CN113397519B - 心血管健康状态的检测装置 - Google Patents
心血管健康状态的检测装置 Download PDFInfo
- Publication number
- CN113397519B CN113397519B CN202110898085.XA CN202110898085A CN113397519B CN 113397519 B CN113397519 B CN 113397519B CN 202110898085 A CN202110898085 A CN 202110898085A CN 113397519 B CN113397519 B CN 113397519B
- Authority
- CN
- China
- Prior art keywords
- heart rate
- ippg
- average
- value
- poincare
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 230000036996 cardiovascular health Effects 0.000 title claims abstract description 35
- 230000000737 periodic effect Effects 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 37
- 238000010586 diagram Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 239000012634 fragment Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000036391 respiratory frequency Effects 0.000 claims description 2
- 230000036387 respiratory rate Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 210000000748 cardiovascular system Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013186 photoplethysmography Methods 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000004373 mandible Anatomy 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036581 peripheral resistance Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001052 transient 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
- A61B5/02405—Determining heart rate variability
-
- 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 And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种心血管健康状态的检测装置，通过获取被测者的人脸区域的原始IPPG信号；对所述原始IPPG信号进行预处理；根据预处理后的IPPG信号提取HRV特征和平均周期波形特征；把所述HRV特征和平均周期波形特征输入预先训练好的分类检测模型，得到所述被测者的心血管健康状态的检测结果；从而使检测结果与更高维的生理特征关联，检测结果的准确性更高。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种心血管健康状态的检测装置。
背景技术
目前，对心血管健康状态进行监测时，一般是使用心电图机获取精确的心电数据进行分析，这种方法存在操作过程复杂、需要使用者具有较高的专业知识的缺点。为此，Pavlidis等人提出利用普通摄像头的非接触式心率检测方法，被称为成像式光电容积描记法(imaging photoplethysmography，IPPG)，获取人脸区域的IPPG信号后，便捷快速地提取多种与心血管***功能变化有关的生理指标特征，进而根据这些生理指标特征进行心血管健康状态的判断。然而，目前一般只根据IPPG信号提取低维的HRV特征（心率变异性特征）进行分析判断，判断结果的准确性无法满足实际应用需求。
发明内容
鉴于上述现有技术的不足之处，本申请实施例的目的在于提供一种心血管健康状态的检测方法、装置、电子设备及存储介质，其对心血管健康状态的检测结果准确性高。
本申请实施例提供一种心血管健康状态的检测装置，包括摄像装置和处理装置；
所述摄像装置用于采集被测者的人脸视频；
所述处理装置用于根据所述人脸视频获取被测者的人脸区域的原始IPPG信号，对所述原始IPPG信号进行预处理，根据预处理后的IPPG信号提取HRV特征和平均周期波形特征，把所述HRV特征和平均周期波形特征输入预先训练好的分类检测模型，得到所述被测者的心血管健康状态的检测结果。
本申请实施例的心血管健康状态的检测装置，根据IPPG信号提取HRV特征和平均周期波形特征，把HRV特征和平均周期波形特征共同用于进行心血管健康状态的检测，与现有技术相比，检测结果与更高维的生理特征关联，检测结果的准确性更高。
优选地，所述处理装置在根据所述人脸视频获取被测者的人脸区域的原始IPPG信号的时候：
获取所述被测者的人脸视频；
对所述人脸视频的每一帧图像进行RGB通道分离，并提取绿色信道图像；
对每个所述绿色信道图像进行ROI区域选取；
计算每个所述ROI区域的像素值均值，得到原始IPPG信号。
优选地，所述摄像装置采集被测者的人脸视频的采集帧率为30fps。
优选地，所述预处理包括趋势化处理、滑动平均处理和带通滤波去噪声处理。
优选地，所述处理装置在根据预处理后的IPPG信号提取HRV特征的时候：
对预处理后的IPPG信号进行峰值点定位；
计算相邻峰值点之间的间隔得到RR间期序列；
根据所述RR间期序列计算HRV特征；所述HRV特征包括心率、呼吸频率、时域特征、频域特征和Poincare散点图分布特征。
优选地，所述 Poincare散点图分布特征包括Poincare散点图的定量化描述椭圆的长轴、Poincare散点图的定量化描述椭圆的短轴以及Poincare散点图的定量化描述椭圆长轴与短轴之比；
所述处理装置在计算Poincare散点图分布特征的时候：
依次以各RR间期值为一个Poincare点的横坐标值，并以后一个RR间期值为所述Poincare点的纵坐标值，生成Poincare散点图；
以包围所述Poincare散点图中所有Poincare点的最小椭圆作为定量化描述椭圆，获取所述定量化描述椭圆的长轴长度和短轴长度，并计算所述长轴长度和所述短轴长度之比。
优选地，所述平均周期波形特征包括主峰幅值Hb、下降支幅值Hc、反射峰幅值Hd、平均持续时间T、主波出现时间Tab和主波到重搏波峰的间隔时间Tbd；所述处理装置在根据预处理后的IPPG信号提取平均周期波形特征的时候：
对IPPG信号进行波形取反处理和去趋势化处理；
以波谷点为分割点，把取反处理和去趋势化处理后的IPPG信号分割为多个脉搏波，并计算所述多个脉搏波的持续时长均值，得到平均持续时间T；
根据预设的筛选条件移除变形脉搏波；
通过扩增或截取信号片段的方式，把剩余的各脉搏波调整为持续时长等于平均持续时间T的脉搏波；
把所有调整后的所述脉搏波进行线性平均叠加，得到所述IPPG信号的平均周期波形；
对所述平均周期波形进行插值和平滑处理后，获取其二阶导数波形；
对所述二阶导数波形进行波峰和波谷检测，以二阶导数波形的第一极小值对应的平均周期波形中的IPPG信号值为主峰幅值Hb；以二阶导数波形的第二极小值对应的平均周期波形中的IPPG信号值为反射峰幅值Hd；以所述二阶导数波形的第一极小值和所述第二极小值之间的极大值对应的平均周期波形中的IPPG信号值为下降支幅值Hc；以所述第一极小值对应的时间为主波出现时间Tab；以所述第一极小值到所述第二极小值之间的时间间隔为主波到重搏波峰的间隔时间Tbd。
所述平均周期波形特征包括主峰幅值、下降支幅值、反射峰幅值、平均持续时间、主波出现时间和主波到重搏波峰的间隔时间。
优选地，还包括照射装置，所述照射装置用于在所述摄像装置采集被测者的人脸视频的时候照亮所述被测者的人脸区域。
有益效果：
本申请实施例提供的心血管健康状态的检测装置，通过获取被测者的人脸区域的原始IPPG信号；对所述原始IPPG信号进行预处理；根据预处理后的IPPG信号提取HRV特征和平均周期波形特征；把所述HRV特征和平均周期波形特征输入预先训练好的分类检测模型，得到所述被测者的心血管健康状态的检测结果；从而使检测结果与更高维的生理特征关联，检测结果的准确性更高。
附图说明
图1为本申请实施例提供的心血管健康状态的检测装置的结构示意图。
图2为心血管健康状态的检测装置的使用状态示意图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
下文的公开提供的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本发明提供了的各种特定的工艺和材料的例子，但是本领域普通技术佩戴人员可以意识到其他工艺的应用和/或其他材料的使用。
请参阅图1，本申请实施例提供的一种心血管健康状态的检测装置，包括摄像装置1和处理装置2；
所述摄像装置1用于采集被测者的人脸视频；
所述处理装置2用于根据所述人脸视频获取被测者的人脸区域的原始IPPG信号，对所述原始IPPG信号进行预处理，根据预处理后的IPPG信号提取HRV特征和平均周期波形特征，把所述HRV特征和平均周期波形特征输入预先训练好的分类检测模型，得到所述被测者的心血管健康状态的检测结果。
该心血管健康状态的检测装置，根据IPPG信号提取HRV特征和平均周期波形特征，把HRV特征和平均周期波形特征共同用于进行心血管健康状态的检测，与现有技术相比，检测结果与更高维的生理特征关联，检测结果的准确性更高。
优选地，所述处理装置2在根据所述人脸视频获取被测者的人脸区域的原始IPPG信号的时候：
获取所述被测者的人脸视频；
对所述人脸视频的每一帧图像进行RGB通道分离，并提取绿色信道图像；
对每个所述绿色信道图像进行ROI区域（感兴趣区域）选取；
计算每个所述ROI区域的像素值均值，得到原始IPPG信号。
通过摄像装置1采集视频图像，然后针对每一帧图像进行RGB通道分离，由于绿色信道图像对心率、呼吸频率等HRV特征变化的敏感程度高，因此提取其中的绿色信道图像进行分析处理，可根据皮肤检测算法选取人脸皮肤区域作为ROI区域，最后针对每帧绿色信道图像，计算其ROI区域的像素值均值，得到像素值均值序列，即为原始IPPG信号。其中，可根据以下公式计算ROI区域的像素值均值：
;
其中，为第i帧绿色信道图像的ROI区域的像素值均值，/>为第i帧绿色信道图像的ROI区域的第j个像素点的像素值，N为第i帧绿色信道图像的ROI区域的像素点总数。
其中，视频图像的采集帧率可根据实际需要设置，一般取25 fps-40 fps，优选地，采集帧率为30fps。
在一些优选实施方式中，所述预处理包括趋势化处理、滑动平均处理和带通滤波去噪声处理。
通过趋势化处理可实现可有效减少呼吸率对原波形单脉搏波波峰和波谷提取的影响。
通过滑动平均处理可实现可实现短时平稳信号的提取，减少采样异常值的干扰。
通过带通滤波去噪声处理可有效去除IPPG信号中的噪声。
在一些优选实施方式中，所述处理装置2在根据预处理后的IPPG信号提取HRV特征的时候：
对预处理后的IPPG信号进行峰值点定位；
计算相邻峰值点之间的间隔得到RR间期序列；
根据所述RR间期序列计算HRV特征；所述HRV特征包括心率、呼吸频率、时域特征、频域特征和Poincare散点图分布特征。
其中，对预处理后的IPPG信号进行峰值点定位的步骤包括：寻找所有极大值元素（IPPG信号值）位置，即该位置元素幅值比相邻两个元素的值都大；同时根据筛选条件（可把该筛选条件称为第一筛选条件）排除由噪声影响产生的小尖峰信号，筛选条件包括对提取波的特性做限制，例如所提取波峰的宽度不小于估算心率的5/60。
其中，把相邻峰值点对应的时间相减即得到RR间期序列。
其中，可通过以下公式计算心率：
Bpm=60*K/T；
其中，Bpm为心率，K表示预处理后的IPPG信号中的峰值点数量，T表示预处理后的IPPG信号的持续时长。该心率Bpm表示静息状态下每分钟心跳的次数。
实际上，也可对预处理后的IPPG信号进行快速傅里叶变换以得到其功率谱，然后从中提取最大功率谱值，并通过以下公式计算心率：
Bpm=60*T1*Fs/M；
其中，T1为最大功率谱值，Fs为视频图像的采集帧率，M为预处理后的IPPG信号的总采样点数。由于通过这种方式计算心率，计算结果的准确性受视频图像的采集帧率、采样长度（采样点总数）、快速傅里叶变换时选用的窗口长度等因素的影响，与前一种方式相比，计算结果的可靠性相对较低。
在一些实施方式中，也可根据以上两种方式分别计算得到两个心率值（第一心率和第二心率），然后，判断两者之间的偏差率（第一心率与第二心率只差跟第一心率之比），若偏差率不超过预设的偏差率阈值，则以两个心率值的平均值作为最终的心率值，否则以第一种方式计算得到的心率值（第一心率）为最终的心率值。
进一步的，可对预处理后的IPPG信号进行快速傅里叶变换以得到其功率谱，然后从中提取第二大功率谱值，并通过以下公式计算呼吸频率：
Br=60* T2*Fs/M；
其中，Br为呼吸频率，T2为第二大功率谱值，Fs为视频图像的采集帧率，M为预处理后的IPPG信号的总采样点数。该呼吸频率Br表示每分钟呼吸的次数。
在本实施例中，所述HRV特征中的时域特征包括下表中的特征：
| 序号 | 符号 | 含义 |
| 1 | IBI | RR间期的平均值 |
| 2 | SDNN | RR间期标准差 |
| 3 | SDSD | 相邻RR间期之间的差值的标准差 |
| 4 | RMSSD | 相邻RR间期之间的差值的均方根 |
| 5 | pNN20 | 相邻RR间期之间的差值的绝对值大于20ms的个数在总个数中的占比 |
| 6 | pNN50 | 相邻RR间期之间的差值的绝对值大于50ms的个数在总个数中的占比 |
所述HRV特征中的频域特征包括下表中的特征：
| 序号 | 符号 | 含义 |
| 1 | LF | RR间期序列的功率谱密度图中0.04-0.15Hz所对应的面积 |
| 2 | HF | RR间期序列的功率谱密度图中0.15-0.4Hz所对应的面积 |
| 3 | LF/HF | 低频与高频功率谱密度的面积之比 |
优选地，所述 Poincare散点图分布特征包括Poincare散点图的定量化描述椭圆的长轴、Poincare散点图的定量化描述椭圆的短轴以及Poincare散点图的定量化描述椭圆长轴与短轴之比；
所述处理装置2在计算Poincare散点图分布特征的时候：
依次以各RR间期值为一个Poincare点的横坐标值，并以后一个RR间期值为所述Poincare点的纵坐标值，生成Poincare散点图；
以包围所述Poincare散点图中所有Poincare点的最小椭圆作为定量化描述椭圆，获取所述定量化描述椭圆的长轴长度SD1和短轴长度SD2，并计算所述长轴长度和所述短轴长度之比SD1/SD2。
Poincare散点图分布特征反映了心脏状态动力学的特性，譬如心脏频率与神经、体液以及呼吸的交互影响，因此此处采集Poincare散点图分布特征作为HRV特征的一部分，可实现基于非线性运动方式的心率变化描述和研究。
在一些优选实施方式中，所述平均周期波形特征包括主峰幅值Hb、下降支幅值Hc、反射峰幅值Hd、平均持续时间T、主波出现时间Tab和主波到重搏波峰的间隔时间Tbd；所述处理装置2在根据预处理后的IPPG信号提取平均周期波形特征的时候：
对IPPG信号进行波形取反处理和去趋势化处理；
以波谷点为分割点，把取反处理和去趋势化处理后的IPPG信号分割为多个脉搏波，并计算所述多个脉搏波的持续时长均值，得到平均持续时间T；
根据预设的筛选条件（可把该筛选条件称为第二筛选条件）移除变形脉搏波；其中，所述预设的筛选条件（第二筛选条件）为：若目标脉搏波的方差不大于所有脉搏波的方差的平均值的m1倍，且该目标脉搏波的持续时长与所述平均持续时间T的比值在允差范围内，则判定该目标脉搏波为非变形脉搏波，否则判定该目标脉搏波为变形脉搏波。其中，m1的值可根据实际需要设置，例如m1=1.75；其中，允差范围可根据实际需要设置，例如0.8-1.2；
通过扩增或截取信号片段的方式，把剩余的各脉搏波调整为持续时长等于平均持续时间T的脉搏波；例如，若目标脉搏波的持续时长小于平均持续时间T,则可在目标脉搏波最后通过拟合插值的方法***数据段，或可在目标脉搏波中每隔若干个数据就按线性插值方式***一个数据，从而把目标脉搏波的持续时长扩增为T；若目标脉搏波的持续时长大于平均持续时间T，则可在目标脉搏波最后删除信号片段，从而把目标脉搏波的持续时长截取为T；
把所有调整后的所述脉搏波进行线性平均叠加，得到所述IPPG信号的平均周期波形；
对所述平均周期波形进行插值和平滑处理后，获取其二阶导数波形（通过二阶差分计算得到）；
对所述二阶导数波形进行波峰和波谷检测，以二阶导数波形的第一极小值（即第一个极小值）对应的平均周期波形中的IPPG信号值为主峰幅值Hb；以二阶导数波形的第二极小值（即第二个极小值）对应的平均周期波形中的IPPG信号值为反射峰幅值Hd；以所述二阶导数波形的第一极小值和所述第二极小值之间的极大值对应的平均周期波形中的IPPG信号值为下降支幅值Hc；以所述第一极小值对应的时间为主波出现时间Tab；以所述第一极小值到所述第二极小值之间的时间间隔为主波到重搏波峰的间隔时间Tbd。
平均周期波形特征反映了动脉僵硬程度、外周阻力及弹性变化等信息，在进行心血管健康状态检测时考虑平均周期波形特征，可实现基于非瞬态的平稳脉搏波特征的健康状态信息挖掘。
通过上步骤，可获取高维度的HRV特征用以检测被测者的心血管健康状态，以提高检测结果的准确性和可靠性。
在一些实施方式中，所述分类检测模型为基于贝叶斯超参数优化和随机森林分类器组合而成的分类检测模型，可对被测者的心血管的健康状态和非健康状态进行二分类检测。该分类检测模型通过以下方式训练得到：用包括样本和标签的训练集进行训练，在训练过程中通过反向传播最小误差进行模型训练，并通过包括样本和标签的测试集对训练好的模型进行交叉验证及评估。通过该分类检测模型可得到被测者的心血管健康状态为健康状态或不健康状态的检测结果，且检测结果准确可靠。
在一些实施方式中，见图1、2，该心血管健康状态的检测装置，还包括照射装置3，所述照射装置3用于在所述摄像装置1采集被测者的人脸视频的时候照亮所述被测者的人脸区域。从而可提高人脸区域的明亮度，以获得更加清晰的人脸视频帧图像，提高检测的准确性。优选地，所述照射装置3发出的光为绿光，例如波长为530nm的绿光，因为530nm的波长的光能穿透皮肤达到毛细血管，血液对它的吸收率相较其他波长的要高，使得反射的光信号的等变化信息容易被捕捉，从而可以提取出信噪比高的脉搏波及其特征。
在一些实施方式中，见图2，该心血管健康状态的检测装置包括一个类圆筒状的检测架4，所述检测架4的前侧开口的下部设置有用于承托被测者下颌的定位承托部5，所述摄像装置1为设置在所述检测架4的后侧中部的摄像头，该摄像头的光轴与所述检测架4同轴设置；所述照射装置3为围绕所述摄像装置1设置的灯板，所述灯板前侧均匀设置有光源（如LED灯珠），以保证均匀照射被测者的人脸区域。其中，摄像头与检测架4前侧开口之间的距离可根据实际需要设置，例如，图2中，该距离为20cm。
由上可知，该心血管健康状态的检测装置，通过获取被测者的人脸区域的原始IPPG信号；对所述原始IPPG信号进行预处理；根据预处理后的IPPG信号提取HRV特征和平均周期波形特征；把所述HRV特征和平均周期波形特征输入预先训练好的分类检测模型，得到所述被测者的心血管健康状态的检测结果；从而使检测结果与更高维的生理特征关联，检测结果的准确性更高。
综上所述，虽然本发明已以优选实施例揭露如上，但上述优选实施例并非用以限制本发明，本领域的普通技术佩戴人员，在不脱离本发明的精神和范围内，均可作各种更动与润饰，其方案与本发明实质上相同。
Claims (6)
1.一种心血管健康状态的检测装置，其特征在于，包括摄像装置和处理装置；
所述摄像装置用于采集被测者的人脸视频；
所述处理装置用于根据所述人脸视频获取被测者的人脸区域的原始IPPG信号，对所述原始IPPG信号进行预处理，根据预处理后的IPPG信号提取HRV特征和平均周期波形特征，把所述HRV特征和平均周期波形特征输入预先训练好的分类检测模型，得到所述被测者的心血管健康状态的检测结果；
所述处理装置在根据预处理后的IPPG信号提取HRV特征的时候：
对预处理后的IPPG信号进行峰值点定位；
计算相邻峰值点之间的间隔得到RR间期序列；
根据所述RR间期序列计算HRV特征，所述HRV特征包括心率、呼吸频率、时域特征、频域特征和Poincare散点图分布特征；
心率的计算过程包括：
分别采用以下两种方式计算心率得到第一心率和第二心率，若第一心率和第二心率之差跟第一心率之比不超过预设的偏差率阈值，则以第一心率和第二心率的平均值作为最终的心率值，否则，以第一心率为最终的心率值：
方式一，根据以下公式计算心率，作为第一心率：Bpm=60*K/T，其中，Bpm为心率，K表示预处理后的IPPG信号中的峰值点数量，T表示预处理后的IPPG信号的持续时长；
方式二，对预处理后的IPPG信号进行快速傅里叶变换以得到其功率谱，然后从中提取最大功率谱值，并通过以下公式计算心率，作为第二心率：Bpm=60*T1*Fs/M，其中，T1为最大功率谱值，Fs为视频图像的采集帧率，M为预处理后的IPPG信号的总采样点数；
所述平均周期波形特征包括主峰幅值Hb、下降支幅值Hc、反射峰幅值Hd、平均持续时间T、主波出现时间Tab和主波到重搏波峰的间隔时间Tbd；所述处理装置在根据预处理后的IPPG信号提取平均周期波形特征的时候：
对IPPG信号进行波形取反处理和去趋势化处理；
以波谷点为分割点，把取反处理和去趋势化处理后的IPPG信号分割为多个脉搏波，并计算所述多个脉搏波的持续时长均值，得到平均持续时间T；
根据预设的筛选条件移除变形脉搏波；
通过扩增或截取信号片段的方式，把剩余的各脉搏波调整为持续时长等于平均持续时间T的脉搏波；
把所有调整后的所述脉搏波进行线性平均叠加，得到所述IPPG信号的平均周期波形；
对所述平均周期波形进行插值和平滑处理后，获取其二阶导数波形；
对所述二阶导数波形进行波峰和波谷检测，以二阶导数波形的第一极小值对应的平均周期波形中的IPPG信号值为主峰幅值Hb；以二阶导数波形的第二极小值对应的平均周期波形中的IPPG信号值为反射峰幅值Hd；以所述二阶导数波形的第一极小值和所述第二极小值之间的极大值对应的平均周期波形中的IPPG信号值为下降支幅值Hc；以所述第一极小值对应的时间为主波出现时间Tab；以所述第一极小值到所述第二极小值之间的时间间隔为主波到重搏波峰的间隔时间Tbd。
2.根据权利要求1所述的心血管健康状态的检测装置，其特征在于，所述处理装置在根据所述人脸视频获取被测者的人脸区域的原始IPPG信号的时候：
获取所述被测者的人脸视频；
对所述人脸视频的每一帧图像进行RGB通道分离，并提取绿色信道图像；
对每个所述绿色信道图像进行ROI区域选取；
计算每个所述ROI区域的像素值均值，得到原始IPPG信号。
3.根据权利要求1所述的心血管健康状态的检测装置，其特征在于，所述摄像装置采集被测者的人脸视频的采集帧率为30fps。
4.根据权利要求1所述的心血管健康状态的检测装置，其特征在于，所述预处理包括趋势化处理、滑动平均处理和带通滤波去噪声处理。
5.根据权利要求1所述的心血管健康状态的检测装置，其特征在于，所述 Poincare散点图分布特征包括Poincare散点图的定量化描述椭圆的长轴、Poincare散点图的定量化描述椭圆的短轴以及Poincare散点图的定量化描述椭圆长轴与短轴之比；
所述处理装置在计算Poincare散点图分布特征的时候：
依次以各RR间期值为一个Poincare点的横坐标值，并以后一个RR间期值为所述Poincare点的纵坐标值，生成Poincare散点图；
以包围所述Poincare散点图中所有Poincare点的最小椭圆作为定量化描述椭圆，获取所述定量化描述椭圆的长轴长度和短轴长度，并计算所述长轴长度和所述短轴长度之比。
6.根据权利要求1所述的心血管健康状态的检测装置，其特征在于，还包括照射装置，所述照射装置用于在所述摄像装置采集被测者的人脸视频的时候照亮所述被测者的人脸区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110898085.XA CN113397519B (zh) | 2021-08-05 | 2021-08-05 | 心血管健康状态的检测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110898085.XA CN113397519B (zh) | 2021-08-05 | 2021-08-05 | 心血管健康状态的检测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113397519A CN113397519A (zh) | 2021-09-17 |
| CN113397519B true CN113397519B (zh) | 2024-05-28 |
Family
ID=77688472
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110898085.XA Active CN113397519B (zh) | 2021-08-05 | 2021-08-05 | 心血管健康状态的检测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113397519B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118051809B (zh) * | 2024-04-15 | 2024-06-25 | 长春理工大学 | 基于多特征融合的非接触式状态识别方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105476630A (zh) * | 2015-11-26 | 2016-04-13 | 北京期颐科技有限公司 | 中医心藏功能的检测方法 |
| CN106037694A (zh) * | 2016-05-13 | 2016-10-26 | 吉林大学 | 一种基于脉搏波的连续血压测量装置 |
| CN106539580A (zh) * | 2016-11-21 | 2017-03-29 | 西安交通大学 | 一种自主神经***动态变化的连续监测方法 |
| CN106691425A (zh) * | 2016-12-30 | 2017-05-24 | 北京工业大学 | 一种运动手环的腕部心率监测方法 |
| CN109480808A (zh) * | 2018-09-27 | 2019-03-19 | 深圳市君利信达科技有限公司 | 一种基于ppg的心率检测方法、***、设备和存储介质 |
| CN109770885A (zh) * | 2019-03-25 | 2019-05-21 | 合肥工业大学 | 一种基于预览帧的快速心率检测方法 |
| WO2019161411A1 (en) * | 2018-02-17 | 2019-08-22 | Sanmina Corporation | System and method for obtaining health data using a neural network |
| CN111714144A (zh) * | 2020-07-24 | 2020-09-29 | 长春理工大学 | 基于视频非接触测量的精神压力分析方法 |
| CN111839491A (zh) * | 2020-06-29 | 2020-10-30 | 北京曙光易通技术有限公司 | 心搏功能监测方法、心搏功能持续监测方法及电子设备 |
| CN111870235A (zh) * | 2020-08-04 | 2020-11-03 | 杭州艺兴科技有限公司 | 一种基于ippg的吸毒人员筛查方法 |
| CN112040846A (zh) * | 2018-04-23 | 2020-12-04 | 赢创运营有限公司 | 基于光电体积描记（ppg）信号估计血压和动脉硬化度的方法 |
| CN112890792A (zh) * | 2020-11-25 | 2021-06-04 | 合肥工业大学 | 一种基于网络摄像头的云计算心血管健康监护***及方法 |
| CN113080917A (zh) * | 2021-03-04 | 2021-07-09 | 浙江慧养科技有限公司 | 一种心率异常的监测方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7771364B2 (en) * | 2004-01-27 | 2010-08-10 | Spirocor Ltd. | Method and system for cardiovascular system diagnosis |
| CA2952485A1 (en) * | 2015-12-21 | 2017-06-21 | Robert Andre Amelard | System and method for spatial cardiovascular monitoring |
| EP3352661B1 (en) * | 2016-02-18 | 2020-11-18 | Samsung Electronics Co., Ltd. | Method and electronic device for cuff-less blood pressure(bp) measurement |
-
2021
- 2021-08-05 CN CN202110898085.XA patent/CN113397519B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105476630A (zh) * | 2015-11-26 | 2016-04-13 | 北京期颐科技有限公司 | 中医心藏功能的检测方法 |
| CN106037694A (zh) * | 2016-05-13 | 2016-10-26 | 吉林大学 | 一种基于脉搏波的连续血压测量装置 |
| CN106539580A (zh) * | 2016-11-21 | 2017-03-29 | 西安交通大学 | 一种自主神经***动态变化的连续监测方法 |
| CN106691425A (zh) * | 2016-12-30 | 2017-05-24 | 北京工业大学 | 一种运动手环的腕部心率监测方法 |
| WO2019161411A1 (en) * | 2018-02-17 | 2019-08-22 | Sanmina Corporation | System and method for obtaining health data using a neural network |
| CN112040846A (zh) * | 2018-04-23 | 2020-12-04 | 赢创运营有限公司 | 基于光电体积描记（ppg）信号估计血压和动脉硬化度的方法 |
| CN109480808A (zh) * | 2018-09-27 | 2019-03-19 | 深圳市君利信达科技有限公司 | 一种基于ppg的心率检测方法、***、设备和存储介质 |
| CN109770885A (zh) * | 2019-03-25 | 2019-05-21 | 合肥工业大学 | 一种基于预览帧的快速心率检测方法 |
| CN111839491A (zh) * | 2020-06-29 | 2020-10-30 | 北京曙光易通技术有限公司 | 心搏功能监测方法、心搏功能持续监测方法及电子设备 |
| CN111714144A (zh) * | 2020-07-24 | 2020-09-29 | 长春理工大学 | 基于视频非接触测量的精神压力分析方法 |
| CN111870235A (zh) * | 2020-08-04 | 2020-11-03 | 杭州艺兴科技有限公司 | 一种基于ippg的吸毒人员筛查方法 |
| CN112890792A (zh) * | 2020-11-25 | 2021-06-04 | 合肥工业大学 | 一种基于网络摄像头的云计算心血管健康监护***及方法 |
| CN113080917A (zh) * | 2021-03-04 | 2021-07-09 | 浙江慧养科技有限公司 | 一种心率异常的监测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| An iPPG-Based Device for Pervasive Monitoring of Multi-Dimensional Cardiovascular Hemodynamics;Jingjing Luo, et al.;sensors;第21卷(第3期);第3页第1段、第5页第2段，图2、图3 * |
| Jingjing Luo, et al..An iPPG-Based Device for Pervasive Monitoring of Multi-Dimensional Cardiovascular Hemodynamics.sensors.2021,第21卷(第3期),第3页第1段、第5页第2段，图2、图3. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113397519A (zh) | 2021-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | The obf database: A large face video database for remote physiological signal measurement and atrial fibrillation detection | |
| CN105266787B (zh) | 一种非接触式心率检测方法及*** | |
| Banerjee et al. | Application of cross wavelet transform for ECG pattern analysis and classification | |
| US11311201B2 (en) | Feature selection for cardiac arrhythmia classification and screening | |
| CN111466876B (zh) | 一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断*** | |
| Yazdani et al. | A novel short-term event extraction algorithm for biomedical signals | |
| ES2960027T3 (es) | Detección de anomalías en las señales de ECG | |
| Trenta et al. | Advanced motion-tracking system with multi-layers deep learning framework for innovative car-driver drowsiness monitoring | |
| CN111107785A (zh) | 使用短的单导联ecg记录来检测心房颤动 | |
| Bashar et al. | Developing a novel noise artifact detection algorithm for smartphone PPG signals: Preliminary results | |
| Orosco et al. | An epileptic seizures detection algorithm based on the empirical mode decomposition of EEG | |
| CN114781465B (zh) | 一种基于rPPG的非接触式疲劳检测***及方法 | |
| CN103263271A (zh) | 非接触式自动血氧饱和度测量***及测量方法 | |
| CN111387959A (zh) | 一种基于ippg的非接触式生理参数检测方法 | |
| US20180279935A1 (en) | Method and system for detecting frequency domain cardiac information by using pupillary response | |
| Wedekind et al. | Automated identification of cardiac signals after blind source separation for camera-based photoplethysmography | |
| CN110251115A (zh) | 基于体表视频的ppg信号提取方法、***、设备及介质 | |
| CN113397519B (zh) | 心血管健康状态的检测装置 | |
| CN114532993A (zh) | 一种癫痫患者脑电高频振荡信号的自动检测方法 | |
| Fukunishi et al. | Improvements in remote video based estimation of heart rate variability using the Welch FFT method | |
| Jaleel et al. | Improved spindle detection through intuitive pre-processing of electroencephalogram | |
| CN111839492A (zh) | 一种基于面部视频序列的心率非接触式测量方法 | |
| Yang et al. | Classification of phonocardiogram signals based on envelope optimization model and support vector machine | |
| Satija et al. | Low-complexity detection and classification of ECG noises for automated ECG analysis system | |
| KR20170004549A (ko) | 동공 크기 변화율을 이용한 심장 주파수 영역의 정보 추출 방법 및 그 장치 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |