CN111820870A - 生物影像处理方法以及生理信息检测装置 - Google Patents

生物影像处理方法以及生理信息检测装置 Download PDF

Info

Publication number
CN111820870A
CN111820870A CN201910589980.6A CN201910589980A CN111820870A CN 111820870 A CN111820870 A CN 111820870A CN 201910589980 A CN201910589980 A CN 201910589980A CN 111820870 A CN111820870 A CN 111820870A
Authority
CN
China
Prior art keywords
data
image
time
sample
frequency
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.)
Granted
Application number
CN201910589980.6A
Other languages
English (en)
Other versions
CN111820870B (zh
Inventor
薛翠惠
黄仲贤
陈冠宏
黄柏维
何达弘
林均翰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Juyi Wisdom Co ltd
Original Assignee
Juyi Wisdom Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Juyi Wisdom Co ltd filed Critical Juyi Wisdom Co ltd
Publication of CN111820870A publication Critical patent/CN111820870A/zh
Application granted granted Critical
Publication of CN111820870B publication Critical patent/CN111820870B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06T5/70—
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/20—Workers
    • A61B2503/22—Motor vehicles operators, e.g. drivers, pilots, captains
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30088—Skin; Dermal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Abstract

一种生物影像处理方法，其自影像数据中取得第一时频数据；利用滤波模块将第一时频数据处理为第二时频数据；以及将第二时频数据转换为时域信号。滤波模块是通过机械学习以第一样品时频信号为输入；以第二样品时频信号为输出训练而得，其中第二样品时频信号对应的时域信号的噪声较第一样品时频信号对应的时域信号的噪声低。一种生理信息检测装置也被提出。

