参照图5所示，根据本发明的第二个实施例的心率检测处理方法，包括如下步骤S510至步骤S520，详细阐述如下：
在步骤S510中，监测目标用户的心率值变化情况。
在本发明的一个实施例中，可以采用前述实施例中所述的心率值计算方法来持续或周期性检测目标用户的心率值，以监测目标用户的心率值变化情况。
在步骤S520中，根据所述目标用户的心率值和所述心率值变化情况，计算所述目标用户的健康得分。
在本发明的一个实施例中，如图6所示，步骤S520中根据目标用户的心率值和心率值变化情况，计算目标用户的健康得分的过程，可以包括如下步骤：
步骤S610，根据目标用户的心率值生成第一计算因子，并根据所述心率值变化情况生成第二计算因子。
在本发明的一个实施例中，可以根据目标用户的心率值，通过以下公式生成所述第一计算因子：
其中，s1表示所述第一计算因子；F表示所述目标用户的心率值；C1和C2表示常数，且C2≤C1；α为大于1的常数。可选地，C1的值可以选100左右，比如可以选择100；C2的值可以选60左右，比如可以选择60。
在本发明的一个实施例中，可以根据心率值变化情况，通过以下公式计算所述第二计算因子：
s2＝[C1-std(F1,F2,…,Fm)]×β
其中，s2表示所述第二计算因子；C1表示常数；std(F1,F2,…,Fm)表示根据所述目标用户的心率值变化情况确定的多个心率值的标准差；β为大于0的常数。可选地，C1的值可以选100左右，比如可以选择100。
步骤S620，根据所述第一计算因子的权重和所述第二计算因子的权重，对所述第一计算因子和所述第二计算因子进行加权求和，得到所述目标用户的健康得分。
在本发明的一个实施例中，在计算目标用户的健康得分之后，可以基于该目标用户的健康得分，确定目标用户的承保风险。比如可以按照健康得分所在的范围确定对应的健康等级，根据该健康等级确定承保风险。具体地，目标用户的健康得分越高，则说明承保风险越低。
图5所示实施例的技术方案使得能够通过检测用户的心率来确定用户的健康程度，进而一方面可以及时向用户提醒健康情况，另一方面也可以辅助进行智能核保。
图7示意性示出了根据本发明的第三个实施例的心率检测处理方法的流程图，该心率检测处理方法的执行主体可以是具有计算处理功能的设备，比如服务器等。
参照图7所示，根据本发明的第三个实施例的心率检测处理方法，包括如下步骤S710至步骤S720，详细阐述如下：
在步骤S710中，获取目标用户的健康数据。
在本发明的一个实施例中，用户的健康数据可以包括性别、年龄、每分钟心率、心率波动程度(前后两个测量周期内心率变化的幅度)以及有无心脏病史等。
在步骤S720中，基于所述目标用户的心率值和所述目标用户的健康数据，预测所述目标用户的发病概率。
在本发明的一个实施例中，可以通过机器学习模型来预测目标用户的发病概率。比如可以根据历史用户的健康数据、心率数据和发病情况生成样本数据，然后通过该样本数据对机器学习模型进行训练，得到训练后的模型，进而将目标用户的健康数据和目标用户的心率值输入至训练后的模型中，以得到目标用户的发病概率。可选地，机器学习模型可以是卷积神经网络模型(Convolutional Neural Network，CNN)、循环神经网络模型(Recurrent Neural Network，RNN)等神经网络模型。
图7所示实施例的技术方案使得能够通过检测用户的心率来预测用户的发病概率，进而及时向用户提醒预测情况。
以下结合附图介绍本发明的装置实施例。
图8示意性示出了根据本发明的实施例的有效预测心脏疾病早期征兆的***的框图。
参照图8所示，根据本发明的实施例的有效预测心脏疾病早期征兆的***，可以包括：图像摄取子***801、图像处理子***802、心率计算子***803、房颤预测子***804和预警子***805。
其中，图像摄取子***801用于采集用户的人脸图像。在本发明的一个实施例中，可以在家居穿衣镜后面安装一个普通的网络摄像头来采集用户的人脸图像，为了保护用户的个人隐私，可以为该网络摄像头设置一个开关，当在不需要监测心率的情况下可以关闭该摄像头。该摄像头可以同时采集一个或多个人脸图像，这些人脸图像通过有线或无线网络连接本地或云端的服务器进行存储和管理。
需要说明的是，若摄像头采集到多个人脸图像，则需要进行人脸识别来确定属于同一个人的人脸图像。
图像处理子***802的主要功能是从时间序列的连续图像中提取相关的人脸图像，然后运用滑动窗口(一般摄像头每秒可以截取30帧照片)的方法在滑动窗口内选取相对清晰的图像作为目标人脸图像I1，记录该图像的拍摄时刻t1；然后根据不同图像之间的相对定位，依次计算滑动窗口(滑动窗口的长度可以根据心率的正常范围来设定)中各图像的目标区域与目标人脸图像I1的目标区域之间的对比差值；进而确定出滑动窗口中与时刻t1拍摄的目标人脸图像I1的对比差值最小的人脸图像I2的拍摄时刻t2。
心率计算子***803用于根据前述确定的拍摄时刻t1和拍摄时刻t2计算预测的心率f1。可选地，其中心率为每分钟心跳的次数，t1和t2的单位为秒。
