CN112237420A - 生理信息侦测装置及生理信息侦测方法 - Google Patents
生理信息侦测装置及生理信息侦测方法 Download PDFInfo
- Publication number
- CN112237420A CN112237420A CN201910814561.8A CN201910814561A CN112237420A CN 112237420 A CN112237420 A CN 112237420A CN 201910814561 A CN201910814561 A CN 201910814561A CN 112237420 A CN112237420 A CN 112237420A
- Authority
- CN
- China
- Prior art keywords
- physiological
- frequency
- data
- value
- conversion
- 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 128
- 238000006243 chemical reaction Methods 0.000 claims abstract description 161
- 230000009466 transformation Effects 0.000 claims description 50
- 238000000034 method Methods 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 35
- 230000003595 spectral effect Effects 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000001131 transforming effect Effects 0.000 claims 13
- 230000008859 change Effects 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001121 heart beat frequency Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- 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
-
- 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
- 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
-
- 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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6893—Cars
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
-
- 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
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30268—Vehicle interior
Abstract
本发明提出一种生理信息侦测装置及生理信息侦测方法,其用于通过动态影像的变化来计算生理数值。该侦测方法自动态影像的灰阶值取得侦测数据,并将侦测数据转换为频率数据。该侦测方法进一步包含判断频率数据是否满足预设条件,并依此利用对应的转换组合中的转换模型将该频率数据转换为生理数值。本发明还提出一种运用该侦测方法的生理信息侦测装置。
Description
技术领域
本发明关于一种生理信息侦测装置及生理信息侦测方法;特别是关于一种利用动态影像来侦测生理数值的生理信息侦测装置及生理信息侦测方法。
背景技术
行车安全一直是人们致力完善的目标。近年来,随着车用电子产品的发展,针对行车安全能够提供给驾驶的辅助功能也越来越多元化。举例而言,车道线偏移警示系统或倒车辅助影像等等,都是让驾驶可以有效地掌握外界情况且进而提升行车安全的辅助功能。
然而,除了来自车辆本身或车外环境的因素以外,驾驶本身的生理状态对于行车安全而言也是一项重要的因素。例如,众所周知,疲劳驾驶一直是造成交通事故的主因之一。许多驾驶因工作需求需要长时间驾驶,且此除了长期下来会提高罹患疾病的机率以外,也会增加驾驶过程中可能造成的失误机率。另外,因突发疾病、老年退化等因素所造成的行车事故也一直是大家所关注的问题。因此,如何即时侦测驾驶的生理信息如心跳数值,已成为目前各研究人员极力发展的主要课题之一。
发明内容
为解决上述问题,本发明提供了一种生理信息侦测装置以及生理信息侦测方法,其可以例如侦测待测者的生理信息如生理数值,还可以降低环境因素所造成的噪声。
根据本发明的一实施例,提出一种生理信息侦测方法,用以侦测待测者的生理信息,该侦测方法包括:侦测该待测者的动态影像,并自动态影像取得侦测数据,侦测数据包括多个依时间排序的数据段,每个该数据段为动态影像在不同时段中的灰阶值;自侦测数据转换取得多个频率数据,每个该频率数据包括其中一该数据段的频率分布及频率强度;当其中一该频率数据满足一预设条件时,以对应的转换组合转换该频率数据,其中该转换组合包括多个转换模型,该些转换模型各自对应至不同的转换区间。其中该些转换区间基于不同的前一刻所测得的生理数值所区分,且该侦测方法以前一刻所测得的生理数值所属的转换区间所对应的转换模型转换满足预设条件的该频率数据,以取得对应至该频率数据的生理数值。
根据本发明的一实施例,其中根据测验时间选用对应的转换组合来转换该频率数据。所述测验时间为满足预设条件后的累计时间,且多个时间区间对应至不同的转换组合,且其中选用对应的该转换组合包含以该测验时间所属的时间区间来选用对应的转换组合。
根据本发明的再一实施例,其中当为满足预设条件后的累计时间的测验时间落于特定范围时,以前一刻所使用的转换模型经修正后对频率数据进行转换以取得生理数值。
根据本发明的又一实施例,其中取得该侦测数据的步骤包括:在动态影像的每个影像帧决定一侦测区域,该侦测数据包括多个依时间排序的侦测值,且每个侦测值为其中一该影像帧的该侦测区域中的灰阶值的线性组合。
根据本发明的另一实施例,其中侦测区域对应至待测者的脸部的预设区域。