Description

生物影像处理方法以及生理信息检测装置
技术领域
本发明提供一种数据处理方法以及检测装置；特别是有关于一种生物散射影像处理方法以及通过影像检测生理信息的检测装置。
背景技术
随着具有摄像功能的电子装置例如桌上型电脑、笔记型电脑、平板电脑、智能型手机的普及，提供各种不同功能的应用程序也不断在进步，其中生物信息的检测就是其中一项重要的应用功能。
通过撷取一生物体的动态影像，上述电子装置可以针对生物体的影像在动态影像中的变化频率来计算出各种生理信息。生理信息包括心律、呼吸、血氧等等都可以自动态影像中取得。然而，在动态影像撷取的过程中，人体的晃动以及环境的光影变换等都会影响动态影像的品质，进而在撷取生理信息的过程中产生噪声。因此，如何有效的降低自动态影像中取得的生理信息的噪声，是目前需要解决的问题之一。
发明内容
本发明提供的影像处理方法可以提升带有生物信号的影像数据中，对应至上述生物信号的影像的信噪比。
本发明所提出的影像处理方法可以应用至家庭照护系统以及车载驾驶员监控系统，降低影像中生物信息的信噪比，由以提供准确的生理状况监控。
本发明的生物影像处理方法包括：取得包括生物散射影像的影像数据；在影像数据中决定观察区域，至少部分生物散射影像位于观察区域中；根据观察区域中的生物散射影像随时间的变化取得至少一第一散射变化数据；以第一散射变化数据为输入，频域转换并取得第一时频数据(Time-FrequencyData)；以滤波模块处理第一时频数据，取得一第二时频数据；对第二时频数据作逆频域转换并取得第二散射变化数据。滤波模块是通过机械学习，以第一样品时频数据为输入，并以第二样品时频数据为输出训练而得，其中第一样品时频数据对应至来自一样品影像的样品观察区域中样品生物影像的一第一样品散射变化数据，第二样品时频数据对应至第二样品散射变化数据，且第二样品散射变化数据的噪声少于第一样品散射变化数据的噪声。
于一实施方式中，还包括：自该第二散射变化数据计算该生物体的生理信息。
于一实施方式中，该影像数据包括多个影像帧，每个该影像帧由多个像素数据组成，每个该像素数据包括多个颜色数值；该第一散射变化数据包括多个灰阶值，每个该灰阶值为该观察区域中该生物散射影像的其中一该影像帧的至少一像素数据的该些颜色数值的组合。
于一实施方式中，该影像数据取自一生物体，该生物散射影像对应至该生物体的皮肤影像；该第一散射变化数据中，每个该灰阶值包括一光体积数值，每个该光体积数值是自其中一该影像帧中的部分该些像素数据取得，该部分像素数据对应至该影像帧在该观察区域中的该生物散射影像。
于一实施方式中，该影像数据取自一生物体，该影像数据包括多个影像帧，该观察区域中的该生物散射影像对应至每个该影像帧中该生物体的脸部影像；在该影像数据中决定该观察区域的步骤之后还包括：根据该观察区域的位置随时间的变化取得一第一位置变化数据，该第一位置变化数据包括多个位移数据，每个该位移数据为其中一该影像帧中该观察区域的位置与上一影像帧中该观察区域的位置差异；作该频域转换为该第一时频数据的输入还包括该第一位置变化数据；该第一样品时频信号还对应至一第一样品位置变化数据，该第一样品位置变化数据对应至该样品观察区在该样品影像中随时间的变化。
于一实施方式中，该影像数据取自一生物体，该影像数据包括多个影像帧，该观察区域对应至每个该影像帧中该生物散射影像；在该影像数据中决定该观察区域的步骤之后还包括：根据该影像数据中该生物散射影像以外的部分取得一第一背景变化数据，该第一背景变化数据包括多个背景数据，每个该背景数据为其中一该影像帧中该生物散射影像以外的该部分影像的亮度；作该频域转换为该第一时频数据的输入还包括该第一背景变化数据；该第一样品时频信号还对应至一第一样品背景变化数据，该第一样品背景变化数据对应至该样品影像中该样品生物影像以外的部分影像的亮度。
于一实施方式中，该第一时频数据包括多个沿着时间排列的频率组，该频域转换为短时距傅立叶变换。
于一实施方式中，该第一时频数据、该第二时频数据为沿着时间以及频域排列的二维数据。
于一实施方式中，该滤波模块是通过深度学习训练而得。
于一实施方式中，该深度学习为卷积神经网络、递归神经网络、增强式学习或长短期记忆模型。
于一实施方式中，该样品生物影像为一来自散射自样品生物体的皮肤的光所产生的影像。
于一实施方式中，该第二样品时频数据是通过一接触式心跳感测装置取得。
本发明的生理信息检测装置包括影像撷取单元、储存单元以及处理单元，处理单元电性连接影像撷取单元以及储存单元，且处理单元包括主信号撷取模块。影像撷取单元用以撷取包括生物散射影像的影像数据，储存单元储存滤波模块。上述滤波模块是通过机械学习以第一样品时频数据为输入，以第二样品时频数据为输出目标训练而得，且第一样品时频数据对应至来自一样品影像的样品观察区域中样品生物影像的第一样品散射影像变化数据，第二样品时频数据对应至第二样品散射变化数据，其中第二样品散射变化数据的噪声少于第一样品散射变化数据的噪声。处理单元在影像数据中决定观察区域，且至少部分生物散射影像位于观察区域中。主信号撷取模块根据观察区域中生物散射影像随时间的变化取得至少一第一散射变化数据。处理单元以第一散射变化数据为输入作频域转换并取得第一时频数据，并以滤波模块处理第一时频数据而取得第二时频数据。处理单元对第二时频数据作逆频域转换并取得第二散射变化数据。
在本发明的一实施例中，上述的影像处理方法自第二散射变化数据计算生物体的生理信息。
在本发明的一实施例中，上述的影像数据包括多个影像帧(imageframe)。每个影像帧由多个像素数据组成，每个像素数据包括多个颜色数值。第一散射变化数据包括多个灰阶值，每个灰阶值为观察区域中生物散射影像的其中一影像帧的至少一像素数据的这些颜色数值的组合。
在本发明的一实施例中，上述的影像数据取自生物体，生物散射影像对应至生物体的皮肤影像。第一散射变化数据中，每个灰阶值包括一光体积数值，每个光体积数值是自其中一影像帧中的部分这些像素数据取得，部分像素数据对应至影像帧在观察区域中的生物散射影像。
在本发明的一实施例中，该处理单元还包括：一状态撷取模块，用以自该影像数据的该观察区域取得一第一位置变化数据；该影像撷取单元自一生物体撷取该影像数据，该影像数据包括多个影像帧，该观察区域中该生物散射影像对应至每个该影像帧中该生物体的脸部影像；该第一位置变化数据包括多个位移数据，每个该位移数据为其中一该影像帧中该观察区域的位置与上一影像帧中该观察区域的位置差异；该处理单元作该频域转换为该第一时频数据的输入还包括该第一位置变化数据；该第一样品时频信号还对应至一第一样品位置变化数据，该第一样品位置变化数据对应至该样品观察区在该样品影像中随时间的变化。