然后在时间序列中随机向前滑动窗口p秒，并多次计算出预测心率值，得到f2,f3,....fn。然后计算这些预测心率值的平均值，将该平均值作为检测到的心率值。这样就可以通过时间滑动窗口的方式来分析人脸图像的变化频率进而监测人的心率变化，从而可以实现非接触性的自动快速的心率监测。
房颤预测子***804用于根据心率监测结果以及被测人员相关信息建立多危险因素评估模型，预测房颤等心脏疾病发生的概率。
在本发明的一个实施例中，多危险因素评估模型中所考虑的危险因素X可以包括性别、年龄、心率值、心率波动(前后两个检测周期内心率变化的幅度)以及有无心脏病史等。可选地，预测过程如下：a、将每类危险因素Xi按水平划分为不同等级，比如可以将心率划分为三个等级：①小于每分钟100次，②每分钟100次到160次，③大于每分钟160次；将心率波动划分为两个等级：①变化幅度小于30％，②变化幅度大于等于30％；b、由历史数据信息进行模型训练得到不同危险因素的条件概率分布表，依照该概率表查出在房颤Y条件下各危险因素相对应等级发生时的条件概率，相乘得到P(X＝x|Y＝房颤)；c、根据贝叶斯公式P(X,Y＝房颤)＝P(Y＝房颤)*P(X＝x|Y＝房颤)计算发生房颤的概率。
预警子***805用于根据监测到的心率及预测出的发生房颤的概率及时向相关人员发送预警消息，实现早预防、早治疗的目的。
图9示意性示出了根据本发明的实施例的辅助进行智能核保的***的框图。
参照图9所示，根据本发明的实施例的辅助进行智能核保的***，可以包括：图像摄取子***901、图像处理子***902、心率计算子***903、健康评价模型子***904和辅助智能核保子***905。
其中，图像摄取子***901用于采集用户的人脸图像。在本发明的一个实施例中，可以在体检装置或保险办理柜台上安装一个普通的网络摄像头来采集用户的人脸图像，为了保护用户的个人隐私，可以为该网络摄像头设置一个开关，当在不需要监测心率的情况下可以关闭该摄像头。该摄像头可以同时采集一个或多个人脸图像，这些人脸图像通过有线或无线网络连接本地或云端的服务器进行存储和管理。
需要说明的是，若摄像头采集到多个人脸图像，则需要进行人脸识别来确定属于同一个人的人脸图像。
图像处理子***902的主要功能是从时间序列的连续图像中提取相关的人脸图像，然后运用滑动窗口(一般摄像头每秒可以截取30帧照片)的方法在滑动窗口内选取相对清晰的图像作为目标人脸图像I1，记录该图像的拍摄时刻t1；然后根据不同图像之间的相对定位，依次计算滑动窗口(滑动窗口的长度可以根据心率的正常范围来设定)中各图像的目标区域与目标人脸图像I1的目标区域之间的对比差值；进而确定出滑动窗口中与时刻t1拍摄的目标人脸图像I1的对比差值最小的人脸图像I2的拍摄时刻t2。
心率计算子***903用于根据前述确定的拍摄时刻t1和拍摄时刻t2计算预测的心率f1。可选地，其中心率为每分钟心跳的次数，t1和t2的单位为秒。
然后在时间序列中随机向前滑动窗口p秒，并多次计算出预测心率值，得到f2,f3,....fn。然后计算这些预测心率值的平均值F，将该平均值F作为检测到的心率值。在更长的一段时间内，持续监测此时间段内的用户的心率值变化情况(可以通过上述方式进行监测)，得到m个心率值，分别为F1,F2,F3,...,Fm，即为此段时间内的心率变化规律。
健康评价模型子***904用于根据计算得到的心率值和心率变化规律分别来计算心率值因子和心率变化规律因子，并以此来计算用户的健康得分。
在本发明的一个实施例中，心率值因子s1的计算公式可以为：
心率变化规律因子s2的计算公式可以为：
s2＝(100-std(F1,F2,...Fm))*β，β>0，0≤s2≤100
用户的健康得分S的计算公式可以为：
S＝δ1*s1+δ2*s2
其中，0≤δ1≤1,0≤δ2≤1,δ1+δ2＝1。
在计算得到用户的健康得分S之后，可以按照健康得分的高低划分为1-5共5个等级，分数越高等级越高，承保风险越低。
辅助智能核保子***905用于结合已有健康保险核保案例的评判结果对***进行验证，并对***参数和健康得分的计算模型进行优化，以此有效辅助健康保险智能核保。
图10示意性示出了根据本发明的一个实施例的心率检测处理装置的框图。
参照图10所示，根据本发明的一个实施例的心率检测处理装置1000，包括：获取单元1002、对比单元1004、第一计算单元1006和第二计算单元1008。
其中，获取单元1002用于获取连续采集到的目标用户的多帧人脸图像；对比单元1004用于将所述多帧人脸图像中的目标区域进行对比，以在各段连续的人脸图像中分别确定出所述目标区域的对比差值最小的两帧图像；第一计算单元1006用于计算在所述各段连续的人脸图像中确定出的所述两帧图像之间的时间间隔，得到至少一个时间间隔；第二计算单元1008用于根据所述至少一个时间间隔，计算所述目标用户的心率值。