根据本发明的再一实施例,其中取得该侦测数据的步骤进一步包括:将动态影像的每个影像帧中该侦测区域的灰阶值加总后除以该侦测区域的面积以取得侦测值。
根据本发明的又一实施例,其中该生理数值是待测者的心率数值。
根据本发明的另一实施例,其中该数据段的频率分布及频率强度是以快速傅立叶转换(Fast Fourier Transform)自数据段取得。
根据本发明的再一实施例,其中该预设条件为:其中一该频率数据的频谱熵超过一熵阈值,且该频谱熵满足下列方程式:
其中PSE为频谱熵,fi为该频率数据中的频率值。
根据本发明的另一实施例,其中该预设条件为其中一该频率数据的频谱熵超过一熵阈值,且在其中一该频率数据的该频谱熵低于该熵阈值时,通过将该频率数据中频率强度最大的频率定为生理数值来取得生理数值。
根据本发明的再一实施例,其中当满足预设条件后的累计时间的测验时间小于第一预设时间时,输入其中一该频率数据中的前n强的频率进入第一转换组合,并根据前一刻所测得的生理数值选择第一转换组合中对应的转换区间的转换模型来转换取得生理数值。其中,n可为30。
根据本发明的又一实施例,其中当满足预设条件后的累计时间的测验时间大于第一预设时间且小于第二预设时间时,输入其中一该频率数据中的前n强的频率进入第二转换组合,并根据前一刻所测得的生理数值选择第二转换组合中对应的转换区间的转换模型来转换取得生理数值。其中,n可为30。
根据本发明的再一实施例,其中当满足预设条件后的累计时间的测验时间大于第二预设时间时,选用侦测方法开始时的一初始生理数值作为生理数值而输出。
根据本发明的一实施例,其中该些转换模型是预先在已知的至少一生理数值与已知的至少一频率数据之间以类神经网络训练而得。
根据本发明的一实施例,提出一种运用上述侦测方法来侦测待测者的生理信息的生理信息侦测装置。
根据本发明的一实施例,提出一种生理信息侦测装置,用以侦测待测者的生理信息,该侦测装置包括:一影像撷取模块,侦测该待测者的动态影像;一频率信号转换模块,自该动态影像取得侦测数据且自该侦测数据转换取得多个频率数据,其中该侦测数据包括多个依时间排序的数据段,每个该数据段为该动态影像在不同时段中的灰阶值,且每个频率数据包括其中一该数据段的频率分布及频率强度;以及一生理信号转换模块,储存或能够存取至少一转换组合以及一初始生理数值。其中,生理信号转换模块判断该些频率数据是否满足一预设条件,当其中一该频率数据满足该预设条件时,以对应的转换组合转换该频率数据。其中该转换组合包括多个转换模型,该些转换模型各自对应至不同的转换区间,且该些转换区间基于不同的该初始生理数值或前一刻所测得的生理数值所区分。该生理信号转换模块以该初始生理数值或前一刻所测得的该生理数值所属的转换区间所对应的转换模型转换满足预设条件的该频率数据,以取得对应至该频率数据的生理数值。
根据本发明的一实施例,生理信号转换模块根据测验时间选用对应的转换组合来转换频率数据。其中,测验时间为满足预设条件后的累计时间,且多个时间区间对应至不同的该转换组合。生理信号转换模块可以测验时间所属的时间区间来选用对应的转换组合。
根据本发明的另一实施例,当为满足预设条件后的累计时间的测验时间落于特定范围时,生理信号转换模块可以前一刻所使用的转换模型经修正后对频率数据进行转换以取得生理数值。
根据本发明的再一实施例,影像撷取模块在动态影像的每个影像帧决定侦测区域,且频率信号转换模块所取得的侦测数据包括多个依时间排序的侦测值。每个侦测值为其中一影像帧的侦测区域中的灰阶值的线性组合。
根据本发明的又一实施例,侦测区域对应至待测者的脸部的预设区域。
根据本发明的再一实施例,频率信号转换模块可将动态影像的每个影像帧中侦测区域的灰阶值加总后除以侦测区域的面积以取得侦测值。
根据本发明的另一实施例,生理数值是待测者的心率数值。
根据本发明的又一实施例,数据段的频率分布以及频率强度是频率信号转换模块以快速傅立叶转换(Fast Fourier Transform)自数据段取得。
根据本发明的再一实施例,预设条件为:频率数据的频谱熵超过熵阈值,且该频谱熵满足下列方程式:
其中PSE为频谱熵,fi为频率数据中的频率值。
根据本发明的另一实施例,预设条件为其中一频率数据的频谱熵超过熵阈值。在其中一频率数据的频谱熵低于熵阈值时,生理信号转换模块可通过将频率数据中频率强度最大的频率定为生理数值来取得生理数值。
根据本发明的又一实施例,当满足预设条件后的累计时间的测验时间小于第一预设时间时,生理信号转换模块输入其中一频率数据中的前30强的频率进入第一转换组合,并根据前一刻所测得的生理数值选择第一转换组合中对应的转换区间的转换模型来转换取得生理数值。
根据本发明的再一实施例,当满足预设条件后的累计时间的测验时间大于第一预设时间且小于第二预设时间时,生理信号转换模块输入其中一频率数据中的前30强的频率进入第二转换组合,并根据前一刻所测得的生理数值选择第二转换组合中对应的转换区间的转换模型来转换取得生理数值。
根据本发明的另一实施例,当满足预设条件后的累计时间的测验时间大于第二预设时间时,生理信号转换模块选用初始生理数值作为生理数值而输出。
根据本发明的又一实施例,该些转换模型是预先在已知的至少一生理数值与已知的至少一频率数据之间以类神经网络训练而得。
对照现有技术的功效
由上述可知,根据本发明的各实施例所提出的生理信息侦测方法及/或生理信息侦测装置可以通过不同转换组合的不同转换模型来自动态影像的灰阶变化取得待测者的生理数值,从而降低环境噪声的影响。因此,根据本发明的各实施例所提出的生理信息侦测方法及/或生理信息侦测装置可改善自动态影像所测得的生理数值的准确度及稳定度。
附图说明
图1A是根据本发明的一实施例的生理信息侦测装置的示意图;
图1B是根据本发明的一实施例的生理信息侦测方法的流程示意图;
图2A是根据本发明的一实施例的进行侦测的流程示意图;
图2B是根据本发明的一实施例的选取侦测区域的示意图;
图3是根据本发明的一实施例的转换侦测数据为频率数据的流程示意图;
图4是根据本发明的一实施例自频率数据取得生理数值的概要流程示意图;
图5是根据本发明的一实施例自频率数据取得生理数值的详细流程示意图;
图6是根据本发明的一实施例在频谱熵低于熵阈值时取得生理数值的流程示意图。
主要元件符号说明:
100:侦测装置
110:影像撷取模块
120:频率信号转换模块
130:生理信号转换模块
M:动态影像
U:待测者
P1、P2、P3:位置
A:侦测区域
S11-S14:步骤
S21-S23:步骤
S31-S33:步骤
S41-S43:步骤
S500、S510、S520、S521、S522、S530、S531、S532、S540、S550:步骤
