CN112200099A - 一种基于视频的动态心率检测方法 - Google Patents
一种基于视频的动态心率检测方法 Download PDFInfo
- Publication number
- CN112200099A CN112200099A CN202011098677.5A CN202011098677A CN112200099A CN 112200099 A CN112200099 A CN 112200099A CN 202011098677 A CN202011098677 A CN 202011098677A CN 112200099 A CN112200099 A CN 112200099A
- Authority
- CN
- China
- Prior art keywords
- heart rate
- video
- face
- convolution
- signal
- 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 37
- 230000033001 locomotion Effects 0.000 claims abstract description 25
- 238000005286 illumination Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 230000003287 optical effect Effects 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 238000013186 photoplethysmography Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000012880 independent component analysis Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000001815 facial effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 208000013403 hyperactivity Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- 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
-
- 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
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biophysics (AREA)
- Human Computer Interaction (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于视频的动态心率检测方法,包括以下步骤:S1:视频采集:利用普通摄像头对需要测试的人脸进行连续的视频录制;S2:人脸识别与追踪:对视频帧中的人脸数据信息进行检测识别,标定人脸关键点,并保持对人脸的追踪;S3:运动补偿:利用全卷积神经网络生成插值图像用于视频图像帧间运动补偿;S4:光照补偿:S5:感兴趣皮肤区域信号提取;S6:心率估算:利用光体积描记法、信号去找、伪像去除、光谱分析、类ECG信号重建技术进行心率估算;S7:得到心率检测信号。本发明采用非皮肤接触式的检测方法,不会造成人体的不适,检测精准度高。
Description
技术领域
本发明属于心率检测技术领域,尤其是涉及一种基于视频的动态心率检测方法。
背景技术
心率是最常测量的人体参数之一,对于确定个体健康至关重要,因此心率监测对于人体身体健康的监护起着不可替代的作用。
面部跟踪,就是要在检测到人脸的前提下,在后续帧中继续捕获人脸的位置及其大小等信息,包括人脸的识别和人脸的跟踪技术。传统的人脸识别技术主要是基于可见光图像的人脸识别,尤其在环境光照发生变化时,识别效果会急剧下降,而且还存在物体遮挡,侧脸正脸差异较大等问题。而传统的人脸跟踪基于此,自然效果也一般。目前,最先进的人脸识别、人脸跟踪技术基本都是以深度机器学习为核心支撑,涵盖了更多手部及肢体的跟踪、物体跟踪与识别、行为理解、场景理解、3D重构技术,借此提升检测质量。
目前心率估算方法大都是基于光学体积描记术而产生的,其原理是利用人体大多数软组织可以透射并反射可见光辐射以及近红外辐射两种辐射,并且发射光强与动脉血液中的血红蛋白数量呈正相关的特性,检测与血容量有关的光强随时间变化的改变,从而描记血液容积脉冲(Blood volume pulse,BVP)信号,进行心率估算。
目前传统的心率监测方式以接触式为主,但因其操作复杂且在检测过程中需长时间同人体皮肤接触,会给测量者造成一定的不便和不适。而且一般测量者在测量心率的时候,需要处于静止状态,当在运动状态下,设备识别准度会下降,因此也无法很好地帮助诸如多动症患者、运动人员、机动车驾驶员等特殊人群满足在运动状态下的测量动态心率的需求。随着健康意识的增加,人们对自己身体的各项生理指标的关注程度也日益增强,因此对动态心率检测方面的需求增加,比如在马拉松长跑赛事、机动车驾驶过程等动态场景中,被测量者的心率正常与否很可能关系到自身的生命安全,而在动态场景下,被测量者往往无法在与人体皮肤非接触的状态下持续监测心率,无法满足实时监测动态心率的需求。
