CN112237421A - 一种基于视频的动态心率变异性分析模型 - Google Patents
一种基于视频的动态心率变异性分析模型 Download PDFInfo
- Publication number
- CN112237421A CN112237421A CN202011006793.XA CN202011006793A CN112237421A CN 112237421 A CN112237421 A CN 112237421A CN 202011006793 A CN202011006793 A CN 202011006793A CN 112237421 A CN112237421 A CN 112237421A
- Authority
- CN
- China
- Prior art keywords
- heart rate
- video
- analysis model
- dynamic
- lstm
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 238000012937 correction Methods 0.000 claims abstract description 9
- 238000013461 design Methods 0.000 claims abstract description 4
- 230000000737 periodic effect Effects 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000033001 locomotion Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000013186 photoplethysmography Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 206010042434 Sudden death Diseases 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 208000013403 hyperactivity Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
- A61B5/024—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
- A61B5/0059—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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明属于影像处理技术领域，具体涉及一种基于视频的动态心率变异性分析模型，包括基于视频的动态心率检测方法得到心率检测信号、心率周期检测算法、间隔时间序列处理以及建立基于LSTM的分析模型；所述动态心率变异性分析模型的建立设计步骤为：S1：获取基于视频采集的动态心率信号，通过基于视频的动态心率检测方法，获取动态心率检测信号；S2：设计心率周期检测算法，设计一种卷积神经网络，获得单个心率周期检测信号；S3：间隔时间序列处理，对从心率周期信号中提取的间隔时间序列进行伪影校正处理；S4：基于LSTM的分析模型的建立，将间隔时间序列输入到一个基于LSTM的卷积网络，并建立模型。
Description
技术领域
本发明属于影像处理技术领域，具体涉及一种基于视频的动态心率变异性分析模型。
背景技术
心率(HR)以每分钟节拍数来衡量。它不需要确切的时间，只是特定时间段内节拍的平均值。通常，低HR表示休息，而高HR表示运动或运动。心率关注每分钟的平均心跳次数，而心率变异性(HRV)则测量心脏连续跳动之间的时间(或变异性)的具体变化。节拍之间的时间以毫秒(ms)为单位，称为“R-R间隔”或“节拍间隔(IBI)”。一般来说，低HRV(或心脏跳动变化较小)表明身体处于来自于运动、心理事件或其他内部或外部压力源的压力之下。较高的HRV(或心脏跳动之间的较大变异性)通常意味着身体具有较强的耐受应激能力或从先前压力中恢复的过程。静息时，高HRV通常是有利的，而低HRV是不利的。当处于活动状态时，较低的相对HRV通常是有利的，而高HRV可能是不利的。
心率变异性(HRV)是了解人的整体健康状况，恢复力和耐受各种压力的能力的重要工具，可用作身体的每日检查。此外，通过心率变异性趋势和随时间变化的相关事件，心率变异性可用于确定各种生活方式如何影响健康和表现。近十年来，大量研究已充分肯定了自主神经活动与多种疾病有关系，特别是与某些心血管疾病的死亡率，尤其是猝死率有关。针对HRV的研究对心血管疾病的早期诊断、病中监护以及愈后评估等有着重要意义。
目前心率变异性(HRV)分析方法主要有时域分析法、频域分析法、时频分析法以及非线性分析法等。其中前三种基于时域与频域的方法，已经有着成熟的理论支持，有着明确的指标意义，已经被应用于临床和医学实验中。而基于非线性分析的方法仍然处于探索阶段，还没有实现临床的应用。时域分析主要通过有关R-R期间的数理统计指标来平加心率变异率，常用的统计参数指标有均值、总体标准差、均值标准差和差值均方平方根等。频域分析是将连续正常的R-R间期进行基于FFT的经典谱估计或基于回归AR模型的现代谱估计获得的功率谱密度，作为定量的指标来描述心率变异率型号的能量分布情况。
心率变异性分析的前提是需要得到心率检测信号，目前传统的心率检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，无法满足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的需求，本发明设计人在提出了一种基于视频的动态心率变异性分析模型。
发明内容
为了克服现有技术中基于视频的动态心率变异性分析模型的不足，本发明的目的是为了提供一种基于视频的动态心率变异性分析模型，该分析方法会配合与本发明方案相匹配的一种基于视频的动态心率检测方法，进行动态心率的采集和检测，能够精确得到心率检测信号，为检测人员提供一种可对被测试者的身体精神压力或疾病进程进行推断和预测的分析模型。
为实现上述技术目的，本发明采用的技术方案如下：
一种基于视频的动态心率变异性分析模型，包括基于视频的动态心率检测方法得到心率检测信号、心率周期检测算法、间隔时间序列处理以及建立基于LSTM的分析模型；
所述动态心率变异性分析模型的建立设计步骤为：