在本发明的一个实施例中，对比单元1004配置为：以所述各段连续的人脸图像中的指定人脸图像作为对比基准，计算所述各段连续的人脸图像中的其它人脸图像的目标区域与所述指定人脸图像中的目标区域之间的对比差值，以在所述各段连续的人脸图像中确定出与所述指定人脸图像之间的所述对比差值最小的目标人脸图像；将所述各段连续的人脸图像中的所述指定人脸图像和所述目标人脸图像作为所述各个时间窗口内的所述两帧图像。
在本发明的一个实施例中，第二计算单元1008配置为：计算设定值与所述至少一个时间间隔中的各个时间间隔之间的比值，得到至少一个预测心率值；将所述至少一个预测心率值的平均值作为所述目标用户的心率值。
在本发明的一个实施例中，所述的心率检测处理装置1000还包括：监测单元，用于监测所述目标用户的心率值变化情况；第三计算单元，用于根据所述目标用户的心率值和所述心率值变化情况，计算所述目标用户的健康得分。
在本发明的一个实施例中，所述第三计算单元配置为：根据所述目标用户的心率值生成第一计算因子，并根据所述心率值变化情况生成第二计算因子；根据所述第一计算因子的权重和所述第二计算因子的权重，对所述第一计算因子和所述第二计算因子进行加权求和，得到所述目标用户的健康得分。
在本发明的一个实施例中，所述第三计算单元配置为通过以下公式生成所述第一计算因子：
其中，s1表示所述第一计算因子；F表示所述目标用户的心率值；C1和C2表示常数，且C2≤C1；α为大于1的常数。
在本发明的一个实施例中，所述第三计算单元配置为通过以下公式计算所述第二计算因子：
s2＝[C1-std(F1,F2,…,Fm)]×β
其中，s2表示所述第二计算因子；C1表示常数；std(F1,F2,…,Fm)表示根据所述目标用户的心率值变化情况确定的多个心率值的标准差；β为大于0的常数。
在本发明的一个实施例中，所述的心率检测处理装置1000还包括：确定单元，用于基于所述目标用户的健康得分，确定所述目标用户的承保风险。
在本发明的一个实施例中，所述的心率检测处理装置1000还包括：预测单元；所述获取单元还用于获取所述目标用户的健康数据；所述预测单元用于基于所述目标用户的心率值和所述目标用户的健康数据，预测所述目标用户的发病概率。
在本发明的一个实施例中，所述预测单元配置为：根据历史用户的健康数据、心率数据和发病情况生成样本数据；通过所述样本数据对机器学习模型进行训练，得到训练后的模型；将所述目标用户的健康数据和所述目标用户的心率值输入至所述训练后的模型中，以得到所述目标用户的发病概率。
由于本发明的示例实施例的心率检测处理装置的各个功能模块与上述心率检测处理方法的示例实施例的步骤对应，因此对于本发明装置实施例中未披露的细节，请参照本发明上述的心率检测处理方法的实施例。
下面参考图11，其示出了适于用来实现本发明实施例的电子设备的计算机***1100的结构示意图。图11示出的电子设备的计算机***1100仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图11所示，计算机***1100包括中央处理单元(CPU)1101，其可以根据存储在只读存储器(ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。在RAM 1103中，还存储有***操作所需的各种程序和数据。CPU 1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
以下部件连接至I/O接口1105：包括键盘、鼠标等的输入部分1106；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1107；包括硬盘等的存储部分1108；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1110上，以便于从其上读出的计算机程序根据需要被安装入存储部分1108。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1109从网络上被下载和安装，和/或从可拆卸介质1111被安装。在该计算机程序被中央处理单元(CPU)1101执行时，执行本申请的***中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中所述的心率检测处理方法。
例如，所述的电子设备可以实现如图1中所示的：步骤S110，获取连续采集到的目标用户的多帧人脸图像；步骤S120，将所述多帧人脸图像中的目标区域进行对比，以在各段连续的人脸图像中分别确定出所述目标区域的对比差值最小的两帧图像；步骤S130，计算在所述各段连续的人脸图像中确定出的所述两帧图像之间的时间间隔，得到至少一个时间间隔；步骤S140，根据所述至少一个时间间隔，计算所述目标用户的心率值。
又如，所述的电子设备可以实现如图5至图7所示的各个步骤。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (13)