发明内容
本发明为了克服现有技术的不足,提供一种的基于视频的动态心率检测方法。
为了实现上述目的,本发明采用以下技术方案:一种基于视频的动态心率检测方法,包括以下步骤:
S1:视频采集:利用普通摄像头对需要测试的人脸进行连续的视频录制;
S2:人脸识别与追踪:对视频帧中的人脸数据信息进行检测识别,标定人脸关键点,并保持对人脸的追踪;
S3:运动补偿:利用全卷积神经网络生成插值图像用于视频图像帧间运动补偿;
S4:光照补偿:利用双边滤波器能保留光照图像中不连续性的特性,获得准确的光照不变图像,进行人脸识别的光照补偿;
S5:感兴趣皮肤区域信号提取:根据人脸识别过程中得到的人脸关键点,选择框定固定的鼻部区域、嘴部区域等感兴趣区域,并把这些框定的区域作为锚点进行追踪,采集视频帧中图像的信号;
S6:心率估算:利用光体积描记法、信号去找、伪像去除、光谱分析、类ECG信号重建技术进行心率估算;
S7:得到心率检测信号。
所述光体积描记法用于进行脸部信号的初步提取。
所述信号去找和伪像去除利用人脸旋转校正的算法,对微弱的面部晃动进行校正,进行信号去噪,并去除由于运动造成的伪像;使得识别到的人脸准确,提升心率检测的准确性。
光谱分析采用对视频图像帧中原定的追踪感兴趣区域包括鼻部与嘴部进行运动分析,采集区域信号变化量。
光体积描记法采用独立成分分析法(ICA)将红绿蓝颜色踪迹分离成三个信号源,提取三个信号源的功率谱进行光谱分析,再进行去趋势化和最高功率谱尖峰的信号进行选择操作,再对感兴趣皮肤区域的像素值变化量进行时频转换,之后在频率域进行带通滤波处理,截取感兴趣的频率成分作为心率估算的初步结果。
所述全卷积神经网络由三层卷积模块、三层反卷积模块组成,卷积模块由卷积层、PReLU激活函数和池化层组成,卷积层与激活函数交替重复三次,最后通过池化层;反卷积模块包括了一个卷积转秩层和两个卷积层;该方法可以根据视频上下帧的图像信息生成插值图像,很好的进行运动补偿,弥补动作造成的图像信息丢失,更好提取视频帧图像信息。
人脸识别与追踪采用视频图像帧间运动补偿的卷积神经网络:将标准卷积分解为深度卷积和逐点卷积,构建轻量级的深层神经网络;该种方式支持106点人脸关键点标定,可以覆盖人脸的6大关键部位(双眼、双耳、嘴和鼻),并且可以以200+FPS的速度在设备上运行,适用范围广,检测准确。
利用基于人工智能的人脸识别技术,捕捉到视频画面中的人脸部分,并进行关键点检测,方便后续图像帧的人脸追踪;在追踪过程中,由于光线以及动作的影响,进一步进行运动补偿和光照补偿;此后对相应的兴趣皮肤区域进行心率信号采集;再利用光体积描记法、信号去找、伪像去除、光谱分析、类ECG信号重建等技术进行心率估算,最终得到心率检测信号;
该方法可以采用非接触的方法,利用标准摄像头,无需额外采集设备就可以进行心率的检测,在检测的过程中,该方法可以自动进行运动与光学补偿,使检测精度达到极高的水平。该检测方法检测出的心率变化还可以被引入用来测量心率变异率(HRV),故此方案还被引入与本发明相匹配的一种基于视频的动态心率变异率检测模型,用来进行心率变化节奏的研究,可以用于非皮肤接触状态下的心脏健康评估、身体和精神的压力评估等方向。
综上所述,本发明采用非皮肤接触式的检测方法,不会造成人体的不适;此外该方法利用已有的移动摄像头或者现有的相机就可以采集信号、分析信号,不需要额外的采集设备,方便高效;其次,精准的算法可以使测量准确度达到一个很好水平,误差能达到1-2BPM(每分钟心跳次数)。
附图说明
图1为本发明的示意图。
图2为本发明中全卷积神经网络的结构示意图
具体实施方式
为了使本技术领域的人员更好的理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述。
如图1-2所示,一种基于视频的动态心率检测方法,包括以下步骤:
S1:视频采集:利用普通摄像头对需要测试的人脸进行连续的视频录制;
S2:人脸识别与追踪:对视频帧中的人脸数据信息进行检测识别,标定人脸关键点,并保持对人脸的追踪;
S3:运动补偿:利用全卷积神经网络生成插值图像用于视频图像帧间运动补偿;
S4:光照补偿:利用双边滤波器能保留光照图像中不连续性的特性,获得准确的光照不变图像,进行人脸识别的光照补偿;
S5:感兴趣皮肤区域信号提取:根据人脸识别过程中得到的人脸关键点,选择框定固定的鼻部区域、嘴部区域等感兴趣区域,并把这些框定的区域作为锚点进行追踪,采集视频帧中图像的信号;采集信号包括图像像素数值、像素值变化量;
S6:心率估算:利用光体积描记法、信号去找、伪像去除、光谱分析、类ECG信号重建技术进行心率估算;
S7:得到心率检测信号。
其中,S1:视频采集的录制过程中需要确保所采集的视频帧序列中包括人脸信息,并且避免极端运动抖动和光照变化,尽量保证视频录制过程中人脸信息和周围环境的稳定;
