[发明专利]基于深度学习的非接触智能人体心率预测方法

说明书

本发明公开了一种基于深度学习的非接触智能人体心率预测方法，通过公共数据集或者自行拍摄视频获得人体面部视频，对视频中人脸区域进行ROI提取，得到额头和脸颊部分。对视频进行片段划分，通过划分好的片段得到ROI中像素平均值随时间变化的时间序列，该时间序列作为初始信号。利用多种信号处理技术对初始信号进行提取与去噪，将该信号作为深度学习模型的输入，提取出与心率有关的周期性特征，得到心率结果。本发明只使用了普通的摄像头进行非接触式测量，不需热红外摄像头或多普勒雷达等昂贵复杂的设备，采用信号处理方法及深度学习模型得到心率值，避免由于环境光变化及运动产生的噪声。与使用傅里叶变换相比，得到的心率值更加准确。

技术领域

本发明涉及智能人体心率预测技术领域，具体涉及一种基于深度学习的非接触智能人体心率预测方法。

背景技术

光电容积脉搏波描记法(Photoplethysmography,PPG)利用人脸视频进行非接触式心率测量主要是以PPG为基础的测量方法。PPG是一种光学测量技术，通过分析面部区域反射光的变化，检测血管组织内血容量的变化。因为血液会比周围组织吸收更多的光，因此血液体积的变化会相应地影响光的透射和反射。

当皮肤表面受到光束照射时，光束经过皮肤表面的反射、透射等传递到接收传感器。人体皮肤组织、骨骼等对光束的衰减作用是固定的，但是血液由于心脏周期搏动的影响会不断变化，从而导致血液对光束的吸收呈现周期性的变化，当血液容积变大时，吸收的光束自然增加；如果血液容积变小时，吸收的光束自然减少，这一结果将导致接收传感器接收的信号强度表现出周期性，这个周期性与心脏的搏动周期保持一致。

利用摄像头对人脸进行拍摄采集到的视频可以记录下血容量的变化，在一个心脏周期中，血管的血容量随着心脏的舒张和收缩发生变化，在心脏收缩时，血液流出心脏，此时血管的血容量达到最大；而在心脏舒张时，血液流回心脏，此时血管的血容量最小。心脏完成一次收缩和舒张的时间恰好等于血管血容量一次由最大变化到最小的时间。因此，利用摄像头记录下血管血容量的周期变化信息就可以获得心脏的搏动信息。如图1所示：

目前，对心率的非接触测量一般采用的是热红外摄像头或多普勒雷达等昂贵且复杂的设备，进一步增加了预测成本。并且在计算心率值时，通常利用傅里叶变换将时域信号转换为频域进而得到心率值。这种方法没有对心率信息进行特征的提取，由于环境光变化以及运动产生的噪声将会对最后结果产生较大影响，因此采用傅里叶变换得到的心率值准确性较低。本发明基于2022年吉林省教育厅科学技术研究规划项目“基于深度学习的非接触智能人体生命信息预测评价系统”的部分研究内容。

发明内容

针对现有技术的不足，本发明提供一种基于深度学习的非接触智能人体心率预测方法,采用此方法得到的心率值更加准确，且造价低。

本发明所采用的技术方案是基于深度学习的非接触智能人体心率预测方法，包括以下步骤：

步骤1，获取人脸视频，利用公共数据集或者使用16帧以上的摄像头进行视频的录制；

步骤2，提取感兴趣区域ROI，采用基于多任务学习的68点人脸特征点检测算法,将人脸的轮廓用68个点标记，得到需要的额头和脸颊区域，标记好人脸后进行ROI的提取，取使用额头与脸颊得到的心率值的平均值；

步骤3，视频片段的划分，假设一次心跳的时间周期为T1～T2秒，每个片段时长t为大于心跳最长周期的2倍，即t大于2T2，将1分钟的视频拆分成N个t秒的片段，每个片段为上一个片段的延后1s，以此类推，每个一分钟的视频将被分成N＝60-t+1个视频片段，使用16帧以上的摄像头进行拍摄，即每秒有16张以上图片，则一个t秒的片段有16t张以上图片，将每一张图片进行ROI的提取，得到脸颊及额头的区域，再将每一区域进行像素平均计算则可以得到16t以上个像素平均值的数据；