S600、S610、S620:步骤
具体实施方式
下文中将描述各种实施例,且本领域技术人员在参照说明搭配附图下,应可轻易理解本发明的精神与原则。然而,虽然在文中会具体说明一些特定实施例,这些实施例仅作为例示性,且于各方面而言皆非视为限制性或穷尽性意义。因此,对于本领域技术人员而言,在不脱离本发明的精神与原则下,对于本发明的各种变化及修改应为显而易见且可轻易达成的。
本发明所提出的生理信息侦测方法所施行的装置或生理信息侦测装置可以例如是智能型手机、平板电脑或笔记型电脑等可携式电子装置,也可以例如是具有高效能的车用电脑、高效能飞机或其他交通工具用电脑等电子装置。为了简洁方便起见,下文中将主要通过车用电脑作为示例来进行说明,且本领域技术人员应明了根据本发明的各实施例的生理信息侦测方法及生理信息侦测装置并不限于此。
承上所述,图1A是根据本发明的一实施例所提出的用以侦测待测者的生理信息的生理信息侦测装置100的示意图。请参照图1A,生理信息侦测装置100包括影像撷取模块110、频率信号转换模块120以及生理信号转换模块130。上述的频率信号转换模块120以及生理信号转换模块130可例如是或包含有车用电脑的中央处理器(Central ProcessingUnit,CPU)或其他可进行计算处理的电子设备,而影像撷取模块110可为或包含有连接至车用电脑的摄像装置,例如可以是感光耦合元件(Charge-Coupled Device,CCD)或互补性金属氧化物半导体(Complementary Metal-Oxide Semiconductor,CMOS)等感光元件,且本发明不限于此。另外,在一些实施例中,影像撷取模块110、频率信号转换模块120以及生理信号转换模块130可能共同运用一或多个相同的计算器或处理单元,且本发明不限于此。
下文中将进一步基于生理信息侦测装置100来说明根据本发明的一实施例的生理信息侦测方法。
承上,概略而言,进一步连同图1A参照图1B,根据本发明的一实施例,上述影像撷取模块110可用以侦测(例如撷取)待测者U的动态影像M,且动态影像M自影像撷取模块110传递输入至频率信号转换模块120(步骤S11)。接着,频率信号转换模块120可自此动态影像取得侦测数据(步骤S12),并自该侦测数据通过例如频域转换来转换取得多个频率数据(步骤S13)。最后,生理信号转换模块130再通过对应的转换模型或转换模式转换所述频率数据以取得所需的生理数值(步骤S14)。
简而言之,根据一实施例,可经由动态影像M的灰阶值取得侦测数据后对其作频域分析取得多个频率数据,并判断这些频率数据是否满足预设条件来取用对应的转换模型来取得生理数值,其中预设条件例如是频率数据是否达到预设混乱程度,且本发明可针对混乱的信号进行调整以获得适当的生理信息。上述灰阶值例如是将影像中的三原色数值(RGB值)以不同权重相加而得,例如可以是R*0.299+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,但本发明不限于此。在其他实施例中,也可以视需求或影像特性来调整所取用的三原色数值或灰阶强度值(例如为黑白影像时)。
根据本发明的一实施例,以下将进一步依序依照上述步骤详细具体说明所提出的生理信息侦测装置及生理信息侦测方法,其中上述生理数值以待测者的心率数值为例,但本发明不限于此。
请参照图2A的流程图,以下装置部分会一并沿用上述图1A的标示以便一并参照说明。承上,在取得侦测数据之前,可通过影像撷取模块110撷取并输入包括多个连续影像的动态影像M(步骤S21)。另外,根据本发明的一些实施例,影像撷取模块110还可以对这些影像作脸部侦测(步骤S22)。具体而言,请连同图2A参照图2B,影像撷取模块110可以对动态影像M中连续的静态影像个别进行脸部侦测,以找出静态影像中对应至待测者U的脸部的影像(步骤S22)。举例而言,影像撷取模块110以脸部轮廓侦测找出待测者眼睛与嘴巴分别对应的位置P1、P2以及P3,从而侦测出脸部。接着,影像撷取模块110可选取感兴趣的侦测区域A(步骤S23)。例如,感兴趣的侦测区域A可为脸部的一预设区域如两眼与嘴巴中间的范围,以避免待测者在说话或眨眼时造成不需要的影像变化。另外,根据本发明的其他实施例,上述步骤S22及S23也可通过频率信号转换模块120来执行,且本发明不限于此。
承上,通过确定感兴趣的侦测区域A,当动态影像M输入至频率信号转换模块120时,后续需要影像处理或运算的范围可得以减缩。因此,可减少或免去频率信号转换模块120需要对整个画面的影像做影像处理或运算的工夫,进而减少整体的运算时间或消耗功率。
在一些实施例中,上述的脸部轮廓侦测可例如是利用多任务级联卷积网络(Multi-task Cascaded Convolutional Network)的架构,并搭配WIDER FACE脸部数据库来提升准确率。因为WIDER FACE脸部数据库包括多个在实际场合拍摄的照片,包含了不同尺度、角度、动作、脸部装饰以及光影变化等等,针对上述这些影像训练除了可以通过选取侦测区域A来减少整体的运算,同时还可以提升脸部侦测的准确度,降低因光影变化所造成的误判。
以上针对脸部侦测以及侦测区域的方法仅作为示例性的说明,并非用以限定本发明。在其他实施例中,也可以使用其他脸部侦测或脸部轮廓侦测方法来处理这些影像,侦测区域A的选取更可以视需求以及系统的效能调整其大小以及形状,且本发明不限于此。
接着,根据本发明的一实施例,生理信息侦测方法及/或生理信息侦测装置100针对侦测区域A中的灰阶值变化来进行时域生理数值的计算。因此,可以通过时域生理数值的计算来降低不需要的信号以及噪声,以取得较佳及不失真的侦测数据。举例而言,请参照图3,动态影像M输入至频率信号转换模块120后,频率信号转换模块120可基于侦测区域A随时间计算并纪录多个侦测值,其中侦测值可为灰阶平均值(步骤S31),并从而获得侦测数据(步骤S32)。
举例而言,当生理数值为心率数值时,由于待测者U的静态影像可自待测者U的皮肤的反射光以及散射光所形成。在待测者的血液在体内循环时,微血管的体积会随时间变化,而经由皮肤吸收后所散射出的散射光会随着微血管的体积而变化,进而使散射光可带有待测者的心跳的信息。与此相对,反射光是直接被人体皮肤所反射的光束,且其不会带有跟心跳有关的信息。其中,上述反射光的强度可能会大于上述散射光的强度。因此,根据本发明的一实施例,侦测值可以例如是频率信号转换模块120由动态影像M的每个影像帧(亦即上述的静态影像)中侦测区域A的灰阶值加总后再除以侦测区域A的面积所算出的灰阶平均值,以通过平均来突显散射光的变化(反映心率数值的变化)。
承上,在此实施例中,基于步骤S31所计算及纪录的侦测值,在步骤S32中所取得的侦测数据可包括多个依时间排序的数据段,每个该数据段为动态影像M在不同时段中的灰阶值。另外,在一些实施例中,侦测数据可包括多个依时间排序的侦测值,且每个侦测值为其中一该影像帧的侦测区域A中的灰阶值的线性组合。
接着,在处理完时域侦测数据计算后,频率信号转换模块120可进一步自计算完的侦测数据作频域转换。详细而言,本实施例的频率信号转换模块120可依序依照时间将侦测数据的多个数据段进行频域转换以取得频率数据(步骤S33)。举例而言,每个数据段例如包括512个处理完的侦测值,每个频率数据为其中一个数据段中的频率分布及频率强度,例如为:
举例而言,每个数据段例如包括512个处理完的侦测值,每个频率数据为其中一个数据段中的频率分布及频率强度,例如为:
fk=F{St}
其中k的数值为1到m,m为预设选取的频率个数,t为1至T,T为预先设定的随时间排列的数据段个数,St为时域侦测数据段,fk为经频域转换后的频率数据。
在一些实施例中,可利用快速傅立叶转换(Fast Fourier Transform,FFT)将时域侦测信号(侦测数据)转为频率数据来分析。例如,一数据段的频率分布及频率强度是以快速傅立叶转换(Fast Fourier Transform)自该数据段取得,但本发明不限于此。在其他实施例中,时域侦测信号(侦测数据)和频率数据之间的转换对于本发明本领域技术人员而言可视需求而利用不同的方式来转换,且在此将不再赘述。
接着,参照图4,本实施例的生理信息侦测方法及生理信息侦测装置会根据频率数据是否符合一预设条件来判断是否进行后续的步骤。具体而言,生理信号转换模块130可判断该些频率数据是否满足一预设条件,以预先判断频率数据的混乱程度是否有到达一个阈值(亦即所述的预设条件)。因为当待测者U在光线明亮且没有光影变化的环境下撷取动态影像M时,由此动态影像M所取得的侦测数据及频率数据较能直接反映出人的生理信息如心率数值。然而,若频率数据的混乱程度达到一个阈值时,代表待测者U四周的环境光线不足或光影变化较大,且由此动态影像M所取得的侦测数据及频率数据容易失真,且需要进行后续的步骤来调整计算以取得生理数值如心率数值。
举例而言,预设条件例如是频率数据是否达到一个预设的乱度,较佳为频率数据的频谱熵是否超过一个熵阈值,且该频谱熵满足下列方程式:
其中PSE为频谱熵,fi为频谱数据中的频率值。
承上所述,根据本实施例的生理信息侦测方法及/或生理信息侦测装置100可通过上述的频谱熵是否大于熵阈值来判断频率数据是否满足预设条件(步骤S41):并可相应判断结果来选择对应的转换组合或方式(步骤S42);再以对应的转换组合中的转换模型或对应的转换方式来转换频率数据而取得生理数值(步骤S43)。
具体而言,参照图5,以例如频域转换取得频率数据后(步骤S33),可进行频谱熵是否大于熵阈值,亦即频率数据是否满足一预设条件的判断(步骤S500)。当频率数据满足预设条件(例如频谱熵大于熵阈值)后开始计算满足预设条件后的累计时间的测验时间,并且根据所述测验时间来选用对应的转换组合来转换频率数据。根据一实施例,依据对应的转换组合来转换频率数据包含:根据该转换组合中的其中一转换模型来转换频率数据而取得生理数值。
详细而言,根据本发明的一实施例,满足预设条件后的累计时间可分为多个时间区间,且多个时间区间对应至不同的转换组合。根据本发明的生理信息侦测方法及/或生理信息侦测装置100,选用对应的转换组合可包含以测验时间所属的时间区间来选用对应的转换组合。
另外,各该转换组合可包括多个转换模型,且该些转换模型各自对应至不同的转换区间。详言之,该些转换区间基于不同的初始生理数值或前一刻所测得的生理数值所区分。亦即,在选用对应转换组合后,可例如通过生理信号转换模块130以先前的初始生理数值或前一刻所测得的生理数值所属的转换区间所对应的转换模型转换满足预设条件的频率数据,以取得对应至频率数据的生理数值。
举例而言,请参照下表一,其中例如有两个转换组合共包含20个转换模型。第一转换组合包含16个转换模型D1至D16,第二转换组合包含4个转换模型H1至H4。选定转换组合后,可根据前一刻所测得的生理数值(若前一刻没有侦测,则以初始生理数值为准)来选择对应的转换模型来转换频率数据。例如,转换模型D6就是在前一刻测得生理数值如心率区间落在70至75的强度值的情况下,用以转换频率数据并算出对应当下的生理数值的适用的转换模型,且以下将搭配更详细的流程图来举例说明。
表一
转换模型 | 心率区间 | 转换模型 | 心率区间 |
D1 | (0,40) | D11 | (95,100) |
D2 | (40,50) | D12 | (100,105) |
D3 | (50,60) | D13 | (105,110) |
D4 | (60,65) | D14 | (110,120) |
D5 | (65,70) | D15 | (120,130) |
D6 | (70,75) | D16 | (130,200) |
D7 | (75,80) | H1 | (0,50) |
D8 | (80,85) | H2 | (50,80) |
D9 | (85,90) | H3 | (80,110) |
D10 | (90,95) | H4 | (110,200) |
举例而言,请参照图5,当频率数据的频谱熵尚未超过熵阈值,亦即未满足预设条件时(步骤S500),生理信号转换模块130可以对此频率数据做进一步的倍频滤除,并将测量时间归零后以卡曼滤波(Kalman Filter)来平缓化输出的生理数值,并进一步滤除噪声。其中,经卡曼滤波后的生理数值就是输出的生理数值(步骤S510),但本发明不限于此。例如,参照图6,在步骤S510中,可通过将该频率数据中频率强度最大的频率直接定为生理数值来取得该生理数值。
详细而言,如图6所示,在步骤S600中,生理信号转换模块130可以先比较强度最大的两个频率的强度。当最大强度值没有超过第二大强度值的一第一预设倍数(例如1.5倍)时(步骤S610),可直接将最大强度值的对应频率定为生理数值。而当最大强度值超过第二大强度值的第一预设倍数(例如1.5倍)时(步骤S620),则可再进行另外的处理计算。例如,可比较最大强度值以及第二大强度值的正规化数值。其中,正规化数值为极大值的频率强度除以全部频率的频率强度的总和。当第二大强度值的正规化数值的绝对值没有超过最大强度值的正规化数值的绝对值的第二预设倍数时,则由最大强度值所对应的频率定为生理数值。而当上述的第二大强度值的正规化数值的绝对值超过最大强度值的正规化数值的绝对值的第二预设倍数时,取得最大强度值以及第二大强度值所对应的二个频率的基频。接着,当最大强度值的频率与基频的差值超过第二大强度值的频率与基频的差值时,则由第二大强度值所对应的频率取得初始生理数值;而当最大强度值的频率与基频的差值没有超过第二大强度值的频率与基频的差值时,则由最大强度值所对应的频率取得初始生理数值。然而,此些皆仅为示例,且本发明不限于此。
承上,在本发明的一实施例中,当上述频率数据的频率强度包括多个极大值时,生理信号转换模块130可比较数值最高的两个极大值的数值;当最大的极大值没有超过第二极大值的第一预设倍数时,则处理单元由最大极大值所对应的频率取得初始生理数值。
接着回到图5,当满足预设条件后的累计时间的测验时间小于第一预设时间时(步骤S520),可输入其中一该频率数据中的前n强的频率(例如前30强)进入一第一转换组合(步骤S521)。第一转换组合包含多个转换模型(如转换模型D1至D16),且可根据前一刻所测得的该生理数值或初始生理数值来选择第一转换组合中对应的转换区间的转换模型,来转换频率数据而取得该生理数值(步骤S522)。
进一步,当满足预设条件后的累计时间的测验时间大于该第一预设时间且小于第二预设时间时(步骤S530),可输入其中一该频率数据中的前n强的频率(例如前30强)进入一第二转换组合(步骤S531)。第二转换组合包含多个转换模型(如转换模型H1至H4),且可根据前一刻所测得的该生理数值或初始生理数值来选择第二转换组合中对应的转换区间的转换模型,来转换频率数据而取得该生理数值(步骤S532)。
所述转换模型的选用,例如是当频率数据达到预设条件的前所测得的生理数值或是前一刻所测得的生理数值为73时,则在频率数据达到预设条件后且时间单位尚未超过第一预设时间之前是使用转换模型D6来转换频率数据以取得生理数值,而时间单位超过第一预设时间且小于第二预设时间时则是使用转换模型H2来转换频率数据以取得生理数值。
另外,当满足预设条件后的累计时间的测验时间大于第二预设时间时(步骤S530),可选用侦测方法开始时的初始生理数值(步骤S540)直接作为生理数值而输出。
进一步,根据本发明的其他实施例,当为满足预设条件后的累计时间的测验时间落于一特定范围时,可直接以前一刻所使用的转换模型经修正后对频率数据进行转换以取得生理数值。
承上所述,根据本发明的各实施例的生理信息侦测装置及生理信息侦测方法,可依据如上所述挑选适用的转换模型或转换方式,由以针对时域调整转换频率数据的处理运算模式并依此输出生理数值(步骤S550),从而获取减少噪声干扰的生理数值。
所述至少一转换组合以及初始生理数值可储存于生理信号转换模块130,或者至少可为生理信号转换模块130所存取。
在一些实施例中,可进一步对侦测数据进行带通滤波,带通滤波的范围为正常人的生理数值范围(如心跳频率范围),并可利用自相关函数来修正侦测数据。
另一方面,上文所述这些转换模型,可例如是生理信号转换模块130预先在已知的至少一生理数值与已知的至少一频率数据之间以类神经网络训练而得。
举例而言,在根据动态影像取得多个频率数据时再同时取得多个依照时间排列的生理数值,将每个频率数据及其对应的生理数值成对打散后同一转化以相同的频率单位表示(此处以赫兹Hz为例),再分别将这些频率数据以及生理数值以例如为60%、20%、20%的比例分为训练数据(training data)、泛化数据(generalization data)与验证数据(validation data)。除输入层与输出层外,本实施例可例如以7层隐藏层作为网络架构,每层的神经元数目分别为30、20、10、10、10、20、30,且层与层间的神经元皆全数与彼此连接。
此外,类神经网络训练的学习率(learning rate)例如设定为0.05,动量(momentum)设定为0.8,权重衰减(weight decay)设定为0.001,最大迭代次数为1000,输入与隐藏层的激活函数(activation function)为分段线性的ReLU函数,输出层的激活函数(activation function)为Purnlin函数,并将训练数据以成长式输入模型,成长大小(growing size)为5%,由5%训练数据慢慢拓至100%训练数据,待全部数据训练完毕后再以验证数据查看网络学习的效果。目标准确率设定为100%,并计算预测出来的生理数值与应该对应至生理数值的平均绝对误差(Mean Absolute Error,MAE),若MAE在0.15Hz内则判为成功,否则继续进行训练与权重调整,训练完成后,将待测者的多个转换模型存于生理信号转换模块130。
简言之,在本发明的一些实施例中,上述的生理信号转换模块130所储存或能够存取的这些转换模型是预先在训练阶段中取得。在训练阶段中,生理信号转换模块130连接频率信号转换模块120,频率信号转换模块120侦测待测者U的频率数值,且生理信号转换模块130以来自频率信号转换模块120的这些频率数值和对应的真实生理数值以类神经网络训练取得这些转换模型。
由上述可知,经由已知生理数值如心率与已知频率数据可以经由类神经网络推测出两者的转换关系。根据本发明的各实施例的生理信息检测装置及生理信息检测方法,可根据频率数据的混乱维持时间选择适当的转换组合,由以在不同条件下的动态影像中维持较佳的侦测效果。
应注意的是,本发明并不限于生理信号转换模块130是否独立取得这些转换模型或是通过其他处理单元所运算而得的转换模型。换言之,当生理信号转换模块130例如是车用高效能电脑时,生理信号转换模块130可以定期对待测者以上述的类神经网络训练方式取得这些转换模型。但当生理信号转换模块130例如是智能型电话的中央处理器时,这些转换模型可以是由其他电子装置的中央处理器运算后,再储存于此生理信号转换模块130或被此生理信号转换模块130所存取,且本发明并不限于此。
综上所述,由于本发明的各实施例的生理信息侦测装置以及生理信息侦测方法可以分析动态影响中灰阶变化的频率,并根据频率数据来判别动态影像的混乱程度,同时在混乱程度达到一个阈值时以不同转换组合的转换模型来转换频率数据(其中,转换模型的选用来自初始生理数值或是前一刻的生理数值)。因此,可以改善所侦测的生理数值的准确率,减少或避免生理数值在不同环境条件下所受到的影响。
上文中所述仅为本发明的一些较佳实施例。应注意的是,在不脱离本发明的精神与原则下,本发明可进行各种变化及修改。本领域技术人员应明了的是,本发明由所附申请专利范围所界定,且在符合本发明的意旨下,各种可能置换、组合、修饰及转用等变化皆不超出本发明由所附申请专利范围所界定的范畴。
Claims (28)
1.一种生理信息侦测方法,用以侦测一待测者的生理信息,其特征在于,该侦测方法包括:
侦测该待测者的一动态影像,并自该动态影像取得侦测数据,该侦测数据包括多个依时间排序的数据段,每个该数据段为该动态影像在不同时段中的灰阶值;
自该侦测数据转换取得多个频率数据,每个该频率数据包括其中一该数据段的频率分布及频率强度;
当其中一该频率数据满足一预设条件时,以对应的一转换组合转换该频率数据,其中该转换组合包括多个转换模型,该些转换模型各自对应至不同的转换区间,其中该些转换区间基于不同的前一刻所测得的生理数值所区分,且该侦测方法以前一刻所测得的该生理数值所属的该转换区间所对应的该转换模型转换满足该预设条件的该频率数据,以取得对应至该频率数据的生理数值。
2.根据权利要求1所述的生理信息侦测方法,其特征在于,根据一测验时间选用对应的该转换组合来转换该频率数据,其中,
该测验时间为满足该预设条件后的累计时间,且多个时间区间对应至不同的该转换组合,且其中,
选用对应的该转换组合包含以该测验时间所属的时间区间来选用对应的该转换组合。
3.根据权利要求1所述的生理信息侦测方法,其特征在于,当为满足该预设条件后的累计时间的一测验时间落于一特定范围时,以该前一刻所使用的转换模型经修正后对该频率数据进行转换以取得该生理数值。
4.根据权利要求1所述的生理信息侦测方法,其特征在于,取得该侦测数据的步骤包括:
在该动态影像的每个影像帧决定一侦测区域,该侦测数据包括多个依时间排序的侦测值,且每个该侦测值为其中一该影像帧的该侦测区域中的灰阶值的线性组合。
5.根据权利要求4所述的生理信息侦测方法,其特征在于,该侦测区域对应至该待测者的脸部的一预设区域。
6.根据权利要求4所述的生理信息侦测方法,其特征在于,取得该侦测数据的步骤进一步包括:
将该动态影像的每个影像帧中该侦测区域的灰阶值加总后除以该侦测区域的面积以取得一侦测值。
7.根据权利要求1所述的生理信息侦测方法,其特征在于,该生理数值是该待测者的心率数值。
8.根据权利要求1所述的生理信息侦测方法,其特征在于,该数据段的频率分布以及频率强度是以快速傅立叶转换自该数据段取得。
10.根据权利要求1所述的生理信息侦测方法,其特征在于,该预设条件为其中一该频率数据的频谱熵超过一熵阈值,且在其中一该频率数据的该频谱熵低于该熵阈值时,通过将该频率数据中频率强度最大的频率定为该生理数值来取得该生理数值。
11.根据权利要求1所述的生理信息侦测方法,其特征在于,当满足该预设条件后的累计时间的测验时间小于一第一预设时间时,输入其中一该频率数据中的前30强的频率进入一第一转换组合,并根据前一刻所测得的该生理数值选择该第一转换组合中对应的转换区间的转换模型来转换取得该生理数值。
12.根据权利要求11所述的生理信息侦测方法,其特征在于,当满足该预设条件后的累计时间的测验时间大于该第一预设时间且小于一第二预设时间时,输入其中一该频率数据中的前30强的频率进入一第二转换组合,并根据前一刻所测得的该生理数值选择该第二转换组合中对应的转换区间的转换模型来转换取得该生理数值。
13.根据权利要求12所述的生理信息侦测方法,其特征在于,当满足该预设条件后的累计时间的测验时间大于该第二预设时间时,选用该侦测方法开始时的一初始生理数值作为生理数值而输出。
14.根据权利要求1所述的生理信息侦测方法,其特征在于,该些转换模型是预先在已知的至少一生理数值与已知的至少一频率数据之间以类神经网络训练而得。
15.一种生理信息侦测装置,用以侦测一待测者的生理信息,其特征在于,该侦测装置包括:
一影像撷取模块,侦测该待测者的一动态影像;
一频率信号转换模块,自该动态影像取得一侦测数据且自该侦测数据转换取得多个频率数据,其中,该侦测数据包括多个依时间排序的数据段,每个该数据段为该动态影像在不同时段中的灰阶值,且每个该频率数据包括其中一该数据段的频率分布及频率强度;以及
一生理信号转换模块,储存或能够存取至少一转换组合以及一初始生理数值,且其中,
该生理信号转换模块判断该些频率数据是否满足一预设条件,当其中一该频率数据满足该预设条件时,以对应的转换组合转换该频率数据,其中该转换组合包括多个转换模型,该些转换模型各自对应至不同的转换区间,该些转换区间基于不同的该初始生理数值或前一刻所测得的生理数值所区分,且该生理信号转换模块以该初始生理数值或前一刻所测得的该生理数值所属的该转换区间所对应的该转换模型转换满足该预设条件的该频率数据,以取得对应至该频率数据的生理数值。
16.根据权利要求15所述的生理信息侦测装置,其特征在于,该生理信号转换模块根据一测验时间选用对应的该转换组合来转换该频率数据,其中,
该测验时间为满足该预设条件后的累计时间,且多个时间区间对应至不同的该转换组合,且其中,
该生理信号转换模块以该测验时间所属的时间区间来选用对应的该转换组合。
17.根据权利要求15所述的生理信息侦测装置,其特征在于,当为满足该预设条件后的累计时间的一测验时间落于一特定范围时,该生理信号转换模块以该前一刻所使用的转换模型经修正后对该频率数据进行转换以取得该生理数值。
18.根据权利要求15所述的生理信息侦测装置,其特征在于,:
该影像撷取模块在该动态影像的每个影像帧决定一侦测区域,且
该频率信号转换模块所取得的该侦测数据包括多个依时间排序的侦测值,且每个该侦测值为其中一该影像帧的该侦测区域中的灰阶值的线性组合。
19.根据权利要求18所述的生理信息侦测装置,其特征在于,该侦测区域对应至该待测者的脸部的一预设区域。
20.根据权利要求18所述的生理信息侦测装置,其特征在于,该频率信号转换模块将该动态影像的每个影像帧中该侦测区域的灰阶值加总后除以该侦测区域的面积以取得一侦测值。
21.根据权利要求15所述的生理信息侦测装置,其特征在于,该生理数值是该待测者的心率数值。
22.根据权利要求15所述的生理信息侦测装置,其特征在于,该数据段的频率分布以及频率强度是该频率信号转换模块以快速傅立叶转换自该数据段取得。
24.根据权利要求15所述的生理信息侦测装置,其特征在于,该预设条件为其中一该频率数据的频谱熵超过一熵阈值,且在其中一该频率数据的该频谱熵低于该熵阈值时,该生理信号转换模块通过将该频率数据中频率强度最大的频率定为该生理数值来取得该生理数值。
25.根据权利要求15所述的生理信息侦测装置,其特征在于,当满足该预设条件后的累计时间的测验时间小于一第一预设时间时,该生理信号转换模块输入其中一该频率数据中的前30强的频率进入一第一转换组合,并根据前一刻所测得的该生理数值选择该第一转换组合中对应的转换区间的转换模型来转换取得该生理数值。
26.根据权利要求25所述的生理信息侦测装置,其特征在于,当满足该预设条件后的累计时间的测验时间大于该第一预设时间且小于一第二预设时间时,该生理信号转换模块输入其中一该频率数据中的前30强的频率进入一第二转换组合,并根据前一刻所测得的该生理数值选择该第二转换组合中对应的转换区间的转换模型来转换取得该生理数值。
27.根据权利要求26所述的生理信息侦测装置,其特征在于,当满足该预设条件后的累计时间的测验时间大于该第二预设时间时,该生理信号转换模块选用该初始生理数值作为该生理数值而输出。
28.根据权利要求15所述的生理信息侦测装置,其特征在于,该些转换模型是预先在已知的至少一生理数值与已知的至少一频率数据之间以类神经网络训练而得。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108125128 | 2019-07-16 | ||
TW108125128A TWI744666B (zh) | 2019-07-16 | 2019-07-16 | 生理資訊偵測裝置及生理資訊偵測方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112237420A true CN112237420A (zh) | 2021-01-19 |
Family
ID=74168163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910814561.8A Pending CN112237420A (zh) | 2019-07-16 | 2019-08-30 | 生理信息侦测装置及生理信息侦测方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11151720B2 (zh) |
CN (1) | CN112237420A (zh) |
TW (1) | TWI744666B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639894A (zh) * | 2009-08-31 | 2010-02-03 | 华南理工大学 | 在线检测列车驾驶员行为和疲劳状态的方法及其检测系统 |
CN101930534A (zh) * | 2009-06-25 | 2010-12-29 | 原相科技股份有限公司 | 用于人脸侦测的动态影像压缩方法 |
CN103190923A (zh) * | 2012-01-06 | 2013-07-10 | 纬创资通股份有限公司 | 睡意侦测方法及其装置 |
CN104071110A (zh) * | 2013-03-27 | 2014-10-01 | 原相科技股份有限公司 | 用于载人移动载具的安全监控装置及安全监控方法 |
CN104639799A (zh) * | 2013-11-14 | 2015-05-20 | 财团法人工业技术研究院 | 影像式心率活动侦测装置及其方法 |
US20180182095A1 (en) * | 2016-12-28 | 2018-06-28 | Industrial Technology Research Institute | Heart rate activity detecting system based on dynamic images and method thereof |
CN108765354A (zh) * | 2018-06-06 | 2018-11-06 | 合肥康之恒机械科技有限公司 | 一种动态目标识别跟踪图像数据优化传输方法及系统 |
US20190046057A1 (en) * | 2017-08-09 | 2019-02-14 | Wistron Corp. | Physiological signals measurement systems and methods thereof |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7407485B2 (en) * | 2004-06-08 | 2008-08-05 | Instrumentarium Corporation | Monitoring pain-related responses of a patient |
TWI588674B (zh) | 2010-11-26 | 2017-06-21 | 遠東科技大學 | 人體生理資訊存取與評估之方法 |
TWI478690B (zh) | 2011-11-30 | 2015-04-01 | Pixart Imaging Inc | 整合心跳量測及身份辨識的系統及方法 |
TWI527560B (zh) | 2013-11-28 | 2016-04-01 | 國立勤益科技大學 | 一種基於經驗模態分解法之心跳訊號檢測方法與檢測裝置 |
TWI568411B (zh) | 2014-05-13 | 2017-02-01 | 長天科技股份有限公司 | 可補償動作誤差以量測心跳資訊之可攜式裝置、心跳資訊量測方法及其量測系統 |
TWM492140U (zh) | 2014-09-04 | 2014-12-21 | Hengding Electronic Technology Co Ltd | 臂帶式心跳率偵測帶 |
CN105303771B (zh) * | 2015-09-15 | 2018-02-23 | 成都通甲优博科技有限责任公司 | 一种疲劳判断系统及方法 |
US10610162B2 (en) * | 2016-05-31 | 2020-04-07 | Stmicroelectronics S.R.L. | Method for the detecting electrocardiogram anomalies and corresponding system |
TWM543052U (zh) | 2016-08-30 | 2017-06-11 | ren-gui Li | 胸帶式生理資訊感知裝置 |
TWM543672U (zh) | 2017-01-11 | 2017-06-21 | Alvital Tech Corp | 隨攜式健康檢測裝置 |
US10959681B2 (en) * | 2017-04-19 | 2021-03-30 | Vital Connect, Inc. | Noninvasive blood pressure measurement and monitoring |
US10722126B2 (en) * | 2018-11-28 | 2020-07-28 | National Yunlin University Of Science And Technology | Heart rate detection method and device thereof |
-
2019
- 2019-07-16 TW TW108125128A patent/TWI744666B/zh active
- 2019-08-30 CN CN201910814561.8A patent/CN112237420A/zh active Pending
-
2020
- 2020-01-02 US US16/732,985 patent/US11151720B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930534A (zh) * | 2009-06-25 | 2010-12-29 | 原相科技股份有限公司 | 用于人脸侦测的动态影像压缩方法 |
CN101639894A (zh) * | 2009-08-31 | 2010-02-03 | 华南理工大学 | 在线检测列车驾驶员行为和疲劳状态的方法及其检测系统 |
CN103190923A (zh) * | 2012-01-06 | 2013-07-10 | 纬创资通股份有限公司 | 睡意侦测方法及其装置 |
CN104071110A (zh) * | 2013-03-27 | 2014-10-01 | 原相科技股份有限公司 | 用于载人移动载具的安全监控装置及安全监控方法 |
CN104639799A (zh) * | 2013-11-14 | 2015-05-20 | 财团法人工业技术研究院 | 影像式心率活动侦测装置及其方法 |
US20180182095A1 (en) * | 2016-12-28 | 2018-06-28 | Industrial Technology Research Institute | Heart rate activity detecting system based on dynamic images and method thereof |
US20190046057A1 (en) * | 2017-08-09 | 2019-02-14 | Wistron Corp. | Physiological signals measurement systems and methods thereof |
CN108765354A (zh) * | 2018-06-06 | 2018-11-06 | 合肥康之恒机械科技有限公司 | 一种动态目标识别跟踪图像数据优化传输方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US11151720B2 (en) | 2021-10-19 |
TWI744666B (zh) | 2021-11-01 |
TW202103634A (zh) | 2021-02-01 |
US20210019881A1 (en) | 2021-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110706826B (zh) | 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 | |
CN108596087B (zh) | 一种基于双网络结果的驾驶疲劳程度检测回归模型 | |
CN110879982B (zh) | 一种人群计数系统及方法 | |
CN108205891B (zh) | 一种监控区域的车辆监测方法 | |
CN103054569A (zh) | 基于可见光图像测量人体心率的方法、装置及手持设备 | |
CN113296087B (zh) | 一种基于数据增强的调频连续波雷达人体动作识别方法 | |
Wilson et al. | Alertness monitor using neural networks for EEG analysis | |
CN110958568B (zh) | 基于WiFi的船舶驾驶室人员值班行为识别方法及系统 | |
CN111797804A (zh) | 一种基于深度学习的信道状态信息人类活动识别方法及系统 | |
Zhao et al. | Deep convolutional neural network for drowsy student state detection | |
CN112017155B (zh) | 健康体征数据的测量方法、装置、系统和存储介质 | |
CN116343284A (zh) | 基于注意力机制的多特征户外环境情绪识别方法 | |
Sharkas | A neural network based approach for iris recognition based on both eyes | |
EP2497052A1 (en) | Method for illumination normalization on a digital image for performing face recognition | |
CN110610480B (zh) | 基于Attention机制的MCASPP神经网络眼底图像视杯视盘分割模型 | |
CN114402359A (zh) | 用于检测人的合成视频的系统和方法 | |
KR20080079798A (ko) | 얼굴 검출 및 인식을 위한 방법 | |
CN106940904A (zh) | 基于人脸识别和语音识别的考勤系统 | |
CN110801228B (zh) | 一种基于神经网络预测的脑效应连接度量方法 | |
CN112237420A (zh) | 生理信息侦测装置及生理信息侦测方法 | |
TWI763435B (zh) | 生理資訊偵測裝置及生理資訊偵測方法 | |
CN115937828A (zh) | 一种疲劳驾驶检测方法、装置及车辆 | |
CN115308768A (zh) | 一种隐私环境下的智能监护系统 | |
CN108537105A (zh) | 一种家庭环境下的危险行为识别方法 |
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 |