人脸识别与追踪技术原理主要包含以下四个部分,即人脸图像的采集与预处理、人脸检测、人脸特征提取、人脸识别和目标跟踪。人脸图像的采集与预处理主要是对人脸图像进行捕捉,并在获取的图像上对光线、色彩对比度上进行处理,方便后续检测。人脸检测主要是在图上检测出人脸区域,方便后续特征提取。人脸特征提取则是在已检测到的人脸区域范围内,对包括眼睛、鼻子、嘴巴在内的多个关键点进行定位和锁定,用以提取人脸的关键特征。在算法上,采用基于MobileNet的轻量级目标检测框架,此算法是一个基于流线型的架构,它使用深度可分离的卷积来构建轻量级的深层神经网络;它将标准卷积分解为深度卷积和逐点卷积,它默认假设使用分解后的卷积效果和标准卷积效果是近似的;此外,为了更好的进行人脸追踪,算法还设计了一种非极大值抑制的联合分辨率策略,其主要通过在相邻的每帧图像中抑制不是极大值的元素,进行局部最大搜索,可在预测帧之间实现更稳定、更平滑的联系分辨率;并且算法还根据关键点坐标设定了面部矩阵,以便估计面部的旋转角度,可以将面部矩阵传递到后续视频帧中进行跟踪,更好的进行运动与光照补偿。
人脸图像的识别与追踪采用用于视频图像帧间运动补偿的卷积神经网络;将标准卷积分解为深度卷积和逐点卷积,构建轻量级的深层神经网络;具体的,该网络设计为一个全卷积网络,主要由三层卷积模块、三层反卷积模块组成;如图2所示,每个卷积模块参考标准的卷积神经网络进行设计,由卷积层、PReLU激活函数和池化层组成,其中卷积层与激活函数交替重复三次,最后通过池化层;反卷积模块包括了一个卷积转秩层和两个卷积层;该方法可以根据视频上下帧的图像信息生成插值图像,很好的进行运动补偿,弥补动作造成的图像信息丢失,更好提取视频帧图像信息。
具体的,所述光体积描记法用于进行脸部信号的初步提取;光体积描记法采用独立成分分析法(ICA)将红绿蓝颜色踪迹分离成三个信号源,提取三个信号源的功率谱进行光谱分析,再进行去趋势化和最高功率谱尖峰的信号进行选择操作,再对感兴趣皮肤区域的像素值变化量进行时频转换,之后在频率域进行带通滤波处理,截取感兴趣的频率成分作为心率估算的初步结果;所述信号去找和伪像去除利用人脸旋转校正的算法,对微弱的面部晃动进行校正,进行信号去噪,并去除由于运动造成的伪像;光谱分析采用对视频图像帧中原定的追踪感兴趣区域包括鼻部与嘴部进行运动分析,采集区域信号变化量。
本发明对先利用光体积描记法进行脸部信号的初步提取,此后,本发明方法再利用人脸旋转校正的算法,对微弱的面部晃动进行校正,进行信号去噪,并去除由于运动造成的伪像,对视频图像帧中原定的追踪感兴趣区域包括鼻部与嘴部,进行运动分析,采集区域信号变化量,进行类ECG信号的描记,并按照这种描记重建类ECG信号,用以辅助估算心率,最终得到心率检测信号。
Claims (7)
1.一种基于视频的动态心率检测方法,其特征在于:包括以下步骤:
S1:视频采集:利用普通摄像头对需要测试的人脸进行连续的视频录制;
S2:人脸识别与追踪:对视频帧中的人脸数据信息进行检测识别,标定人脸关键点,并保持对人脸的追踪;
S3:运动补偿:利用全卷积神经网络生成插值图像用于视频图像帧间运动补偿;
S4:光照补偿:利用双边滤波器能保留光照图像中不连续性的特性,获得准确的光照不变图像,进行人脸识别的光照补偿;
S5:感兴趣皮肤区域信号提取:根据人脸识别过程中得到的人脸关键点,选择框定固定的鼻部区域、嘴部区域等感兴趣区域,并把这些框定的区域作为锚点进行追踪,采集视频帧中图像的信号;
S6:心率估算:利用光体积描记法、信号去找、伪像去除、光谱分析、类ECG信号重建技术进行心率估算;
S7:得到心率检测信号。
2.根据权利要求1所述的基于视频的动态心率检测方法,其特征在于:所述光体积描记法用于进行脸部信号的初步提取。
3.根据权利要求1所述的基于视频的动态心率检测方法,其特征在于:所述信号去找和伪像去除利用人脸旋转校正的算法,对微弱的面部晃动进行校正,进行信号去噪,并去除由于运动造成的伪像。
4.根据权利要求1所述的基于视频的动态心率检测方法,其特征在于:光谱分析采用对视频图像帧中原定的追踪感兴趣区域包括鼻部与嘴部进行运动分析,采集区域信号变化量。
5.根据权利要求1所述的基于视频的动态心率检测方法,其特征在于:光体积描记法采用独立成分分析法(ICA)将红绿蓝颜色踪迹分离成三个信号源,提取三个信号源的功率谱进行光谱分析,再进行去趋势化和最高功率谱尖峰的信号进行选择操作,再对感兴趣皮肤区域的像素值变化量进行时频转换,之后在频率域进行带通滤波处理,截取感兴趣的频率成分作为心率估算的初步结果。
6.根据权利要求1所述的基于视频的动态心率检测方法,其特征在于:所述全卷积神经网络由三层卷积模块、三层反卷积模块组成,卷积模块由卷积层、PReLU激活函数和池化层组成,卷积层与激活函数交替重复三次,最后通过池化层;反卷积模块的组成是一个卷积转置层,后面接两个卷积层。
7.根据权利要求1所述的基于视频的动态心率检测方法,其特征在于:人脸识别与追踪采用视频图像帧间运动补偿的卷积神经网络:将标准卷积分解为深度卷积和逐点卷积,构建轻量级的深层神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011098677.5A CN112200099A (zh) | 2020-10-14 | 2020-10-14 | 一种基于视频的动态心率检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011098677.5A CN112200099A (zh) | 2020-10-14 | 2020-10-14 | 一种基于视频的动态心率检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112200099A true CN112200099A (zh) | 2021-01-08 |
