CN114569096B - 一种基于视频流的非接触式连续血压测量方法及*** - Google Patents
一种基于视频流的非接触式连续血压测量方法及*** Download PDFInfo
- Publication number
- CN114569096B CN114569096B CN202210193095.8A CN202210193095A CN114569096B CN 114569096 B CN114569096 B CN 114569096B CN 202210193095 A CN202210193095 A CN 202210193095A CN 114569096 B CN114569096 B CN 114569096B
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- pulse wave
- feature
- video
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000009530 blood pressure measurement Methods 0.000 title claims abstract description 34
- 230000036772 blood pressure Effects 0.000 claims abstract description 180
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000012216 screening Methods 0.000 claims abstract description 15
- 230000035488 systolic blood pressure Effects 0.000 claims abstract description 14
- 230000035487 diastolic blood pressure Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 24
- 238000010187 selection method Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 17
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 17
- 238000005516 engineering process Methods 0.000 claims description 16
- 239000002245 particle Substances 0.000 claims description 16
- 238000012163 sequencing technique Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 16
- 239000000284 extract Substances 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000002776 aggregation Effects 0.000 claims description 11
- 238000004220 aggregation Methods 0.000 claims description 11
- 238000012880 independent component analysis Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 230000001815 facial effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000014759 maintenance of location Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000000658 coextraction Methods 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 claims description 2
- 230000000630 rising effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000010989 Bland-Altman Methods 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 238000009532 heart rate measurement Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004393 prognosis Methods 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
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
-
- 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
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
- A61B5/02116—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics of pulse wave amplitude
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Vascular Medicine (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于视频流的非接触式连续血压测量方法及***。属于血压测量领域,所述方法包括:脉搏波信号处理与特征提取模块;单人模型构建与筛选模块;PPG信号特征选择模块;SVR通用血压模型构建模块;视频信号采集与处理模块;视频血压预测模块。视频血压预测结果显示,收缩压与舒张压的预测结果满足AAMI与BHS的A级标准。本发明仅靠采集视频中的脉搏波信号就可达到准确测量连续血压的目的,测量方式简单,不需要与人体进行接触,对临床与日常健康监护都具有广阔的应用价值与前景。
Description
技术领域