在本发明的一实施例中，该处理单元还包括一辅助信号撷取模块，用以自该影像数据的一观察区域取得一第一背景变化数据；该影像数据取自一生物体，该影像数据包括多个影像帧，该观察区域对应至每个该影像帧中该生物散射影像以及该生物体的背景影像；该第一背景变化数据包括多个背景数据，每个该背景数据为其中一该影像帧中该背景影像的亮度；该处理单元作该频域转换为该第一时频数据的输入还包括该第一背景变化数据；该第一样品时频信号还对应至一第一样品背景变化数据，该第一样品背景变化数据对应至该样品影像中该样品生物影像以外的部分影像的亮度。
在本发明的一实施例中，上述的第一时频数据包括多个沿着时间排列的频率组，该频域转换为短时距傅立叶变换。第一影像变化数据经由短时距傅立叶变换而取得这些频率组。
在本发明的一实施例中，上述的第一时频数据、第二时频数据为沿着时间以及频域排列的二维数据。
在本发明的一实施例中，该滤波模块该处理单元是通过深度学习训练并储存于该储存单元。
在本发明的一实施例中，上述的深度学习为卷积神经网络(ConvolutionalNeural Networks,CNN)、递归神经网络(Recurrent Neural Networks,RNN)、增强式学习(Reinforcement Learning,RL)或长短期记忆模型(Long Short-Term Memory,LSTM)。
在本发明的一实施例中，该样品生物影像为一来自散射自样品生物体的皮肤的光所产生的影像。
在本发明的一实施例中，上述的第二样品时频数据是通过一接触式心跳感测装置取得。
基于上述，本发明的生物影像处理方法以及生物信息检测装置通过滤波模块可以处理自影像数据取得的第一时频数据，并提升处理后的时频数据所对应的影像数据的信噪比。
附图说明
图1A是本发明第一实施例的生理信息检测装置的示意图；
图1B是本发明第一实施例的影像处理方法的流程示意图；
图2A是本发明第一实施例的影像撷取单元以及处理单元的示意图；
图2B是本发明第一实施例的影像帧的示意图；
图3A-3D是本发明实例中的时频数据示意图；
图4A-4D是本发明实例中的影像变化数据示意图；
图5是本发明实施例中影像处理方法的流程示意图。
主要元件符号说明：
A 观察区域
S11-S14 步骤
S21-S25 步骤
50 使用者
60 影像帧
61 脸部影像
62 背景影像
100 生理信息检测装置
110 影像撷取单元
120 处理单元
121 观察区域选择模块
122 主信号撷取模块
123 状态撷取模块
124 辅助信号撷取模块
125 转换模块
126 滤波模块
127 反转换模块
130 储存单元
具体实施方式
本发明所提出的影像处理方法可以应用于例如是服务器、用户端、桌上型电脑、笔记型电脑、网络电脑、工作站、个人数字助理(Personal Digital Assistant,PDA)、平板电脑或智能型手机等具有影像撷取以及数据处理功能的电子装置，本发明并不限于其所应用的电子装置种类。具体而言，本发明所提出的影像处理方法可以应用在上述电子装置，其中散射数据例如是来自观察区域中的使用者皮肤影像，亦即使用者的皮肤所散射出来的光所形成的影像数据。
应当理解，尽管术语“第一”、“第二”在本文中可以用于描述各种数据，但是这些数据不应受这些术语限制。这些术语仅用于将一个数据与另一个数据区分开。因此，下面讨论的“第一数据”也可以被称为“第二数据”而不脱离本文的教导。
图1A是本发明的第一实施例中生理信息检测装置的示意图。请参照图1A，在本发明的第一实施例中，生理信息检测装置100包括影像撷取单元110、处理单元120以及储存单元130，处理单元120电性连接影像撷取单元110以及储存单元130。影像撷取单元110例如是由感光耦合元件(Charged-Couple Device,CCD)或互补式金属氧化物半导体(Complementary Metal-Oxide-Semiconductor,CMOS)等感光元件。
本实施例的处理单元120的功能可通过例如是中央处理单元(CentralProcessing Unit,CPU)、微处理器、微控制器、数字信号处理(Digital SignalProcessing,DSP)晶片、场可程序化逻辑门阵列(Field Programmable Gate Array,FPGA)等可程序化单元来实施。处理单元120的功能也可以用独立电子装置或集成电路(Integrated Circuit:IC)实施。
本实施例的储存单元130可以是任何型态的固定或可移动随机存取存储器(Random Access Memory,RAM)、只读存储器(Read-Only Memory,ROM)、闪速存储器(FlashMemory)或类似元件或上述元件的组合。
以上举例说明了本发明所提出的影像处理方法可以应用的生理信息撷取装置中各元件的实施方式，但本发明不限于此。以下将参照上述元件举例说明本发明所提出的影像处理方法以及应用此方法的生理信息撷取装置。
请参照图1B的本发明第一实施例的影像处理方法的流程示意图。本发明实施例中所提出的影像处理方法会将来自影像数据中的信号分不同时段转换为频率分布再排列为第一时频数据(步骤S11)，其中来自影像数据中的信号为随时间变化的信号，此信号例如可以包括散射变化数据、位置变化数据或背景变化数据。接着以滤波模块处理部分频率或降低部分频率的强度为第二时频数据(步骤S12)，使处理后的第二时频信号可以再反转换为噪声较低的时域信号(步骤S13)。由于通过上述滤波模块处理过的信号可以降低生理信息以外的信号或噪声，因此从时域信号转换出生理信号(步骤S14)时可以取得信噪比较佳的生理信号。具体而言，本实施例的影像处理方法提供了一种噪声过滤方法，且用以过滤的滤波模块是以时频信号作为处理标的。滤波模块可以滤除时频信号中来自噪声的频率，进而得到信噪比较好的信号。本发明的实施例详细说明如下。
本实施例的影像撷取单元110用以自生物体撷取影像数据，此处以一使用者50为例。影像撷取单元110的影像撷取区域包含使用者50的皮肤，较佳为使用者50的脸部区域或是其他有较多微血管分布的区域。换句话说，影像撷取单元110所撷取的影像有部分是自使用者50散射的光所形成的生物散射影像。影像数据为一动态影像数据，其包括多个影像帧或是多个像素随着时间变化的数据，本发明不限于影像数据的型态。
本实施例所提出的影像处理方法自上述的影像数据取得时频数据，以下将举例说明本实施例的时频数据的取得步骤，但本发明并不限于时频数据的取得方式。
本实施例的影像撷取单元110取得影像数据后，处理单元120自影像撷取单元110取得影像数据，并在影像数据中决定观察区域。上述观察区域为影像数据中在各时间点上对应至生物散射影像的区域。以本实施例而言，观察区域对应至影像数据中对应至使用者50的影像的区域，且观察区域对应至包含使用者50的皮肤影像的区域，较佳为包含使用者50的脸部影像的区域，或是其他适于观察因血流变化而改变光吸收量的使用者部位，本发明不限于此。