Family
ID=74008657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011098677.5A Pending CN112200099A (zh) | 2020-10-14 | 2020-10-14 | 一种基于视频的动态心率检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200099A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112869737A (zh) * | 2021-02-01 | 2021-06-01 | 浙江大学山东工业技术研究院 | 一种非接触式人体血氧饱和度检测方法 |
CN112989107A (zh) * | 2021-05-18 | 2021-06-18 | 北京世纪好未来教育科技有限公司 | 音频分类和分离方法、装置、电子设备以及存储介质 |
CN113657345A (zh) * | 2021-08-31 | 2021-11-16 | 天津理工大学 | 一种基于现实应用场景下的非接触式心率变异性特征提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104545864A (zh) * | 2014-12-25 | 2015-04-29 | 中国科学院深圳先进技术研究院 | 心理调节方法和装置 |
US20150302158A1 (en) * | 2014-04-21 | 2015-10-22 | Microsoft Corporation | Video-based pulse measurement |
WO2019140155A1 (en) * | 2018-01-12 | 2019-07-18 | Kineticor, Inc. | Systems, devices, and methods for tracking and/or analyzing subject images and/or videos |
CN110384491A (zh) * | 2019-08-21 | 2019-10-29 | 河南科技大学 | 一种基于普通摄像头的心率检测方法 |
US20200085311A1 (en) * | 2015-06-14 | 2020-03-19 | Facense Ltd. | Detecting a transient ischemic attack using photoplethysmogram signals |
CN111127511A (zh) * | 2018-12-18 | 2020-05-08 | 玄云子智能科技(深圳)有限责任公司 | 一种非接触式心率监测方法 |
-
2020
- 2020-10-14 CN CN202011098677.5A patent/CN112200099A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150302158A1 (en) * | 2014-04-21 | 2015-10-22 | Microsoft Corporation | Video-based pulse measurement |
CN104545864A (zh) * | 2014-12-25 | 2015-04-29 | 中国科学院深圳先进技术研究院 | 心理调节方法和装置 |
US20200085311A1 (en) * | 2015-06-14 | 2020-03-19 | Facense Ltd. | Detecting a transient ischemic attack using photoplethysmogram signals |
WO2019140155A1 (en) * | 2018-01-12 | 2019-07-18 | Kineticor, Inc. | Systems, devices, and methods for tracking and/or analyzing subject images and/or videos |
CN111127511A (zh) * | 2018-12-18 | 2020-05-08 | 玄云子智能科技(深圳)有限责任公司 | 一种非接触式心率监测方法 |
CN110384491A (zh) * | 2019-08-21 | 2019-10-29 | 河南科技大学 | 一种基于普通摄像头的心率检测方法 |
Non-Patent Citations (2)
Title |
---|
戚刚等: "非合作面部晃动情况下的心率检测", 《中国图象图形学报》 * |
龙古灿等: "用于视频图像帧间运动补偿的深度卷积神经网络", 《国防科技大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112869737A (zh) * | 2021-02-01 | 2021-06-01 | 浙江大学山东工业技术研究院 | 一种非接触式人体血氧饱和度检测方法 |