S1：获取基于视频采集的动态心率信号，通过基于视频的动态心率检测方法，获取动态心率检测信号；
S2：设计心率周期检测算法，设计一种卷积神经网络，获得单个心率周期检测信号；
S3：间隔时间序列处理，对从心率周期信号中提取的间隔时间序列进行伪影校正处理；
S4：基于LSTM的分析模型的建立，将间隔时间序列输入到一个基于LSTM的卷积网络，并建立模型。
作为本发明的一种优选方案，所述S2中心率周期检测算法为基于深度学习的心率周期检测算法，其是利用简单高效的卷积神经网络，将心率检测信号准确的拆解为单个周期心率检测信号，其卷积神经网络结构主要由三个部分组成，包括两个卷积层、两个池化层和三个全连接层。
作为本发明的一种优选方案，所述的S3中间隔时间序列处理，是经过卷积神经网络的准确分割后，从单个心率周期中提取R点做为基准点，计算出帧间间隔，并按时间顺序排列，得到间隔时间序列；由于间隔时间序列中的任何伪影都可能造成最终信号的干扰，故利用基于阈值的伪影校正算法来自动插值间隔时间序列，阈值被设定为T。
作为本发明的一种优选方案，所述阈值被设定T的范围为0.05秒至0.5秒。
作为本发明的一种优选方案，所述的S4中基于LSTM的分析模型的建立，所述S3中伪影校正处理后得到的间隔时间序列可以被转化到时域、频域谱中进行分析，从而进一步得到相应的参数；其将间隔时间序列直接输入到基于LSTM的循环卷积网络中去，并以为建立模型；其中卷积网络结构包括两个lstm层、两个dropout层和一个dense层。
作为本发明的一种优选方案，所述基于视频的动态心率检测方法是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。
本发明的有益效果在于，通过普通摄像头就可以采集到心率数据并进行心率变异性分析；此外，本发明提出的基于深度学习的心率周期检测算法，较传统的信号处理方法更为简洁高效，能部署在小型设备上开发使用；并且本发明提出利用基于LSTM循环卷积网络的心率变异性分析模型，区别于传统的时域、频域以及非线性的分析方法，提供了一种新的心率变异性分析方法，在后续基于心率变异性研究的分类和预测问题上将会得到很好的应用。
附图说明
本发明可以通过附图给出的非限定性实施例进一步说明；
图1是本发明一种基于视频的动态心率变异性分析模型的建立设计流程示意图。
图2是用于心率周期分割的卷积神经网络结构示意图。
图3是基于LSTM的循环卷积网络结构示意图。
具体实施方式
为了使本领域的技术人员可以更好地理解本发明，下面结合附图和实施例对本发明技术方案进一步说明。
如图1所示，本发明提供了一种基于视频的动态心率变异性分析模型，包括基于视频的动态心率检测方法得到心率检测信号、心率周期检测算法、间隔时间序列处理以及建立基于LSTM的分析模型；
所述动态心率变异性分析模型的建立设计步骤为：
S1：获取基于视频采集的动态心率信号，通过基于视频的动态心率检测方法，获取动态心率检测信号；其中基于视频的动态心率检测方法是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。
S2：设计心率周期检测算法，设计一种卷积神经网络，获得单个心率周期检测信号；其中设计心率周期检测算法是基于深度学习的心率周期检测算法，其是利用简单高效的卷积神经网络，将心率检测信号准确的拆解为单个周期心率检测信号，其卷积神经网络结构主要由三个部分组成，包括两个卷积层、两个池化层和三个全连接层；卷积神经网络结构可以按照图2所示；
S3：间隔时间序列处理，经过S2卷积神经网络的准确分割后，从单个心率周期中提取R点做为基准点，计算出帧间间隔，并按时间顺序排列，得到间隔时间序列；由于间隔时间序列中的任何伪影都可能造成最终信号的干扰，故利用基于阈值的伪影校正算法来自动插值间隔时间序列，阈值被设定为T，T可以被设定为0.3秒；卷积神经网络结构可以按照图3所示；
S4：基于LSTM的分析模型的建立，S3中伪影校正处理后得到的间隔时间序列可以被转化到时域、频域谱中进行分析，从而进一步得到相应的参数；其将间隔时间序列直接输入到基于LSTM的循环卷积网络中去，并以为建立模型；其中卷积网络结构包括两个lstm层、两个dropout层和一个dense层。
上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (6)
1.一种基于视频的动态心率变异性分析模型，其特征在于：包括基于视频的动态心率检测方法得到心率检测信号、心率周期检测算法、间隔时间序列处理以及建立基于LSTM的分析模型；
所述动态心率变异性分析模型的建立设计步骤为：
S1：获取基于视频采集的动态心率信号，通过基于视频的动态心率检测方法，获取动态心率检测信号；
S2：设计心率周期检测算法，设计一种卷积神经网络，获得单个心率周期检测信号；
S3：间隔时间序列处理，对从心率周期信号中提取的间隔时间序列进行伪影校正处理；
S4：基于LSTM的分析模型的建立，将间隔时间序列输入到一个基于LSTM的卷积网络，并建立模型。
2.根据权利要求1所述的一种基于视频的动态心率变异性分析模型，其特征在于：所述S2中心率周期检测算法为基于深度学习的心率周期检测算法，其是利用简单高效的卷积神经网络，将心率检测信号准确的拆解为单个周期心率检测信号，其卷积神经网络结构主要由三个部分组成，包括两个卷积层、两个池化层和三个全连接层。
3.根据权利要求1所述的一种基于视频的动态心率变异性分析模型，其特征在于：所述的S3中间隔时间序列处理，是经过卷积神经网络的准确分割后，从单个心率周期中提取R点做为基准点，计算出帧间间隔，并按时间顺序排列，得到间隔时间序列；由于间隔时间序列中的任何伪影都可能造成最终信号的干扰，故利用基于阈值的伪影校正算法来自动插值间隔时间序列，阈值被设定为T。
4.根据权利要求3所述的一种基于视频的动态心率变异性分析模型，其特征在于：所述阈值被设定T的范围为0.05秒至0.5秒。
5.根据权利要求1所述的一种基于视频的动态心率变异性分析模型，其特征在于：所述的S4中基于LSTM的分析模型的建立，所述S3中伪影校正处理后得到的间隔时间序列可以被转化到时域、频域谱中进行分析，从而进一步得到相应的参数；其将间隔时间序列直接输入到基于LSTM的循环卷积网络中去，并以为建立模型；其中卷积网络结构包括两个lstm层、两个dropout层和一个dense层。