在本实施例的观察区域被决定后，处理单元120根据观察区域中的部分影像数据随时间的变化取得一第一散射变化数据。所述第一散射变化数据例如对应至像素的颜色数值随时间的变化，本发明不限于此。
此处先以第一散射变化数据为例，在本实施例的处理单元120取得第一散射变化数据后，处理单元120对第一散射变化数据做频域转换。频域转换例如是取得第一散射变化数据中的数值自时域变换至频域。较佳而言，本实施例的频域转换是将不同时间区间的第一散射变化数据变换至频域，以取得多个在不同时间区间的频率分布数据，进而形成第一时频数据。
本实施例的储存单元130储存一滤波模块，且滤波模块是由机械训练而得。具体而言，本实施例的储存单元130所储存的滤波模块是预先通过机械训练以第一样品时频数据为输入，并以第二样品时频数据为输出训练而得。第一样品时频数据例如是自一样品影像的样品观察区域中样品生物影像取得，此样品影像例如是自一生物体的影像数据取得，而第二样品时频数据例如是来自以不同的方式自上述生物体取得的样品数据，其中上述样品影像和上述样品数据都带有相同的生理信息，且上述样品数据所带有的噪声较上述影像数据带有的噪声低。通过机械训练使滤波模块可以找到高噪声的第一样品时频数据和低噪声的第二样品时频数据之间的关系，例如是噪声出现的频率范围，并进一步可以对其他时频数据提供降低噪音的效果。
换句话说，第一样品时频数据以及第二样品时频数据可以通过逆频域转换为位于时域的第一样品散射变化数据以及第二样品散射变化数据，且第二样品散射变化数据相较第一样品散射变化数据具有较高的信噪比。举例而言，第二样品散射变化数据可以通过接触式心跳感测装置自生物体取得，而第一样品散射变化数据可以通过影像取得，但本发明不限于此。通过机械训练，滤波模块可以依照自第一样品时频数据以及第二样品时频数据之间的关系找到可以提升其他时频数据的信噪比的参数、层数、权重等等，进而使自影像取得的第一样品变化数据可以被处理为信噪比接近接触式感测装置所提供的信号。
本实施例的处理单元120在取得第一时频数据之后，会自储存单元130取得滤波模块来对第一时频数据处理以取得第二时频数据。由于滤波模块是由上述的第一样品时频数据以及第二样品时频数据训练而得，因此处理后得到的第二时频数据可以更符合需求。上述的需求例如是第二时频数据通过逆频域转换后，可以得到一第二像素变化数据，且第二像素变化数据中的噪声较第一像素变化数据中的噪声低。
通过上述的滤波模块，本实施例所提出的影像处理方法可以在影像处理滤除噪声，由以提供更佳的信号品质。由于滤波模块经训练后可以判断在时频信号中哪些频段中的信号或是部分信号为噪声，因此可以过滤掉这些信号以使反转换后的信号可以具有较佳的信号品质。
具体而言，上述实施例的影像处理方法例如在取得第二散射变化数据后可以自第二散射变化数据计算生物体(亦即使用者50)的生理信息。第二散射变化数据中的数值变化频率对应至影像数据中的影像变化频率，且此频率中带有使用者50的生理信息。同时，通过滤波模块的过滤效果，第二散射变化数据中除了对应至使用者50的生理信息的频率数据外也带有较少的噪声，可以使生理信号的准确度提升。较佳而言，第二散射变化数据例如带有对应至使用者50的生理信息的频率数据。上述生理信息例如是使用者50的心跳频率、心律变异、血压或呼吸等等，本发明不限于此。
本实施例的影像处理方法会在影像数据中决定一观察区域，较佳为包含生物体的皮肤的区域。请参照图2A所绘示的影像撷取单元以及处理单元的示意图，本实施例的处理单元120包括观察区域选择模块121。观察区域选择模块121用以在影像数据中决定观察区域的位置，较佳为包含脸部影像的区域。请一并参照图2B，上述的观察区域选择模块121用以在影像帧60中判断脸部影像61的位置，较佳还进一步判断背景影像62的位置。由于人的脸部具有较多的微血管分布，因此当观察区域A设定为包含脸部影像的区域时，处理单元120可以轻易自影像中的微小变化取得第一散射变化数据。
以下将进一步说明频域转换的输入数据的种类。需要特别说明的是，以下本实施例中用以作频域转换的输入是包含多种实施样态的组合，但本发明并不限于这些实施样态的组合。在其他实施例中，应用本发明所提出的影像处理方法时，本发明所属领域具有通常知识者更可以选取单一种变化数据或是部分种类的变化数据的组合。
本实施例的处理单元120会针对影像数据取得多个灰阶值信号。请参照图2A，在本发明的第一实施例中，处理单元120包括主信号撷取模块122，用以撷取来自影像撷取单元110的影像数据的原始影像信号。详细而言，本实施例的影像数据包括多个影像帧，且每个影像帧由多个像素数据组成。上述像素数据例如是形成像素(pixel)的三原色的数值，每个像素数据都包含多个颜色数值。本实施例的灰阶值撷取模块122将每个影像帧中位于观察区域A中的至少部分像素数据中的颜色数值乘上各自的权重后再相加以取得灰阶值。举例而言，灰阶值例如可以是R*0.229+G*0.587+B*0.114，其中R为红色数值；G为绿色数值；B为蓝色数值，其中上述的红色数值、绿色数值或蓝色数值对应至显示信号中每个颜色的亮度或光阀的透光度。然而，本发明并不限于上述这些颜色数值的权重。在其他实施例中，这些颜色数值可以是各种影像格式中用以表示三原色的亮度值的数值，也可以为其他数量、其他适于组合出一个适当色彩空间的颜色的数值。另一方面，本实施例所指的灰阶值亦不限于上述的线性组合，亦不限于其他领域所用的灰阶参数。本发明所提出的灰阶值在其他实施例中还可以包括由上述颜色数值组合而得的光体积数值，以下将会进一步说明。
由于生物体的心跳、呼吸会导致邻近皮肤的微血管中血液流量变化，进而影响到皮肤吸收外来光的比率。因此，在随着时间记录这些灰阶值时，有关于生物体的心律以及呼吸的变化频率也会记录于这项灰阶值中。较佳而言，灰阶值还可以包括光体积数值(photoplethysmogram value)，这些灰阶值的光体积数值可以对应至生物体皮肤下血液的体积，进而换算出心律、血压、流向等数值。
具体而言，本实施例的处理单元120还可以针对影像数据中位于观察区域中的影像取得随时间变化的光体积数值。详细而言，处理单元120还可以通过主信号撷取模块122在影像数据中的这些影像帧中取得这些光体积数值。举例而言，上述这些光体积数值例如是通过远端光体积变化描记图法(remote Photoplethysmography,rPPG)取得，通过测量光吸收的变化量来侦测血液灌注到真皮与皮下组织的状况。上述的光体积数值的取得方法较佳包括chrominance(CHROM)、plane orthogonal to the skin(POS)或Green RedDifference Method(GRD)，但本发明不限于此。