CN112989107A (zh) * | 2021-05-18 | 2021-06-18 | 北京世纪好未来教育科技有限公司 | 音频分类和分离方法、装置、电子设备以及存储介质 |
CN113657345A (zh) * | 2021-08-31 | 2021-11-16 | 天津理工大学 | 一种基于现实应用场景下的非接触式心率变异性特征提取方法 |
CN113657345B (zh) * | 2021-08-31 | 2023-09-15 | 天津理工大学 | 一种基于现实应用场景下的非接触式心率变异性特征提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A comparative survey of methods for remote heart rate detection from frontal face videos | |
Tasli et al. | Remote PPG based vital sign measurement using adaptive facial regions | |
CN110269600B (zh) | 基于多元经验模态分解与联合盲源分离的非接触式视频心率检测方法 | |
CN112200099A (zh) | 一种基于视频的动态心率检测方法 | |
US20110251493A1 (en) | Method and system for measurement of physiological parameters | |
CN110647815A (zh) | 一种基于人脸视频图像的非接触式心率测量方法及系统 | |
Feng et al. | Motion artifacts suppression for remote imaging photoplethysmography | |
Gudi et al. | Efficient real-time camera based estimation of heart rate and its variability | |
CN105989357A (zh) | 一种基于人脸视频处理的心率检测方法 | |
Blöcher et al. | An online PPGI approach for camera based heart rate monitoring using beat-to-beat detection | |
Bobbia et al. | Remote photoplethysmography based on implicit living skin tissue segmentation | |
CN111345803B (zh) | 一种基于移动设备摄像头的心率变异性测量方法 | |
CN111387959A (zh) | 一种基于ippg的非接触式生理参数检测方法 | |
Yin et al. | Heart rate estimation based on face video under unstable illumination | |
Huang et al. | A motion-robust contactless photoplethysmography using chrominance and adaptive filtering | |
Li et al. | An improvement for video-based heart rate variability measurement | |
CN112294282A (zh) | 基于rppg的情绪检测装置的自标定方法 | |
Huang et al. | Remote measurement of vital signs for unmanned search and rescue vehicles | |
CN110755090A (zh) | 一种基于网络摄像头的人体血氧饱和度测量方法 | |
Wiede et al. | Signal fusion based on intensity and motion variations for remote heart rate determination | |
Mehta et al. | Heart rate estimation from RGB facial videos using robust face demarcation and VMD | |
CN113693573B (zh) | 一种基于视频的非接触式多生理参数监测的系统及方法 | |
CN114246570B (zh) | 峰值信噪比和皮尔森相关系数融合的近红外心率检测方法 | |
Ben Salah et al. | Contactless heart rate estimation from facial video using skin detection and multi-resolution analysis | |
Geng et al. | Motion resistant facial video based heart rate estimation method using head-mounted camera |
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: 20210108 |