1.一种心率检测处理方法，其特征在于，包括：
获取连续采集到的目标用户的多帧人脸图像；
将所述多帧人脸图像中的目标区域进行对比，以在各段连续的人脸图像中分别确定出所述目标区域的对比差值最小的两帧图像；
计算在所述各段连续的人脸图像中确定出的所述两帧图像之间的时间间隔，得到至少一个时间间隔；
根据所述至少一个时间间隔，计算所述目标用户的心率值。
2.根据权利要求1所述的心率检测处理方法，其特征在于，将所述多帧人脸图像中的目标区域进行对比，以在各段连续的人脸图像中分别确定出所述目标区域的对比差值最小的两帧图像，包括：
以所述各段连续的人脸图像中的指定人脸图像作为对比基准，计算所述各段连续的人脸图像中的其它人脸图像的目标区域与所述指定人脸图像中的目标区域之间的对比差值，以在所述各段连续的人脸图像中确定出与所述指定人脸图像之间的所述对比差值最小的目标人脸图像；
将所述各段连续的人脸图像中的所述指定人脸图像和所述目标人脸图像作为所述各个时间窗口内的所述两帧图像。
3.根据权利要求1所述的心率检测处理方法，其特征在于，根据所述至少一个时间间隔，计算所述目标用户的心率值，包括：
计算设定值与所述至少一个时间间隔中的各个时间间隔之间的比值，得到至少一个预测心率值；
将所述至少一个预测心率值的平均值作为所述目标用户的心率值。
4.根据权利要求1所述的心率检测处理方法，其特征在于，还包括：
监测所述目标用户的心率值变化情况；
根据所述目标用户的心率值和所述心率值变化情况，计算所述目标用户的健康得分。
5.根据权利要求4所述的心率检测处理方法，其特征在于，根据所述目标用户的心率值和所述心率值变化情况，计算所述目标用户的健康得分，包括：
根据所述目标用户的心率值生成第一计算因子，并根据所述心率值变化情况生成第二计算因子；
根据所述第一计算因子的权重和所述第二计算因子的权重，对所述第一计算因子和所述第二计算因子进行加权求和，得到所述目标用户的健康得分。
6.根据权利要求5所述的心率检测处理方法，其特征在于，根据所述目标用户的心率值，通过以下公式生成所述第一计算因子：
其中，s1表示所述第一计算因子；F表示所述目标用户的心率值；C1和C2表示常数，且C2≤C1；α为大于1的常数。
7.根据权利要求5所述的心率检测处理方法，其特征在于，根据所述心率值变化情况，通过以下公式计算所述第二计算因子：
s2＝[C1-std(F1,F2,…,Fm)]×β
其中，s2表示所述第二计算因子；C1表示常数；std(F1,F2,…,Fm)表示根据所述目标用户的心率值变化情况确定的多个心率值的标准差；β为大于0的常数。
8.根据权利要求4至7任一项所述的心率检测处理方法，其特征在于，在计算所述目标用户的健康得分之后，所述心率检测处理方法还包括：
基于所述目标用户的健康得分，确定所述目标用户的承保风险。
9.根据权利要求1所述的心率检测处理方法，其特征在于，在计算所述目标用户的心率值之后，所述心率检测处理方法还包括：
获取所述目标用户的健康数据；
基于所述目标用户的心率值和所述目标用户的健康数据，预测所述目标用户的发病概率。
10.根据权利要求9所述的心率检测处理方法，其特征在于，基于所述目标用户的心率值和所述目标用户的健康数据，预测所述目标用户的发病概率，包括：
根据历史用户的健康数据、心率数据和发病情况生成样本数据；
通过所述样本数据对机器学习模型进行训练，得到训练后的模型；
将所述目标用户的健康数据和所述目标用户的心率值输入至所述训练后的模型中，以得到所述目标用户的发病概率。
11.一种心率检测处理装置，其特征在于，包括：
获取单元，用于获取连续采集到的目标用户的多帧人脸图像；
对比单元，用于将所述多帧人脸图像中的目标区域进行对比，以在各段连续的人脸图像中分别确定出所述目标区域的对比差值最小的两帧图像；
第一计算单元，用于计算在所述各段连续的人脸图像中确定出的所述两帧图像之间的时间间隔，得到至少一个时间间隔；
第二计算单元，用于根据所述至少一个时间间隔，计算所述目标用户的心率值。
12.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至10中任一项所述的心率检测处理方法。
13.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至10中任一项所述的心率检测处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811518364.3A CN109620194A (zh) | 2018-12-12 | 2018-12-12 | 心率检测处理方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811518364.3A CN109620194A (zh) | 2018-12-12 | 2018-12-12 | 心率检测处理方法、装置、介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109620194A true CN109620194A (zh) | 2019-04-16 |