本发明属于血压测量领域,特别是涉及一种基于视频流的非接触式连续血压测量方法及***。
背景技术
血压(BP)直接反映人类心脑血管的功能状态,是疾病诊断、疗效评价和预后分析的重要依据。相比于传统血压检测方法,连续无创非接触式的血压监测方法具有便携性,舒适性和简便性等优势。
近年来,一些研究根据脉搏波特征对血压进行估计,如文献1(Wang,Y.,etal.Continuous blood pressure prediction using pulse features and Elman neuralnetworks.in 2017 IEEE 17th International Conference on CommunicationTechnology(ICCT).2017.)利用脉搏波单通道信号,提取少数脉搏波波形特征构建了BP预测模型。但是该方法的预测精度有待提高,并没有脉搏波信号的相关提取方法。
关于脉搏波的获取,利用光电容积脉搏波的原理获取技术已经较为成熟。基于视频获取脉搏波的研究在不断发展。如文献2(Xu,F.,et al.,Heart rate measurementbased on face video sequence.2015.941435.)利用独立成分分析(ICA)的原理,从面部视频信号中成功地提取出脉搏波信号。
随着脉搏波提取技术与预测算法的发展,人们开始考虑基于视频的连续无创非接触式血压测量方法的研究。如文献3(Y.Fang,P.Huang,M.Chung and B.Wu,″A FeatureSelection Method for Vision-Based Blood Pressure Measurement,″2018IEEEInternational Conference on Systems,Man,and Cybernetics(SMC),Miyazaki,Japan,2018,pp.2158-2163,doi:10.1109/SMC.2018.00371.)通过视频记录面部与手掌信号,利用人工智能模型对血压进行预测。他们所需采集的信号较多,只比较了模型之间的差异性,预测精度不高。
中国专利号为CN108272449的专利公开了一种非接触式的血压监测方法及***。通过获取被监测者身体上第一采样位置和第二采样位置的视频信号流,提取脉搏波的传输速度,并将传输速度转换为血压值,实现血压的动态监测。该***和方法可以实现非接触式动态连续血压监测,提高用户的舒适体验度,实时反馈用户的血压情况。该方法需要同时采集面部与指尖两处视频信号,信号采集的复杂度大大增加。
中国专利号为CN110706826的专利公开了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。通过非接触方式获取被检测者的人脸组织区域的视频图像,根据所述视频图像提取人脸图像;对所有所述人脸区域中满足预设条件的皮肤组织进行图像处理并生成图像数据;根据所述图像数据,计算出被检测人群的心率和血压值。该方法仅利用脉搏波传导时间建立与血压之间的关系,进行血压的实时测量的过程中计算误差比较大,并未描述血压预测结果的准确度。
中国专利号为CN106821356的专利公开了基于Elman神经网络的云端连续血压测量方法和***。将提取获得的脉搏波信号的特征点作为Elman神经网络的输入,进行采用训练好的Elman神经网络模型对血压值进行预测,将获得的预测值作为连续血压测量值。该方法利用神经网络的方法进行血压预测,但并未描述非接触式脉搏波信号的获取与处理方法。
中国专利号为CN110090010的专利公开了一种非接触式血压测量方法及***。该方法获取用户的面部视频后筛选出第一感兴趣区域与第二感兴趣区域的图像帧,利用盲源分离获得心率估计值,根据心率估计值提取确定感兴趣区域的光电容积脉搏波,利用PPG信号时滞输入时滞与血压的关系方程得到血压值,够避免对人体的直接接触和压迫。该方法不能实现实时血压监测。
中国专利号为CN105011921的专利公开了一种通过视频分析测量血压的方法。该方法通过拍摄人体浅表动脉处一侧的动脉视频,拍摄视频前后通过常规方法测量人体血压,根据测得的高压值与低压值对视频信号进行分析,算出血压与动脉尺度的关联系数,实际测量时重复上述步骤,得到具体测量的高压值与低压值。该发明所述的测量血压方法仅靠拍摄视频与视频分析即可得到,不需要接触人体即可完成血压测量。该方法在拍摄视频前后还需要使用常规方法测量人体高压值与低压值,操作较为繁琐。
中国专利号为CN108523867的专利公开了一种自校准PPG无创血压测量方法。该方法根据脉搏波传导时间与血压之间的线性关系测得PPG血压测量值,根据血压校准模型与个人特征信息对所述PPG血压测量值进行校准。该方法根据个人特征信息对PPG血压测量值进行校准来改善测量效率和结果,使血压测量的结果受干扰更小。该方法为接触式血压测量,需要佩戴手环采集PPG信号。
发明内容
为了解决上述血压测量方法存在的问题,满足智慧医疗快速发展下人们对血压测量方面的要求,本发明提供一种基于视频流非接触式连续血压测量方法及***,实现血压信息的实时监测,在日常生活与临床监测中有很大的应用前途。从面部视频到血压的预测,并经验证符合AAMI和BHS标准,提高了基于视频信号获取血压的精确度,实时反馈用户的血压情况。
本发明采用如下技术方案来实现的:
一种基于视频流的非接触式连续血压测量***,包括:
脉搏波信号处理与特征提取模块,采用离散小波分解技术与小波去噪的方法对脉搏波信号进行预处理,对PPG的波形特征以及参考人体的生理信息在PPG波形中的表现进行分析,提取了脉搏波序列的时频域特征;
单人模型构建与筛选模块,根据脉搏波信号处理与特征提取模块提取到的脉搏波序列的时频域特征,建立了三种单人血压预测模型,分别为基于粒子群优化的Elman神经网络的单人血压预测模型,基于深度信念网络的单人血压预测模型以及SVR单人血压预测模型,对三种单人血压预测模型进行评价筛选,得出最优模型为SVR单人血压预测模型;
PPG信号特征选择模块,根据脉搏波信号处理与特征提取模块提取的脉搏波序列的时频域特征,进行特征排序,得到特征权重排序结果;
SVR通用血压模型构建模块,根据特征权重排序结果,选取不同数量的脉搏波序列的时频域特征重新构建SVR单人血压预测模型,得到SVR通用血压预测模型,对预测结果与实际血压进行一致性分析,得到并验证最优特征子集及其稳定性;
视频信号采集与处理模块,首先利用摄像机获取被试的面部视频数据与指尖PPG信号,对于获取到的面部视频数据,采用框选技术对感兴趣区域进行提取RGB序列,采用颜色失真滤波算法对RGB序列滤波处理,再利用独立成分分析算法从滤波后的RGB序列提取视频脉搏波信号,与指尖PPG信号进行一致性估计;