本实施例的处理单元120还可以针对观察区域在影像数据中的变化取得第一影像变化数据。详细而言，处理单元120还包括状态撷取模块123，其用以侦测观察区域A在每个影像帧60中的位置。处理单元120还包括辅助信号撷取模块124，用以侦测观察区域A外每个背景影像62的亮度。在其他实施例中，影像数据的影像帧中的观察区域中更可以同时包含部分脸部影像以及部分背景影像，而背景影像62的亮度可以在观察区域中获得，本发明不限于此。
用以作为频域转换的输入的信号包括多个随时间变化的位移数据以及多个背景数据，其中位移数据为每个影像帧中观察区域的位置与上一影像帧中观察区域的位置的差异，也就是观察区域在每个影像帧中的位置随时间的变化量；背景数据为每个影像帧中背景影像的亮度值，也就是生物体四周的环境光的变化量，也就是生物散射影像以外的部分影像。在其他实施例中，处理单元更可以只包括状态撷取模块或辅助信号撷取模块，亦即第一影像变化数据可以只包括位移数据或只包括背景数据，本发明不限于此。
由上述可知，本实施例的处理单元120可以自影像数据取得随时间变化的灰阶值、光体积数值、位移数据或背景数据，并将上述这些数值或数据输入至频域转换。由于第一散射变化数据会随时间变化，因此处理单元120会对上述的输入数据数据作时频转换。详细而言，处理单元120例如包括转换模块125，转换模块125可以分析上述输入数据中数值的变化频率，以及各频率的分布强度。具体而言，转换模块125可以对上述输入数据作短时距傅利叶变换，进而取得第一时频数据。第一时频数据包括多个沿着时间排列的频率组，输入数据经由短时距傅立叶变换而取得这些频率组。
请参照图3A-3D所绘示的时频数据的示意图。举例而言，第一时频数据例如是横轴为时间；纵轴为频率分布的二维数据。根据每个时间区间的第一影像变化数据，每个纵轴都可以表示为这个时间区间的第一影像变化数据的频率分布情形。
请参照图2A，在本实施例中，第一影像变化数据在经由转换模块125转换为第一时频数据后，第一时频数据可以经由滤波模块126处理为第二时频数据。如上所述，滤波模块126是经由第一样品时频数据以及第二样品时频数据经由机械训练而得，其可以滤除第一时频数据中对应至噪声的频率。
在本实施例的处理单元120将第一时频信号处理为第二时频信号后，接着通过反转换将第二时频信号转换为时域信号，亦即第二影像变化数据。详细而言，本实施例的处理单元120还包括反转换模块127，反转换模块127用以将时频信号转换为时域信号。由于第二时频信号经由滤波模块126处理后已经带有较低的噪声，因此经由反转换模块127转换后可以取得噪声较低的第二影像变化数据。换句话说，当第一影像变化数据带有对应至例如是使用者50的心跳变化频率时，第二影像变化数据可以更清楚的呈现此心跳变化频率。
另一方面，本实施例的滤波模块126例如是通过深度学习等机械训练而得。且由于第一时频信号为随时间变化的信号，因此滤波模块126较佳可以通过递归神经网络(Recurrent Neural Networks,RNN)、增强式学习(Reinforcement Learning,RL)或长短期记忆(Long Short-Term Memory,LSTM)模型来训练而得，由以提供适当的滤波效果。另一方面，由于第一时频信号为一个二维数据，可以表示为一图形，因次滤波模块126可以通过卷积神经网络(Convolutional Neural Network,CNN)训练而得。较佳而言，滤波模块126可以通过自编码的多层卷积神经网络(Convolutional Auto-Encoder,CAE)的架构训练而得，由以提供适当的滤波效果。本发明并不限于上述的机械训练模式，本领域技术人员可以视需求调整机械训练的方法。
另一方面，由于第一影像变化数据可以以多种不同的型态呈现，当使用者在应用本发明所提出的影像处理方法时，在训练滤波模块时可以输入同时包含多个灰阶值、多个光体积数值、多个位移数据或多个背景数据来训练滤波模块，也可以只选取其中的一种或其中两种来训练滤波模块，端视使用者的需求和装置的效能而定。换句话说，本发明所提出的影像处理方法可以以多通道的信号训练滤波模型。
以下将再列举几个实例说明本发明所提出的方法以及装置所能带来的效果。请参照图3A至图3D以及图4A至图4D，其中图3A为未处理的第一时频数据，其对应至图4A中未处理的第一散射变化数据，此处以光体积数值为例；图3B为以自编码的多层卷积神经网络训练的滤波模块处理的第二时频数据，其对应至图4B中处理过的第二散射变化数据；图3C为以长短期记忆训练模型训练的滤波模块处理的第二时频数据，其对应至图4C中处理过的第二散射变化数据；图3D为接触式感测装置所测得的时频数据，其对应至图4D中的散射变化数据。由图3A至3D以及图4A至4D可以看出，无论是经由卷积神经网络训练的滤波模块还是经由长短期记忆训练模型训练的滤波模块，都可以提供适当的噪声滤除效果，由以提供具有良好信噪比的散射变化信号，进而提供更准确的例如是心律、心律变异、呼吸等生理信息。
图5为本发明实施例的影像处理方法的流程示意图。详细而言，本发明的影像处理方法可以通过影像撷取装置以不接触使用者的光学方式取得影像数据，并在影像数据中取得第一散射变化数据、第一背景变化数据或第一位置变化数据(步骤S21)，较佳为三种数据同时取得，由以进一步确保准确性。第一散射变化数据可以包括随时间变化的光体积变化数值，第一位置变化数据可以包括观察区域位移数值，第一背景变化数据可以包括背景光影变化数值。将上述数据作短时距傅利叶变换后可以取得第一时频数据(步骤S22)。第一时频数据经由滤波模块处理为第二时频数据(步骤S23)，且滤波模块基于先前样品时频信号的经验去除第一时频数据中对应至噪声的频率。第二时频数据经由反频域转换为第二影像变化数据(步骤S24)，其中第二影像变化数据和第一影像变化数据一样是时域信号。接着，自第二影像变化数据中算出生理信号(步骤S25)。
通过上述的滤波模块，本发明所提出的生物信息检测装置及其所使用的生物影像处理方法可以有效取得低噪声的生理信号，可以监控医院、病房，或甚至居家照护中成员的健康状态。同时，还能确保心律等生理信号可以维持良好的判读功能，以降低生理信号的误判机率。另一方面，在例如是车载的系统中，本发明所提出的生物检测装置及其所使用的生物影像处理方法可以有效对驾驶的健康状况作监控，由以在驾驶身体不适、休克、心律过快或过慢时提出警示，甚至通知车体进行减速，以避免事故发生。
综上所述，本发明所提出的生物影像处理方法会将来自影像数据的第一影像变化数据转换为时频信号，再对上述时频信号以滤波模块滤波，其中滤波模块是先前由样品时域信号所训练。因此，影像处理方法可以提供良好的噪声滤除功能，且应用此方法的生理信息检测装置也可以提供准确的生理信息检测效果。