6.根据权利要求1所述的一种基于视频的动态心率变异性分析模型，其特征在于：所述基于视频的动态心率检测方法是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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011006793.XA CN112237421B (zh) | 2020-09-23 | 2020-09-23 | 一种基于视频的动态心率变异性分析模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011006793.XA CN112237421B (zh) | 2020-09-23 | 2020-09-23 | 一种基于视频的动态心率变异性分析模型 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112237421A true CN112237421A (zh) | 2021-01-19 |
| CN112237421B CN112237421B (zh) | 2023-03-07 |
Family
ID=74171217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011006793.XA Active CN112237421B (zh) | 2020-09-23 | 2020-09-23 | 一种基于视频的动态心率变异性分析模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112237421B (zh) |
Cited By (2)
| 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 |
| CN118370525A (zh) * | 2024-06-21 | 2024-07-23 | 天津医科大学总医院 | 基于产科孕妇活动的定时监测分析方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101616629A (zh) * | 2006-08-31 | 2009-12-30 | 非线性医药有限公司 | 用于预测心律失常死亡的自动降噪系统 |
| CN206792400U (zh) * | 2017-01-16 | 2017-12-26 | 吉林东华原医疗设备有限责任公司 | 心率变异性检测装置 |
| CN109044322A (zh) * | 2018-08-29 | 2018-12-21 | 北京航空航天大学 | 一种非接触式心率变异性测量方法 |
| CN109820525A (zh) * | 2019-01-23 | 2019-05-31 | 五邑大学 | 一种基于cnn-lstm深度学习模型的驾驶疲劳识别方法 |
| CN109846469A (zh) * | 2019-04-16 | 2019-06-07 | 合肥工业大学 | 一种基于卷积神经网络的非接触式心率测量方法 |
| CN110179453A (zh) * | 2018-06-01 | 2019-08-30 | 山东省计算中心（国家超级计算济南中心） | 基于卷积神经网络和长短期记忆网络的心电图分类方法 |
| CN110226919A (zh) * | 2019-06-26 | 2019-09-13 | 广州视源电子科技股份有限公司 | 心电信号类型检测方法、装置、计算机设备及存储介质 |
| CN111345803A (zh) * | 2020-03-20 | 2020-06-30 | 浙江大学城市学院 | 一种基于移动设备摄像头的心率变异性测量方法 |
| CN111386068A (zh) * | 2017-10-24 | 2020-07-07 | 纽洛斯公司 | 基于摄像机的压力测量系统与方法 |
| CN111528833A (zh) * | 2020-05-07 | 2020-08-14 | 广州大学 | 一种心电信号的快速识别与处理方法及系统 |
| CN111626182A (zh) * | 2020-05-25 | 2020-09-04 | 浙江大学 | 一种基于视频的人体心率及面部血容积精确检测方法和系统 |
-
2020
- 2020-09-23 CN CN202011006793.XA patent/CN112237421B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101616629A (zh) * | 2006-08-31 | 2009-12-30 | 非线性医药有限公司 | 用于预测心律失常死亡的自动降噪系统 |
| CN206792400U (zh) * | 2017-01-16 | 2017-12-26 | 吉林东华原医疗设备有限责任公司 | 心率变异性检测装置 |
| CN111386068A (zh) * | 2017-10-24 | 2020-07-07 | 纽洛斯公司 | 基于摄像机的压力测量系统与方法 |
| CN110179453A (zh) * | 2018-06-01 | 2019-08-30 | 山东省计算中心（国家超级计算济南中心） | 基于卷积神经网络和长短期记忆网络的心电图分类方法 |
| CN109044322A (zh) * | 2018-08-29 | 2018-12-21 | 北京航空航天大学 | 一种非接触式心率变异性测量方法 |
| CN109820525A (zh) * | 2019-01-23 | 2019-05-31 | 五邑大学 | 一种基于cnn-lstm深度学习模型的驾驶疲劳识别方法 |
| CN109846469A (zh) * | 2019-04-16 | 2019-06-07 | 合肥工业大学 | 一种基于卷积神经网络的非接触式心率测量方法 |
| CN110226919A (zh) * | 2019-06-26 | 2019-09-13 | 广州视源电子科技股份有限公司 | 心电信号类型检测方法、装置、计算机设备及存储介质 |
| CN111345803A (zh) * | 2020-03-20 | 2020-06-30 | 浙江大学城市学院 | 一种基于移动设备摄像头的心率变异性测量方法 |
| CN111528833A (zh) * | 2020-05-07 | 2020-08-14 | 广州大学 | 一种心电信号的快速识别与处理方法及系统 |
| CN111626182A (zh) * | 2020-05-25 | 2020-09-04 | 浙江大学 | 一种基于视频的人体心率及面部血容积精确检测方法和系统 |