视频血压预测模块,采用脉搏波信号处理与特征提取模块中的方法提取视频脉搏波序列的时频域特征,根据脉搏波最优特征子集提取视频脉搏波特征子集,与指尖PPG信号的最优脉搏波特征子集进行一致性估计,得出最优视频脉搏波特征子集并作为输入,利用训练得到的SVR通用血压预测模型进行血压预测。
本发明进一步的改进在于,脉搏波信号处理与特征提取模块包括:
时域特征提取,采用Matlab的findpeaks函数,通过设定最低幅值以及相邻点的最小距离,实现脉搏波波峰的定位,从而进一步通过寻找相邻波峰间的最小值实现脉搏波波峰的定位,采用Matlab的trapz函数实现上升面积SS、下降面积DS的计算,采用diff函数实现脉搏波信号一阶微分的计算,得出脉搏波时域特征;
频域特征提取,通过Matlab的fft函数对以当前脉搏波为中心的左右各10个脉搏波信号为单位做傅里叶变换,采用Matlab的max函数实现脉搏波信号的基波和二次谐波中0.3-1.6Hz和1.6-3Hz之间的频率和幅值的确定,采用‘db6’小波为母小波对脉搏波信号进行6层分解提取小波域特征,采用Maltab的经验模态分解工具箱实现对脉搏波信号的分解,之后对分解得到的IMF分量进行Hilbert变换得到Hilbert变换域特征;
共提取包括时间特征,幅值特征,以及面积特征共78个时频域特征。
本发明进一步的改进在于,单人模型构建与筛选模块,包括:
粒子群优化的Elman神经网络的单人血压预测模型建立,采用单一隐含层,采用粒子群优化算法寻找最优网络权值与阈值,采用变异操作,在每次粒子更新后,以随机概率重新初始化粒子;
SVR单人血压预测模型建立,采用Libsvm库来训练,采用径向基函数核内核的∈-SVR模型,并通过用于回归问题的网格参数寻优函数SVMcgForRegress确定模型中的超参数,即:惩罚系数C,核函数中内核参数g和终止准则的容差∈;
基于深度信念网络的单人血压预测模型建立,采用受限玻尔兹曼机进行预训练,使得特征参数在降维时,尽可能多的特征信息被保留,之后利用训练好的受限玻尔兹曼机网络参数初始化神经网络权值,利用训练数据结合误差反传算法对权值调整;
三种单人血压预测模型训练时,采用三折交叉验证的方法将60%数据用于模型训练,40%数据作为测试数据;根据血压测量的AAMI标准,以得到的3次训练的预测血压与实际血压的平均绝对误差、标准差的平均作为模型准确性的评价指标,对三种建模方法进行比较评估,得到最优SVR单人血压预测模型。
本发明进一步的改进在于,PPG信号特征选择模块,还包括本文所设计的特征选择方法,具体包括:
利用65个被试的数据参与特征选择,每个被试约3个不同时间段的数据,共190组数据,每段数据长度在十分钟;
选用RRelieff、近邻成分分析的过滤式特征选择方法以及依托于支持向量机的支持向量机递归特征消除、依托于神经网络的平均影响值两种嵌入式特征选择方法,采用基于排名的稳定性聚合技术,进行集成特征选择;
采用上述四种特征选择方法对每组数据分别进行特征选择,每一组数据会得出四种特征权重排序,首先将一种特征选择方法得出的190组特征排序进行稳定性聚合,得出该特征选择方法的特征权重排序,再将四种不同特征选择方法得到的特征权重排序进行稳定性聚合,得到最终的特征权重排序结果。
本发明进一步的改进在于,SVR通用血压模型构建模块,包括:
SVR通用血压模型构建数据为特征选取模块中65个被试的3组数据中的随机一组数据,测试数据为参与特征选择65个被试的3组数据中的另外两组以及为参与特征选择的37个被试数据,共213组数据,将特征参数个数分别取值3-20以及30、40、50、60进行试验,并使用该65个被试数据中的随机数据,进行SVR通用血压模型构建;
取213组预测数据的平均绝对误差、标准差的均值和标准差作为选用特征数的评估标准,初步筛选出最优特征子集,得到收缩压最优特征子集为6,舒张压最优特征子集为7,添加实验平台所采集的5个被试的50组数据共263组数据进行SVR通用血压模型与最优特征子集数的测试与验证;
选用15、25、35、45、55个被试的数据参与特征选择,根据上文确定的最优特征子集,对收缩压预测保留特征权重结果的前6个特征,对舒张压预测保留特征权重结果的前7个特征,与特征参数个数取65个被试参与特征选择得到的最优特征子集进行比较,验证最优特征子集的稳定性。
本发明进一步的改进在于,视频信号处理模块,包括:
使用摄像机记录面部动态特征,帧率为50fps,距离为1m,同步采集指尖PPG信号,采样率为1000Hz,采集过程中被试者保持静止状态;
采用框选技术对感兴趣区域进行提取,使用matlab的VideoReader函数对视频进行读取成帧,取中间帧的图片进行感兴趣区域选取,分别计算RGB三个通道每一帧感兴趣区域的灰度均值,得到RGB序列;
利用颜色失真滤波算法对视频信号进行滤波处理,对RGB序列进行时间归一化处理,经过傅里叶变换后进行特征转换,对转换后的进行能量计算并计算权重后,进行反傅里叶变化,再进行反时间归一化,得到滤波后的RGB序列;
利用独立成分分析算法对滤波后的RGB序列提取出成分1,成分2,成分3,利用频谱分析自动识别三种成分,选择出具有明显PPG特征的成分1,采用切比雪夫I型IIR滤波器用于带通滤波对成分1进行去噪,得到视频脉搏波信号;
利用指尖PPG信号对视频脉搏波信号进行准确性估计,波形对比评价输出信号的相似度,瞬时心率对比评价输出信号包含生理信息的正确性。
本发明进一步的改进在于,视频血压预测模块,包括:
采用脉搏波信号处理与特征提取模块中的方法提取视频脉搏波序列的时频域特征,根据脉搏波最优特征子集提取视频脉搏波特征子集,通过对比指尖PPG信号的最优特征子集和视频脉搏波特征子集,评价视频特征子集可用于血压预测的正确性,并再次排除平均绝对百分比误差高于20%的特征,得到最优视频脉搏波特征子集为测试数据;
最优视频脉搏波特征子集为P5、F1、F2、ΔT、RP5、RP6共6个特征,基于实验平台所采集到的5个被试的视频PPG信号实验数据,每个被试采集了不同时间段15-30组数据,每组数据2分钟左右,共100组数据;将100组数据的最优视频脉搏波特征子集作为输入,利用训练得到的SVR通用血压预测模型进行血压预测。
一种基于视频流的非接触式连续血压测量方法,包括:
脉搏波信号处理与特征提取模块采用离散小波分解技术与小波去噪的方法对脉搏波信号进行预处理,对PPG的波形特征以及参考人体的生理信息在PPG波形中的表现进行分析,提取了脉搏波序列的时频域特征;
单人模型构建与筛选模块根据脉搏波信号处理与特征提取模块提取到的脉搏波序列的时频域特征,建立了三种单人血压预测模型,分别为基于粒子群优化的Elman神经网络的单人血压预测模型,基于深度信念网络的单人血压预测模型以及SVR单人血压预测模型,对三种单人血压预测模型进行评价筛选,得出最优模型为SVR单人血压预测模型;
PPG信号特征选择模块根据脉搏波信号处理与特征提取模块提取的脉搏波序列的时频域特征,进行特征排序,得到特征权重排序结果;
SVR通用血压模型构建模块根据特征权重排序结果,选取不同数量的脉搏波序列的时频域特征重新构建SVR单人血压预测模型,得到SVR通用血压预测模型,对预测结果与实际血压进行一致性分析,得到并验证最优特征子集及其稳定性;
视频信号采集与处理模块首先利用摄像机获取被试的面部视频数据与指尖PPG信号,对于获取到的面部视频数据,采用框选技术对感兴趣区域进行提取RGB序列,采用颜色失真滤波算法对RGB序列滤波处理,再利用独立成分分析算法从滤波后的RGB序列提取视频脉搏波信号,与指尖PPG信号进行一致性估计;
视频血压预测模块采用脉搏波信号处理与特征提取模块中的方法提取视频脉搏波序列的时频域特征,根据脉搏波最优特征子集提取视频脉搏波特征子集,与指尖PPG信号的最优脉搏波特征子集进行一致性估计,得出最优视频脉搏波特征子集并作为输入,利用训练得到的SVR通用血压预测模型进行血压预测。
本发明至少具有如下有益的技术效果:
1.非接触便携性
采用视频采集到的面部信号进行处理后,提取脉搏波信号进行血压预测,与传统方法相比较,具有非接触的特点,此***可应用于手机,利用手机摄像头获取视频信号,实现方便快捷的血压测量。
2.实现连续血压预测
基于连续的脉搏波与血压数据,构建三种单人血压预测模型以及SVR通用血压模型,采用视频中提取的连续脉搏波数据进行连续血压值血压估计,预测结果满足AAMI与BHS标准,实现了连续血压预测。
3.运行速度快
采用数据多样性以及功能多样性结合的基于排名的稳定性聚合技术的特征选择方法,从78个脉搏波特征参数中,提取出6/7个特征进行舒张压与收缩压的预测,构建SVR通用血压模型,提高模型训练速度以及预测速度。
4.稳定性强
对于筛选出的单人血压预测模型,SVR通用血压模型的预测结果与现有血压测量方法进行一致性分析,具有较好的一致性且两中方法可以互相代替使用;对于筛选出的最优特征子集,选用特征数为3-20、30、40、50、60进行试验,并且分别选用15、25、35、45、55个被试参与特征选择,验证最优特征子集的稳定性与通用性;对于视频提取出的脉搏波信号,与同步采集的指尖PPG信号进行一致性估计,确定最优视频脉搏波特征子集进行血压预测。
5.血压预测精度提高,预测结果满足AAMI以及BSH的A级标准。
数据多样性,实验数据来自于实验平台采集的脉搏波,血压与视频信号以及基于血压数据库MIMIC的连续血压信号;脉搏波序列的时频域特征的提取,提出了脉搏波78个时频域特征的提取方法,尽可能完备的建立了脉搏波特征参数库,并用于单人模型构建与筛选;血压预测模型的筛选,根据脉搏波信号处理与特征提取模块提取到的脉搏波序列的时频域特征,建立了三种单人血压预测模型,筛选出最优模型用于构建通用血压模型;特征排序,采取四种特征选择方法以及集成稳定性聚合的方法排除脉搏波中干扰血压预测的相关特征;视频信号预处理,利用皮肤的胜利和光学特性基础上,通过信号分离技术提高提取脉搏波信号的准确度,采用颜色失真滤波算法对RGB序列滤波处理,再利用独立成分分析算法从滤波后的RGB序列提取视频脉搏波信号。
附图说明
图1是本发明一种基于视频流非接触无创连续血压测量方法的设计流程图。
图2是本发明一种对脉搏波特征排序的设计流程图。
图3是视频信号采集与处理的流程图。
图4表示视频血压预测的结果图,其中图4(a)为同样SVR预测模型对100组实验数据的SBP预测结果,图4(b)为通用SVR预测模型对100组实验数据的DBP预测结果。
图5为视频估计出的血压与实验测得的标准血压的一致性分析结果图,其中图5(a)为预测DBP与实际DBP相关性,图5(b)DBP预测结果Bland-Altman图,图5(c)为预测SBP与实际SBP相关性,图5(d)为SBP预测结果Bland-Altman图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
图1是本发明一种基于视频流非接触无创连续血压测量方法的设计流程图。本***完整的建立了基于视频流非接触无创连续血压的测量流程,根据MIMIC数据库数据与实验采集数据,提取出78个脉搏波序列的时频域特征,用于单人模型的构建与筛选,对三种单人血压预测模型进行评价筛选,确立最优模型为SVR单人血压预测模型;对提取出的脉搏波序列的时频域特征进行特征筛选,确定最优特征子集,采用单人血压预测筛选出的最优模型建立SVR通用血压模型,进一步验证最优特征子集以及模型的稳定性;根据实验平台采集的面部视频,选定感兴趣区域后,提取脉搏波信号并且与指尖PPG信号进行准确性评估,得出最优视频脉搏波特征子集,利用之前训练得到的SVR通用血压预测模型进行血压预测,实现基于视频的血压测量。
脉搏波时频域特征提取,本发明对PPG的波形特征以及参考人体的生理信息在PPG波形中的表现进行分析,尽可能完备的提取了脉搏波序列的特征,最终研究中用到的脉搏波的时频域特征参数包括时间特征,幅值特征,面积特征,一阶微分特征,生理参数特征,傅里叶变化域特征、小波域特征以及Hilbert变换域特征共计78个特征。除脉搏波波形特征量K外,其余时间特征和幅值特征均在得到脉搏波的波峰波谷特征点后,依据数学运算得出。采用Matlab的findpeaks函数,通过设定最低幅值以及相邻点的最小距离,实现脉搏波波峰的定位,从而进一步通过寻找相邻波峰间的最小值实现脉搏波波峰的定位。面积特征中,采用Matlab的trapz函数实现上升面积SS、下降面积DS的计算,再结合相应的时间参数,通过公式数学运算即可得出面积特征中的其余特征。基于面积特征的计算后,脉搏波波形特征量K计算时,Pm取值为单位时间的面积变化量,Ps和Pd取值为该周期内脉搏波信号的波峰和波谷值。一阶微分特征中,采用diff函数实现脉搏波信号一阶微分的计算,同样依据findpeaks函数实现一阶微分信号的波峰和波谷点的定位,由此便可计算出相应的一阶微分特征参数。剩余的生理参数特征,则可通过上述所计算出的特征的数学运算得出。傅里叶变换域的特征提取,我们通过Matlab的fft函数对以当前脉搏波为中心的左右各10个脉搏波信号(共21个脉搏波信号)为单位做傅里叶变换。小波域的特征提取,我们采用‘db6’小波为母小波对脉搏波信号进行6层分解,得到低频逼近信号Aj和高频细节信号Dj。采用Maltab的经验模态分解工具箱实现对脉搏波信号的EDM分解,以一组脉搏波信号为例,对其进行EDM分解后即可得到10个IMF分量一个残差序列,进行归一化处理便可得到IMF能量矩特征Ti。
单人模型构建,共利用了102个MIMIC数据库中被试和5个基于实验平台所采集到的被试的脉搏波-血压对数据,每个被试的数据长度在5-100分钟。在单人模型构建之前,对训练数据进行预处理,训练数据中大于1.7倍的特征参数均值或小于0.3倍的特征参数均值的相应位置标记为1,并将收缩压也作为一个特征,对相邻的两个收缩压变化超过5的相应位置标记为1;统计每组训练数据中异常特征参数的个数,若异常数据量超过阈值15,则将该组数据作为异常数据予以剔除。之后对特征参数与血压进行归一化操作,将相同的映射规则分别应用于测试数据中的特征参数和血压数据。粒子群优化的Elman神经网络的单人血压预测模型建立,Elman神经网络设置输入成为78个特征参数,确定隐节点数值取值为6-19之间,输出为预测的收缩压与舒张压。采用单一隐含层,采用粒子群优化算法寻找最优网络权值与阈值,采用变异操作,在每次粒子更新后,以随机概率重新初始化粒子;SVR单人血压预测模型建立,采用Libsvm库来训练,采用径向基函数核内核的∈-SVR模型,并通过用于回归问题的网格参数寻优函数SVMcgForRegress确定模型中的超参数,即:惩罚系数C,核函数中内核参数g和终止准则的容差∈;基于深度信念网络的单人血压预测模型建立,采用受限玻尔兹曼机进行预训练,使得特征参数在降维时,尽可能多的特征信息被保留,之后利用训练好的受限玻尔兹曼机网络参数初始化神经网络权值,利用训练数据结合误差反传算法对权值调整;三种单人血压预测模型训练时,采用三折交叉验证的方法将60%数据用于模型训练,40%数据作为测试数据;根据血压测量的AAMI标准,以得到的3次训练的预测血压与实际血压的平均绝对误差、标准差的平均作为模型准确性的评价指标,对三种建模方法进行比较评估,得到最优SVR单人血压预测模型。对于102个被试,SVR构建模型所得的SBP预测结果均满足平均绝对误差≤3.1mmHg,误差标准差≤3.9mmHg,DBP预测结果均满足平均绝对误差≤1.75mmHg,误差标准差≤2.7mmHg。
图2是本发明一种对PPG特征选择的设计流程图。共利用65个被试的数据参与特征排序,每个被试约3个不同时间段的数据,共190组,每段数据长度在10分钟左右。选用RRelieff、近邻成分分析2种过滤式特征选择方法以及依托于支持向量机的支持向量机递归特征消除、依托于神经网络的平均影响值2种嵌入式特征选择方法共4种特征排序方法分别对每个被试的数据进行特征排序。通过matlab的relieff函数完成RRelieff的特征选择;选用matlab中的fsrnca函数完成临近成分分析,通过使用正则化来学习特征权重;SVM-RFE算法中,输入特征序列后,计算每个特征相对应的权重,以权重作为排序标准进行排序,去除具有最小权重的特征,更新排序序列后输出特征序列;MIV算法通过比较输入神经网络后得到的数据之间的差异,即输入的变化对输出的影响值,计算输入变量对输出的相对贡献率,并根据相对贡献率进行排名,得到排序后的特征序列。采用基于排名的稳定性聚合的方法,基于聚焦数据多样性对每种方法得到的特征排序进行聚合,得到4种总特征序列,再采用基于排名的稳定性聚合的方法,根据聚焦特征选择方法多样性得到最终特征序列,即特征权重排序结果。基于排名的稳定性聚合方法,对每个特征都通过特征选择技术进行评分,根据评分进行排序,从第1个特征一直到第n个特征。这个过程在每一次特征选择迭代中重复,得到一个排序列表的集合,根据它们的排名组合这些排名列表,并使用聚合的排名创建一个最终排序结果,集成稳定性聚合即测量该特征是否排在所确定特征参数个数之内,进一步深化区分所选择的特征排名。
SVR通用血压模型构建数据为特征选取模块中65个被试的3组数据中的随机一组数据,测试数据为参与特征选择65个被试的3组数据中的另外两组以及为参与特征选择的37个被试数据,共213组数据,将特征参数个数分别取值3-20以及30、40、50、60进行试验,并使用该65个被试数据中的随机数据,进行SVR通用血压模型构建;取213组预测数据的平均绝对误差、标准差的均值和标准差作为选用特征数的评估标准,初步筛选出最优特征子集,得到收缩压最优特征子集为6,舒张压最优特征子集为7,用于SBP预测的脉搏波特征为F2、P5、W1、RP6、RP5、ΔT,用于DBP预测的脉搏波特征为P5、F2、ΔT、w2、RP6、F1、RP5。添加实验平台所采集的5个被试的50组数据共263组数据进行SVR通用血压模型与最优特征子集数的测试与验证;选用15、25、35、45、55个被试的数据参与特征选择,根据上文确定的最优特征子集,对收缩压预测保留特征权重结果的前6个特征,对舒张压预测保留特征权重结果的前7个特征,与特征参数个数取65个被试参与特征选择得到的最优特征子集进行比较,验证最优特征子集的稳定性。
图3是视频信号采集与处理的流程图。使用摄像机记录面部动态特征,帧率为50fps,距离为1m,同步采集指尖PPG信号,采样率为1000Hz,采集过程中被试者保持静止状态。采用框选技术选用眼睛下眼睑下方的脸颊中部区域为感兴趣区域进行提取,使用matlab的VideoReader函数对视频进行读取成帧,取中间帧的图片进行感兴趣区域选取,分别计算RGB三个通道每一帧感兴趣区域的灰度均值,得到RGB序列;利用颜色失真滤波算法对视频信号进行滤波处理,对RGB序列进行时间归一化处理,经过傅里叶变换后进行特征转换,对转换后的进行能量计算并计算权重后,进行反傅里叶变化,再进行反时间归一化,得到滤波后的RGB序列。利用独立成分分析算法对滤波后的RGB序列进行处理,首先进行RGB信号进行零均值化处理,采用牛顿迭代法求解解混矩阵,之后分离得出源信号,提取出成分1,成分2,成分3。ICA分解结果中,频谱图中最大数值和均值之比的最大值在具有明显的PPG特征的成分1中取得,利用频谱分析自动识别三种成分,选择出具有明显PPG特征的成分1,采用切比雪夫I型IIR滤波器用于带通滤波对成分1进行去噪,带通滤波器的通带被设置为0.8Hz-3Hz,阻塞频率为0.5Hz和4Hz以及1dB的最大通带衰减和15dB的最小阻带衰减,最终得到100组视频脉搏波信号。
视频血压预测,利用同步采集的指尖PPG信号对视频脉搏波信号进行准确性估计,结合最优特征子集,通过对比指尖PPG和视频PPG提取的用于预测血压的特征,评价输出信号的可用于血压预测的正确性,结果如表1所示,删除W1,W2平均绝对百分比较大的两个特征,应用于视频信号的收缩压与舒张压的预测均选用P5、F1、F2、ΔT、RP5、RP6共6个特征,得出最优视频脉搏波特征子集。将最优视频脉搏波特征子集作为输入,采用之前65个被试的6个特征作为输入训练得到的SVR通用血压预测模型进行血压预测。
表1 100组被试数据视频提取的脉搏波与指尖PPG提取特征的MAPE的均值
图4表示视频血压预测的结果图,由图4(a)(b)可以看出,100组实验数据的SBP/DBP预测结果均满足AAMI标准中的MAE≤5mmHg,误差标准差STD≤8mmHg。表2所示,100组实验数据的SBP/DBP的预测同样满足且远优于BHS的A等级标准:误差小于5mmHg、10mmHg和15mmHg的比例高达80%,99%和1以上。图5为视频估计出的血压与实验测得的标准血压的一致性分析,由图5(a)(c)可知,由视频估计出的收缩压与舒张压与实验测得的标准收缩压与舒张压具有较强的相关性,线性相关系数均达到0.94。图5(b)和图5(d)中的Bland-Altman图可知,由视频估计出的SBP与实验测得的标准SBP的差值均值在0.5mmHg,由视频估计出的DBP与实验测得的标准DBP的差值均值在0.4mmHg,均较接近于代表差值为0的虚线,可见两种血压测量方法具有较强的一致性。
表2基于视频的SBP/DBP的预测累积误差百分比与BHS标准的比较
虽然,上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (8)
1.一种基于视频流的非接触式连续血压测量***,其特征在于,包括:
脉搏波信号处理与特征提取模块,采用离散小波分解技术与小波去噪的方法对脉搏波信号进行预处理,对PPG的波形特征以及参考人体的生理信息在PPG波形中的表现进行分析,提取了脉搏波序列的时频域特征;
单人模型构建与筛选模块,根据脉搏波信号处理与特征提取模块提取到的脉搏波序列的时频域特征,建立了三种单人血压预测模型,分别为基于粒子群优化的Elman神经网络的单人血压预测模型,基于深度信念网络的单人血压预测模型以及SVR单人血压预测模型,对三种单人血压预测模型进行评价筛选,得出最优模型为SVR单人血压预测模型;
PPG信号特征选择模块,根据脉搏波信号处理与特征提取模块提取的脉搏波序列的时频域特征,进行特征排序,得到特征权重排序结果;
SVR通用血压模型构建模块,根据特征权重排序结果,选取不同数量的脉搏波序列的时频域特征重新构建SVR单人血压预测模型,得到SVR通用血压预测模型,对预测结果与实际血压进行一致性分析,得到并验证最优特征子集及其稳定性;
视频信号采集与处理模块,首先利用摄像机获取被试的面部视频数据与指尖PPG信号,对于获取到的面部视频数据,采用框选技术对感兴趣区域进行提取RGB序列,采用颜色失真滤波算法对RGB序列滤波处理,再利用独立成分分析算法从滤波后的RGB序列提取视频脉搏波信号,与指尖PPG信号进行一致性估计;
视频血压预测模块,采用脉搏波信号处理与特征提取模块中的方法提取视频脉搏波序列的时频域特征,根据脉搏波最优特征子集提取视频脉搏波特征子集,与指尖PPG信号的最优脉搏波特征子集进行一致性估计,得出最优视频脉搏波特征子集并作为输入,利用训练得到的SVR通用血压预测模型进行血压预测。
2.根据权利要求1所述的一种基于视频流的非接触式连续血压测量***,其特征在于,脉搏波信号处理与特征提取模块包括:
时域特征提取,采用Matlab的findpeaks函数,通过设定最低幅值以及相邻点的最小距离,实现脉搏波波峰的定位,从而进一步通过寻找相邻波峰间的最小值实现脉搏波波峰的定位,采用Matlab的trapz函数实现上升面积SS、下降面积DS的计算,采用diff函数实现脉搏波信号一阶微分的计算,得出脉搏波时域特征;
频域特征提取,通过Matlab的fft函数对以当前脉搏波为中心的左右各10个脉搏波信号为单位做傅里叶变换,采用Matlab的max函数实现脉搏波信号的基波和二次谐波中0.3-1.6Hz和1.6-3Hz之间的频率和幅值的确定,采用‘db6’小波为母小波对脉搏波信号进行6层分解提取小波域特征,采用Maltab的经验模态分解工具箱实现对脉搏波信号的分解,之后对分解得到的IMF分量进行Hilbert变换得到Hilbert变换域特征;
共提取包括时间特征,幅值特征,以及面积特征共78个时频域特征。
3.根据权利要求1所述的一种基于视频流的非接触式连续血压测量***,其特征在于,单人模型构建与筛选模块,包括:
粒子群优化的Elman神经网络的单人血压预测模型建立,采用单一隐含层,采用粒子群优化算法寻找最优网络权值与阈值,采用变异操作,在每次粒子更新后,以随机概率重新初始化粒子;
SVR单人血压预测模型建立,采用Libsvm库来训练,采用径向基函数核内核的∈-SVR模型,并通过用于回归问题的网格参数寻优函数SVMcgForRegress确定模型中的超参数,即:惩罚系数C,核函数中内核参数g和终止准则的容差∈;
基于深度信念网络的单人血压预测模型建立,采用受限玻尔兹曼机进行预训练,使得特征参数在降维时,尽可能多的特征信息被保留,之后利用训练好的受限玻尔兹曼机网络参数初始化神经网络权值,利用训练数据结合误差反传算法对权值调整;
三种单人血压预测模型训练时,采用三折交叉验证的方法将60%数据用于模型训练,40%数据作为测试数据;根据血压测量的AAMI标准,以得到的3次训练的预测血压与实际血压的平均绝对误差、标准差的平均作为模型准确性的评价指标,对三种建模方法进行比较评估,得到最优SVR单人血压预测模型。
4.根据权利要求1所述的一种基于视频流的非接触式连续血压测量***,其特征在于,PPG信号特征选择模块,还包括本文所设计的特征选择方法,具体包括:
利用65个被试的数据参与特征选择,每个被试约3个不同时间段的数据,共190组数据,每段数据长度在十分钟;
选用RRelieff、近邻成分分析的过滤式特征选择方法以及依托于支持向量机的支持向量机递归特征消除、依托于神经网络的平均影响值两种嵌入式特征选择方法,采用基于排名的稳定性聚合技术,进行集成特征选择;
采用上述四种特征选择方法对每组数据分别进行特征选择,每一组数据会得出四种特征权重排序,首先将一种特征选择方法得出的190组特征排序进行稳定性聚合,得出该特征选择方法的特征权重排序,再将四种不同特征选择方法得到的特征权重排序进行稳定性聚合,得到最终的特征权重排序结果。
5.根据权利要求1所述的一种基于视频流的非接触式连续血压测量***,其特征在于,SVR通用血压模型构建模块,包括:
SVR通用血压模型构建数据为特征选取模块中65个被试的3组数据中的随机一组数据,测试数据为参与特征选择65个被试的3组数据中的另外两组以及为参与特征选择的37个被试数据,共213组数据,将特征参数个数分别取值3-20以及30、40、50、60进行试验,并使用该65个被试数据中的随机数据,进行SVR通用血压模型构建;
取213组预测数据的平均绝对误差、标准差的均值和标准差作为选用特征数的评估标准,初步筛选出最优特征子集,得到收缩压最优特征子集为6,舒张压最优特征子集为7,添加实验平台所采集的5个被试的50组数据共263组数据进行SVR通用血压模型与最优特征子集数的测试与验证;
选用15、25、35、45、55个被试的数据参与特征选择,根据上文确定的最优特征子集,对收缩压预测保留特征权重结果的前6个特征,对舒张压预测保留特征权重结果的前7个特征,与特征参数个数取65个被试参与特征选择得到的最优特征子集进行比较,验证最优特征子集的稳定性。
6.根据权利要求1所述的一种基于视频流的非接触式连续血压测量***,其特征在于,视频信号处理模块,包括:
使用摄像机记录面部动态特征,帧率为50fps,距离为1m,同步采集指尖PPG信号,采样率为1000Hz,采集过程中被试者保持静止状态;
采用框选技术对感兴趣区域进行提取,使用matlab的VideoReader函数对视频进行读取成帧,取中间帧的图片进行感兴趣区域选取,分别计算RGB三个通道每一帧感兴趣区域的灰度均值,得到RGB序列;
利用颜色失真滤波算法对视频信号进行滤波处理,对RGB序列进行时间归一化处理,经过傅里叶变换后进行特征转换,对转换后的进行能量计算并计算权重后,进行反傅里叶变化,再进行反时间归一化,得到滤波后的RGB序列;
利用独立成分分析算法对滤波后的RGB序列提取出成分1,成分2,成分3,利用频谱分析自动识别三种成分,选择出具有明显PPG特征的成分1,采用切比雪夫I型IIR滤波器用于带通滤波对成分1进行去噪,得到视频脉搏波信号;
利用指尖PPG信号对视频脉搏波信号进行准确性估计,波形对比评价输出信号的相似度,瞬时心率对比评价输出信号包含生理信息的正确性。
7.根据权利要求1所述的一种基于视频流的非接触式连续血压测量***,其特征在于,视频血压预测模块,包括:
采用脉搏波信号处理与特征提取模块中的方法提取视频脉搏波序列的时频域特征,根据脉搏波最优特征子集提取视频脉搏波特征子集,通过对比指尖PPG信号的最优特征子集和视频脉搏波特征子集,评价视频特征子集可用于血压预测的正确性,并再次排除平均绝对百分比误差高于20%的特征,得到最优视频脉搏波特征子集为测试数据;
最优视频脉搏波特征子集为P5、F1、F2、ΔT、RP5、RP6共6个特征,基于实验平台所采集到的5个被试的视频PPG信号实验数据,每个被试采集了不同时间段15-30组数据,每组数据2分钟左右,共100组数据;将100组数据的最优视频脉搏波特征子集作为输入,利用训练得到的SVR通用血压预测模型进行血压预测。
8.一种基于视频流的非接触式连续血压测量方法,其特征在于,包括:
脉搏波信号处理与特征提取模块采用离散小波分解技术与小波去噪的方法对脉搏波信号进行预处理,对PPG的波形特征以及参考人体的生理信息在PPG波形中的表现进行分析,提取了脉搏波序列的时频域特征;
单人模型构建与筛选模块根据脉搏波信号处理与特征提取模块提取到的脉搏波序列的时频域特征,建立了三种单人血压预测模型,分别为基于粒子群优化的Elman神经网络的单人血压预测模型,基于深度信念网络的单人血压预测模型以及SVR单人血压预测模型,对三种单人血压预测模型进行评价筛选,得出最优模型为SVR单人血压预测模型;
PPG信号特征选择模块根据脉搏波信号处理与特征提取模块提取的脉搏波序列的时频域特征,进行特征排序,得到特征权重排序结果;
SVR通用血压模型构建模块根据特征权重排序结果,选取不同数量的脉搏波序列的时频域特征重新构建SVR单人血压预测模型,得到SVR通用血压预测模型,对预测结果与实际血压进行一致性分析,得到并验证最优特征子集及其稳定性;
视频信号采集与处理模块首先利用摄像机获取被试的面部视频数据与指尖PPG信号,对于获取到的面部视频数据,采用框选技术对感兴趣区域进行提取RGB序列,采用颜色失真滤波算法对RGB序列滤波处理,再利用独立成分分析算法从滤波后的RGB序列提取视频脉搏波信号,与指尖PPG信号进行一致性估计;
视频血压预测模块采用脉搏波信号处理与特征提取模块中的方法提取视频脉搏波序列的时频域特征,根据脉搏波最优特征子集提取视频脉搏波特征子集,与指尖PPG信号的最优脉搏波特征子集进行一致性估计,得出最优视频脉搏波特征子集并作为输入,利用训练得到的SVR通用血压预测模型进行血压预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210193095.8A CN114569096B (zh) | 2022-02-28 | 2022-02-28 | 一种基于视频流的非接触式连续血压测量方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210193095.8A CN114569096B (zh) | 2022-02-28 | 2022-02-28 | 一种基于视频流的非接触式连续血压测量方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114569096A CN114569096A (zh) | 2022-06-03 |
CN114569096B true CN114569096B (zh) | 2024-05-24 |
Family
ID=81777330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210193095.8A Active CN114569096B (zh) | 2022-02-28 | 2022-02-28 | 一种基于视频流的非接触式连续血压测量方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114569096B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115363598B (zh) * | 2022-09-19 | 2023-03-24 | 深圳市太美亚电子科技有限公司 | 一种心电信号处理方法及*** |
CN115886763A (zh) * | 2022-11-03 | 2023-04-04 | 重庆大学 | 一种血压特征信息提取方法及血压值估计*** |
CN116299684B (zh) * | 2023-05-17 | 2023-07-21 | 成都理工大学 | 基于人工神经网络中双模态神经元的新型微震分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090052442A (ko) * | 2007-11-21 | 2009-05-26 | 엘지전자 주식회사 | 비침습 혈압측정 방법 및 장치 |
CN103908236A (zh) * | 2013-05-13 | 2014-07-09 | 天津点康科技有限公司 | 一种自动血压测量*** |
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 |
CN113288092A (zh) * | 2021-05-06 | 2021-08-24 | 福建师范大学 | 一种基于视频提取脉搏波的血压检测方法及终端 |
CN113303776A (zh) * | 2021-05-28 | 2021-08-27 | 西安理工大学 | 基于循环神经网络的非接触式血压测量方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DK3554354T3 (en) * | 2016-12-19 | 2023-10-23 | Nuralogix Corp | System and method for contactless blood pressure determination |
-
2022
- 2022-02-28 CN CN202210193095.8A patent/CN114569096B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090052442A (ko) * | 2007-11-21 | 2009-05-26 | 엘지전자 주식회사 | 비침습 혈압측정 방법 및 장치 |
CN103908236A (zh) * | 2013-05-13 | 2014-07-09 | 天津点康科技有限公司 | 一种自动血压测量*** |
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 |
CN113288092A (zh) * | 2021-05-06 | 2021-08-24 | 福建师范大学 | 一种基于视频提取脉搏波的血压检测方法及终端 |
CN113303776A (zh) * | 2021-05-28 | 2021-08-27 | 西安理工大学 | 基于循环神经网络的非接触式血压测量方法 |
Non-Patent Citations (2)
Title |
---|
基于IPPG非接触式血压测量方法;孙晟珂;李凯扬;;信息技术;20201022(第10期);全文 * |
基于脉搏波的无创连续血压监测模型簇研究;吴海燕;季忠;李孟泽;;仪器仪表学报;20200831(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114569096A (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114569096B (zh) | 一种基于视频流的非接触式连续血压测量方法及*** | |
US10825569B2 (en) | Universal non-invasive blood glucose estimation method based on time series analysis | |
CN108416367B (zh) | 基于多传感器数据决策级融合的睡眠分期方法 | |
CN113349752B (zh) | 一种基于传感融合的可穿戴设备实时心率监测方法 | |
CN109833035B (zh) | 脉搏波血压测量装置的分类预测数据处理方法 | |
CN113729707A (zh) | 一种基于fecnn-lstm的眼动和ppg多模态融合的情感识别方法 | |
CN110037668B (zh) | 脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的*** | |
CN112190261A (zh) | 一种基于静息态脑网络的孤独症脑电信号的分类装置 | |
CN114781465B (zh) | 一种基于rPPG的非接触式疲劳检测***及方法 | |
Zhao et al. | An IoT-based wearable system using accelerometers and machine learning for fetal movement monitoring | |
CN112806977B (zh) | 基于多尺度融合网络的生理参数测量方法 | |
CN115211858A (zh) | 一种基于深度学习的情绪识别方法、***及可存储介质 | |
CN116369877A (zh) | 一种基于光电容积脉搏波的无创血压估计方法 | |
CN116451110A (zh) | 基于信号能量特征和脉搏周期的血糖预测模型构建方法 | |
CN112120711B (zh) | 一种基于光电容积脉搏波的无创糖尿病预测***及方法 | |
Yen et al. | Blood Pressure and Heart Rate Measurements Using Photoplethysmography with Modified LRCN. | |
CN114387479A (zh) | 一种基于人脸视频的非接触式心率测量方法及*** | |
CN116172531B (zh) | 一种基于小波散射变换的血压变化趋势估计方法 | |
CN112001862B (zh) | 消除视频心冲击信号运动噪声的非接触式视心率检测方法 | |
CN111956209B (zh) | 一种基于ewt和结构特征提取的心电信号r波识别方法 | |
CN116211308A (zh) | 一种高强度运动下机体疲劳评估方法 | |
CN112274145A (zh) | 近红外脑功能成像数据的处理方法、装置和存储介质 | |
CN115089145A (zh) | 基于多尺度残差网络和ppg信号的智能血压预测方法 | |
CN115270847A (zh) | 基于小波包分解和卷积神经网络的设计决策脑电识别方法 | |
Choe et al. | Improving video-based resting heart rate estimation: A comparison of two methods |
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 |