Claims (24)

1.一种生物影像处理方法，其特征在于，包括：
取得一影像数据，该影像数据包括一生物散射影像；
在该影像数据中决定一观察区域，至少部分该生物散射影像位于该观察区域中；
根据该观察区域中该生物散射影像随时间的变化取得至少一第一散射变化数据；
以该第一散射变化数据为输入作频域转换并取得一第一时频数据；
以一滤波模块处理该第一时频数据，取得一第二时频数据；以及
对该第二时频数据作逆频域转换并取得一第二散射变化数据；
其中该滤波模块是通过机械学习以一第一样品时频数据为输入，并以一第二样品时频数据为输出目标训练而得；
该第一样品时频数据对应至来自一样品影像的样品观察区域中样品生物影像的一第一样品散射变化数据，该第二样品时频数据对应至一第二样品散射变化数据，且该第二样品散射变化数据的噪声少于该第一样品散射变化数据的噪声。
2.根据权利要求1所述的生物影像处理方法，其特征在于，还包括：
自该第二散射变化数据计算该生物体的生理信息。
3.根据权利要求1所述的生物影像处理方法，其特征在于，该影像数据包括多个影像帧，每个该影像帧由多个像素数据组成，每个该像素数据包括多个颜色数值；
该第一散射变化数据包括多个灰阶值，每个该灰阶值为该观察区域中该生物散射影像的其中一该影像帧的至少一像素数据的该些颜色数值的组合。
4.根据权利要求3所述的生物影像处理方法，其特征在于，该影像数据取自一生物体，该生物散射影像对应至该生物体的皮肤影像；该第一散射变化数据中，每个该灰阶值包括一光体积数值，每个该光体积数值是自其中一该影像帧中的部分该些像素数据取得，该部分像素数据对应至该影像帧在该观察区域中的该生物散射影像。
5.根据权利要求1所述的生物影像处理方法，其特征在于，该影像数据取自一生物体，该影像数据包括多个影像帧，该观察区域中的该生物散射影像对应至每个该影像帧中该生物体的脸部影像；
在该影像数据中决定该观察区域的步骤之后还包括：
根据该观察区域的位置随时间的变化取得一第一位置变化数据，该第一位置变化数据包括多个位移数据，每个该位移数据为其中一该影像帧中该观察区域的位置与上一影像帧中该观察区域的位置差异；
作该频域转换为该第一时频数据的输入还包括该第一位置变化数据；
该第一样品时频信号还对应至一第一样品位置变化数据，该第一样品位置变化数据对应至该样品观察区在该样品影像中随时间的变化。
6.根据权利要求1所述的生物影像处理方法，其特征在于，该影像数据取自一生物体，该影像数据包括多个影像帧，该观察区域对应至每个该影像帧中该生物散射影像；
在该影像数据中决定该观察区域的步骤之后还包括：
根据该影像数据中该生物散射影像以外的部分取得一第一背景变化数据，该第一背景变化数据包括多个背景数据，每个该背景数据为其中一该影像帧中该生物散射影像以外的该部分影像的亮度；
作该频域转换为该第一时频数据的输入还包括该第一背景变化数据；
该第一样品时频信号还对应至一第一样品背景变化数据，该第一样品背景变化数据对应至该样品影像中该样品生物影像以外的部分影像的亮度。
7.根据权利要求1所述的生物影像处理方法，其特征在于，该第一时频数据包括多个沿着时间排列的频率组，该频域转换为短时距傅立叶变换。
8.根据权利要求7所述的生物影像处理方法，其特征在于，该第一时频数据、该第二时频数据为沿着时间以及频域排列的二维数据。
9.根据权利要求1所述的影像处理方法，其特征在于，该滤波模块是通过深度学习训练而得。
10.根据权利要求9所述的生物影像处理方法，其特征在于，该深度学习为卷积神经网络、递归神经网络、增强式学习或长短期记忆模型。
11.根据权利要求1所述的生物影像处理方法，其特征在于，该样品生物影像为一来自散射自样品生物体的皮肤的光所产生的影像。
12.根据权利要求1所述的生物影像处理方法，其特征在于，该第二样品时频数据是通过一接触式心跳感测装置取得。
13.一种生理信息检测装置，其特征在于，包括：
一影像撷取单元，用以撷取一影像数据，该影像数据包括一生物散射影像；
一储存单元，储存一滤波模块，该滤波模块是通过机械学习以一第一样品时频数据为输入，以一第二样品时频数据为输出目标训练而得，且该第一样品时频数据对应至来自一样品影像的样品观察区域中样品生物影像的一第一样品散射变化数据，该第二样品时频数据对应至一第二样品散射变化数据，该第二样品散射变化数据的噪声少于该第一样品散射变化数据的噪声；
以及
一处理单元，包括一主信号撷取模块，该处理单元电性连接该影像撷取单元以及该储存单元；
该处理单元在该影像数据中决定该观察区域，至少部分该生物散射影像位于该观察区域中；
该主信号撷取模块根据该观察区域中该生物散射影像随时间的变化取得至少一第一散射变化数据，该处理单元以该第一散射变化数据为输入作频域转换并取得一第一时频数据，并以该滤波模块处理该第一时频数据而取得一第二时频数据；
该处理单元对该第二时频数据作逆频域转换并取得一第二散射变化数据。
14.根据权利要求13所述的生理信息检测装置，其特征在于，该处理单元自该第二散射变化数据计算该生物体的生理信息。
15.根据权利要求13所述的生理信息检测装置，其特征在于，该影像数据包括多个影像帧，每个该影像帧由多个像素数据组成，每个该像素数据包括多个颜色数值；
该第一散射变化数据包括多个灰阶值，每个该灰阶值为该观察区域中该生物散射影像的其中一该影像帧的至少一像素数据的该些颜色数值的组合。
16.根据权利要求15所述的生理信息检测装置，其特征在于，该影像撷取单元自一生物体撷取该影像数据，该生物散射影像对应至该生物体的皮肤影像；
该第一散射变化数据中，每个该灰阶值包括一光体积数值，每个该光体积数值是自其中一该影像帧中的部分该些像素数据取得，该部分像素数据对应至该影像帧在该观察区域中的该生物散射影像。
17.根据权利要求13所述的生理信息检测装置，其特征在于，该处理单元还包括：
一状态撷取模块，用以自该影像数据的该观察区域取得一第一位置变化数据；
该影像撷取单元自一生物体撷取该影像数据，该影像数据包括多个影像帧，该观察区域中该生物散射影像对应至每个该影像帧中该生物体的脸部影像；
该第一位置变化数据包括多个位移数据，每个该位移数据为其中一该影像帧中该观察区域的位置与上一影像帧中该观察区域的位置差异；
该处理单元作该频域转换为该第一时频数据的输入还包括该第一位置变化数据；
该第一样品时频信号还对应至一第一样品位置变化数据，该第一样品位置变化数据对应至该样品观察区在该样品影像中随时间的变化。
18.根据权利要求13所述的生理信息检测装置，其特征在于，
该处理单元还包括一辅助信号撷取模块，用以自该影像数据的一观察区域取得一第一背景变化数据；
该影像数据取自一生物体，该影像数据包括多个影像帧，该观察区域对应至每个该影像帧中该生物散射影像以及该生物体的背景影像；
该第一背景变化数据包括多个背景数据，每个该背景数据为其中一该影像帧中该背景影像的亮度；
该处理单元作该频域转换为该第一时频数据的输入还包括该第一背景变化数据；
该第一样品时频信号还对应至一第一样品背景变化数据，该第一样品背景变化数据对应至该样品影像中该样品生物影像以外的部分影像的亮度。
19.根据权利要求13所述的生理信息检测装置，其特征在于，该第一时频数据包括多个沿着时间排列的频率组，该频域转换为短时距傅立叶变换。
20.根据权利要求19所述的生理信息检测装置，其特征在于，该第一时频数据、该第二时频数据为沿着时间以及频域排列的二维数据。
21.根据权利要求13所述的生理信息检测装置，其特征在于，该滤波模块该处理单元是通过深度学习训练并储存于该储存单元。
22.根据权利要求21所述的生理信息检测装置，其特征在于，该深度学习为卷积神经网络、递归神经网络、增强式学习或长短期记忆模型。
23.根据权利要求13所述的生理信息检测装置，其特征在于，该样品生物影像为一来自散射自样品生物体的皮肤的光所产生的影像。
24.根据权利要求13所述的生理信息检测装置，其特征在于，该第二样品时频数据是通过一接触式心跳感测装置取得。
CN201910589980.6A 2019-04-19 2019-07-02 生物影像处理方法以及生理信息检测装置 Active CN111820870B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW108113890A TWI684433B (zh) 2019-04-19 2019-04-19 生物影像處理方法以及生理資訊檢測裝置
TW108113890 2019-04-19