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 |
| CN112869737B (zh) * | 2021-02-01 | 2022-10-28 | 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 |
| CN118370525A (zh) * | 2024-06-21 | 2024-07-23 | 天津医科大学总医院 | 基于产科孕妇活动的定时监测分析方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112237421B (zh) | 2023-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | The obf database: A large face video database for remote physiological signal measurement and atrial fibrillation detection | |
| US11576623B2 (en) | Method for generating a model for generating a synthetic ECG and a method and system for analysis of heart activity | |
| Anbalagan et al. | Analysis of various techniques for ECG signal in healthcare, past, present, and future | |
| WO2019161607A1 (zh) | 心电信息动态监护方法和动态监护系统 | |
| Wen et al. | A feasible feature extraction method for atrial fibrillation detection from BCG | |
| CN112237421B (zh) | 一种基于视频的动态心率变异性分析模型 | |
| CN115486824B (zh) | 一种基于不确定性度量的无袖带连续血压估计系统 | |
| CN116035536B (zh) | 一种睡眠行为活跃水平检测量化的方法、系统和装置 | |
| Mai et al. | Non-contact heartbeat detection based on ballistocardiogram using UNet and bidirectional long short-term memory | |
| CN113288168A (zh) | 一种智能可穿戴疲劳监测及预警系统 | |
| CN112294282A (zh) | 基于rppg的情绪检测装置的自标定方法 | |
| Suresh et al. | End-to-end deep learning for reliable cardiac activity monitoring using seismocardiograms | |
| Lin et al. | Energy-efficient blood pressure monitoring based on single-site photoplethysmogram on wearable devices | |
| CN111832537A (zh) | 异常心电信号识别方法及异常心电信号识别装置 | |
| Benchekroun et al. | Comparison of Stress Detection through ECG and PPG signals using a Random Forest-based Algorithm | |
| Gaoan et al. | Heart rate measurement via smart phone acceleration sensor | |
| Gao et al. | Extraction of heartbeat feature based on ballistocardiogram signal from multichannel piezoelectric ceramic sensors | |
| CN115024716A (zh) | 基于心率标签生成的心冲击图信号重建方法 | |
| Mao et al. | Motion Artifact Reduction In Photoplethysmography For Reliable Signal Selection | |
| de Melo | A brief review on electrocardiogram analysis and classification techniques with machine learning approaches | |
| Bassiouni et al. | Combination of ECG and PPG signals for smart healthcare systems: Techniques, applications, and challenges | |
| Aravind et al. | ECG Classification and Arrhythmia Detection Using Wavelet Transform and Convolutional Neural Network | |
| MP et al. | Development of a Neural Network based model for Non-obtrusive Computation of BP from Photoplethysmograph | |
| AU2021101272A4 (en) | An artificial intelligence based heart rate monitoring system for sports training | |
| Li et al. | Wearable ECG Devices: A State of the Art about Circuit, Software and Application |
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 |