Family
ID=66073261
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811518364.3A Pending CN109620194A (zh) | 2018-12-12 | 2018-12-12 | 心率检测处理方法、装置、介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109620194A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113951855A (zh) * | 2021-02-01 | 2022-01-21 | 南京云思创智信息科技有限公司 | 基于人脸的非接触式心率测量方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103315728A (zh) * | 2012-03-20 | 2013-09-25 | 幻音科技(深圳)有限公司 | 心率检测和显示方法及其装置 |
| CN105228508A (zh) * | 2013-03-08 | 2016-01-06 | 新加坡健康服务有限公司 | 一种测定用于分类的危险评分的***和方法 |
| CN107169307A (zh) * | 2017-07-07 | 2017-09-15 | 中北大学 | 健康风险评估方法和装置 |
| CN107847156A (zh) * | 2015-06-15 | 2018-03-27 | 维塔尔实验室公司 | 用于心血管疾病评估和管理的方法和*** |
| CN107910068A (zh) * | 2017-11-29 | 2018-04-13 | 平安健康保险股份有限公司 | 投保用户的健康风险预测方法、装置、设备及存储介质 |
| EP3318184A1 (en) * | 2016-11-08 | 2018-05-09 | Heart2Save Oy | A system and method for determining a probability for a person to have arrhythmia |
| CN108847288A (zh) * | 2018-07-13 | 2018-11-20 | 武汉久乐科技有限公司 | 一种健康预警方法和装置 |
| CN108960144A (zh) * | 2018-07-04 | 2018-12-07 | 泰康保险集团股份有限公司 | 心率检测方法及装置、存储介质和电子设备 |
-
2018
- 2018-12-12 CN CN201811518364.3A patent/CN109620194A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103315728A (zh) * | 2012-03-20 | 2013-09-25 | 幻音科技(深圳)有限公司 | 心率检测和显示方法及其装置 |
| CN105228508A (zh) * | 2013-03-08 | 2016-01-06 | 新加坡健康服务有限公司 | 一种测定用于分类的危险评分的***和方法 |
| CN107847156A (zh) * | 2015-06-15 | 2018-03-27 | 维塔尔实验室公司 | 用于心血管疾病评估和管理的方法和*** |
| EP3318184A1 (en) * | 2016-11-08 | 2018-05-09 | Heart2Save Oy | A system and method for determining a probability for a person to have arrhythmia |
| CN107169307A (zh) * | 2017-07-07 | 2017-09-15 | 中北大学 | 健康风险评估方法和装置 |
| CN107910068A (zh) * | 2017-11-29 | 2018-04-13 | 平安健康保险股份有限公司 | 投保用户的健康风险预测方法、装置、设备及存储介质 |
| CN108960144A (zh) * | 2018-07-04 | 2018-12-07 | 泰康保险集团股份有限公司 | 心率检测方法及装置、存储介质和电子设备 |