Publications (2)

Publication Number Publication Date
CN111820870A true CN111820870A (zh) 2020-10-27
CN111820870B CN111820870B (zh) 2023-05-16

Family

ID=70413443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910589980.6A Active CN111820870B (zh) 2019-04-19 2019-07-02 生物影像处理方法以及生理信息检测装置

Country Status (3)

Country Link
US (1) US11213256B2 (zh)
CN (1) CN111820870B (zh)
TW (1) TWI684433B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI815614B (zh) * 2022-08-17 2023-09-11 鉅怡智慧股份有限公司 具有誤差補償功能的非接觸式生理量測裝置及方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI795765B (zh) * 2021-04-28 2023-03-11 奧比森科技股份有限公司 非接觸式生理訊號量測設備、系統及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101753841A (zh) * 2008-12-12 2010-06-23 卡西欧计算机株式会社 拍摄装置以及脸部检测方法
CN103221966A (zh) * 2010-09-13 2013-07-24 北美Agc平板玻璃公司 单片式图像感知装置和方法
US20150285685A1 (en) * 2010-01-22 2015-10-08 Duke University Systems and methods for deep spectroscopic imaging of biological samples
CN105796051A (zh) * 2014-12-31 2016-07-27 原相科技股份有限公司 三维生理检测系统及其操作方法
CN109259749A (zh) * 2018-08-29 2019-01-25 南京邮电大学 一种基于视觉摄像头的非接触式心率测量方法

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010093503A2 (en) * 2007-01-05 2010-08-19 Myskin, Inc. Skin analysis methods
US20120321759A1 (en) * 2007-01-05 2012-12-20 Myskin, Inc. Characterization of food materials by optomagnetic fingerprinting
CA2791624A1 (en) * 2010-02-26 2011-09-01 Myskin, Inc. Analytic methods of tissue evaluation
CN103347446B (zh) * 2010-12-10 2016-10-26 Tk控股公司 用于监控车辆驾驶员的系统
US9224202B2 (en) 2011-04-14 2015-12-29 Koninklijke Philips N.V. Device and method for extracting information from characteristic signals
JP5500194B2 (ja) * 2012-03-22 2014-05-21 日本電気株式会社 撮影画像処理装置及び撮影画像処理方法
US9005129B2 (en) * 2012-06-22 2015-04-14 Fitbit, Inc. Wearable heart rate monitor
TWI479430B (zh) * 2012-10-08 2015-04-01 Pixart Imaging Inc 以自然影像進行的手勢辨識方法
WO2014168500A1 (en) * 2013-04-08 2014-10-16 Lsi Corporation Front-end architecture for image processing
CN105960264B (zh) 2014-02-05 2019-11-05 皇家飞利浦有限公司 对光疗处置期间的生命体征的基于相机的监测
CA2945095A1 (en) * 2014-04-07 2015-10-15 Mimo Ag Method for the analysis of image data representing a three-dimensional volume of biological tissue
RU2016151983A (ru) 2014-05-28 2018-07-02 Конинклейке Филипс Н.В. Уменьшение артефактов движения с помощью многоканальных сигналов ФПГ
US11164295B2 (en) * 2015-09-17 2021-11-02 Michael Edwin Stewart Methods and apparatus for enhancing optical images and parametric databases
GB201610594D0 (en) * 2016-06-17 2016-08-03 Ucl Business Plc Method and apparatus for estimating the value of a physical parameter in a biological tissue
EP3936048A1 (en) * 2016-07-19 2022-01-12 Paramevia Pte. Ltd. Diagnosis support program
US10506926B2 (en) * 2017-02-18 2019-12-17 Arc Devices Limited Multi-vital sign detector in an electronic medical records system
US20190046056A1 (en) * 2017-08-10 2019-02-14 VVVital Patent Holdings Limited Multi-Vital Sign Detector in an Electronic Medical Records System
US20190108447A1 (en) * 2017-11-30 2019-04-11 Intel Corporation Multifunction perceptrons in machine learning environments
CA3087702A1 (en) * 2018-01-05 2019-07-11 Radwisp Pte. Ltd. Computer diagnosis support program product and diagnosis support method

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101753841A (zh) * 2008-12-12 2010-06-23 卡西欧计算机株式会社 拍摄装置以及脸部检测方法
US20150285685A1 (en) * 2010-01-22 2015-10-08 Duke University Systems and methods for deep spectroscopic imaging of biological samples
CN103221966A (zh) * 2010-09-13 2013-07-24 北美Agc平板玻璃公司 单片式图像感知装置和方法
CN105796051A (zh) * 2014-12-31 2016-07-27 原相科技股份有限公司 三维生理检测系统及其操作方法
CN109259749A (zh) * 2018-08-29 2019-01-25 南京邮电大学 一种基于视觉摄像头的非接触式心率测量方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI815614B (zh) * 2022-08-17 2023-09-11 鉅怡智慧股份有限公司 具有誤差補償功能的非接觸式生理量測裝置及方法

Also Published As

Publication number Publication date
TWI684433B (zh) 2020-02-11
US11213256B2 (en) 2022-01-04
US20200330042A1 (en) 2020-10-22
CN111820870B (zh) 2023-05-16
TW202038854A (zh) 2020-11-01

Similar Documents

Publication Publication Date Title
CN114820494B (zh) 用于可视化流动的使用机器学习的散斑对比度分析
EP3057486B1 (en) Automatic camera adjustment for remote photoplethysmography
JP6256488B2 (ja) 信号処理装置、信号処理方法及び信号処理プログラム
CN108471989A (zh) 用于生成承载对象的生命体征信息的光体积描记图像的设备、系统和方法
JP5948831B2 (ja) 測定装置、測定方法、プログラム及び記録媒体
KR20170009085A (ko) 레이저 스펙클 대조도 이미징 시스템 및 방법, 이를 적용한 장치
Schrumpf et al. Assessment of deep learning based blood pressure prediction from PPG and rPPG signals
US20190261873A1 (en) 3d physiological detection system and operating method thereof
CN109793506B (zh) 一种非接触式桡动脉波形提取方法
JP2014198200A (ja) 脈波検出装置、脈波検出プログラムおよび脈波検出方法
CN111243739A (zh) 抗干扰的生理参数遥测方法及系统
Al-Naji et al. Remote sensing of physiological signs using a machine vision system
CN112788200B (zh) 频谱信息的确定方法及装置、存储介质、电子装置
CN111820870B (zh) 生物影像处理方法以及生理信息检测装置
CN103892802A (zh) 一种新型的舌像智能辅助装置
CN112313705A (zh) 视频中细微运动的分析和可视化
Po et al. Frame adaptive ROI for photoplethysmography signal extraction from fingertip video captured by smartphone
Qayyum et al. Assessment of physiological states from contactless face video: a sparse representation approach
Kong et al. Laser speckle contrast imaging based on a mobile phone camera
US20170347898A1 (en) Pulse measuring device and control method thereof
CN105796051B (zh) 三维生理检测系统及其操作方法
Ayesha et al. A web application for experimenting and validating remote measurement of vital signs
JP2015039487A (ja) 生理指標を用いる視線分析システムおよび方法
Kopeliovich et al. Color signal processing methods for webcam-based heart rate evaluation
Floriano et al. Remote vital sign monitoring in accidents

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