| CN108847288A (zh) * | 2018-07-13 | 2018-11-20 | 武汉久乐科技有限公司 | 一种健康预警方法和装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113951855A (zh) * | 2021-02-01 | 2022-01-21 | 南京云思创智信息科技有限公司 | 基于人脸的非接触式心率测量方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104750768B (zh) | 用于从社交媒体中识别、监控和排名事件的方法和*** | |
| US10614316B2 (en) | Anomalous event retriever | |
| Soleimani et al. | Scalable joint models for reliable uncertainty-aware event prediction | |
| US10914608B2 (en) | Data analytic engine towards the self-management of complex physical systems | |
| JP6483928B2 (ja) | 人の日常生活の活動の監視 | |
| US10504036B2 (en) | Optimizing performance of event detection by sensor data analytics | |
| EP3346428A1 (en) | Sensor design support apparatus, sensor design support method and computer program | |
| WO2015199258A1 (ko) | 진단모델 생성 시스템 및 방법 | |
| WO2013192593A2 (en) | Clinical predictive analytics system | |
| WO2021054582A1 (en) | Electronic device and method of estimating physiological signal | |
| Hossain et al. | Modeling and assessing quality of information in multisensor multimedia monitoring systems | |
| WO2021068781A1 (zh) | 一种疲劳状态识别方法、装置和设备 | |
| CN109389072A (zh) | 数据处理方法和装置 | |
| US20200275016A1 (en) | Method and system for auto-setting video content analysis modules | |
| US20220165417A1 (en) | Population-level gaussian processes for clinical time series forecasting | |
| CN112966222B (zh) | 一种时间序列异常数据检测方法及相关设备 | |
| CN108960144A (zh) | 心率检测方法及装置、存储介质和电子设备 | |
| CN107391901A (zh) | 建立普通病房患者病情评估模型的方法和服务器 | |
| Putrada et al. | Improving thermal camera performance in fever detection during covid-19 protocol with random forest classification | |
| US20200401933A1 (en) | Closed loop biofeedback dynamic assessment | |
| CN109620194A (zh) | 心率检测处理方法、装置、介质及电子设备 | |
| US20200253548A1 (en) | Classifying a disease or disability of a subject | |
| US20170286569A1 (en) | System and method of modeling irregularly sampled temporal data using kalman filters | |
| Cheng et al. | Classification models for pulmonary function using motion analysis from phone sensors | |
| Kalogiannis et al. | Geriatric group analysis by clustering non-linearly embedded multi-sensor data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |