CN112244796A - 一种智能检测人体生理指标的方法及看护设备 - Google Patents

一种智能检测人体生理指标的方法及看护设备 Download PDF

Info

Publication number
CN112244796A
CN112244796A CN202011242391.XA CN202011242391A CN112244796A CN 112244796 A CN112244796 A CN 112244796A CN 202011242391 A CN202011242391 A CN 202011242391A CN 112244796 A CN112244796 A CN 112244796A
Authority
CN
China
Prior art keywords
signal
frame
video
matrix
noise ratio
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
Application number
CN202011242391.XA
Other languages
English (en)
Inventor
袁振东
秦力
肖定为
于世宽
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.)
Union Dimension Guangzhou Technology Co ltd
Original Assignee
Union Dimension Guangzhou Technology 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 Union Dimension Guangzhou Technology Co ltd filed Critical Union Dimension Guangzhou Technology Co ltd
Priority to CN202011242391.XA priority Critical patent/CN112244796A/zh
Publication of CN112244796A publication Critical patent/CN112244796A/zh
Pending legal-status Critical Current

Links

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
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • 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
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Theoretical Computer Science (AREA)
  • Cardiology (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Pulmonology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明实施例涉及看护设备技术领域，公开了一种智能检测人体生理指标的方法及看护设备，该方法包括：获取某一指定时间段视频中的头部信号选取框与胸腔信号选取框；分别计算出其对应的第一视频所有帧信号值与第二视频所有帧信号值；将第一视频所有帧信号值与第二视频所有帧信号值由小到大排序以获得第一N维信息序列与第二N维信息序列；计算出第一N维信息序列与第二N维信息序列对应的振幅频率以确定出心率信噪比与呼吸率信噪比；分别检测心率信噪比与呼吸率信噪比是否大于第一指定阈值与第二指定阈值；若是，确定出有效心率测量值与有效呼吸率测量值。实施本发明实施例，能够即时检测场景中人体的心率和呼吸率，实现对人体健康状况的安全监测。

Description

一种智能检测人体生理指标的方法及看护设备
技术领域
本发明涉及看护设备技术领域，尤其涉及一种智能检测人体生理指标的方法及看护设备。
背景技术
目前，现有的看护设备通过采用摄像头影像的方式来进行人体生理指(例如心率与呼吸率)的检测以实现智能看护的技术已十分常见，但在实践中发现，现有的看护设备大多会存在以下技术缺陷：(1)、计算复杂，计算量大，不适合在嵌入式设备中应用；(2)、需要人脸识别技术；(3)测心率时，有的对图像中ROI(信号区域)选取要求或者高，比如要选取额头、脸颊等区域，在实景中尤其是人体距离远时难以实现；而有的选择要求低，框全脸，没有精细化选点，包含了很多非信号像素点，从而使信噪比降低；(4)测呼吸信号时，也大多没有精细化选点，使很多呼吸信号弱甚至没有信号的像素点一并框入，从而导致信噪比降低；(5)有效测量呼吸率的专利技术不多，有的测呼吸信号时是ROI中像素点信号全部像素点进行的信号进行处理，处理量大。
发明内容
本发明实施例公开一种智能检测人体生理指标的方法及看护设备，能够即时检测场景中人体的生理指标(心率和呼吸率)，以达到对场景中基本静止的人体健康状况的安全监测。
本发明实施例第一方面公开一种智能检测人体生理指标的方法，所述方法包括：
根据摄像设备实景角度采集的某一指定时间段视频，获取所述某一指定时间段视频中的头部信号选取框与胸腔信号选取框；
分别计算出所述头部信号选取框与所述胸腔信号选取框内的第一视频所有帧信号值与第二视频所有帧信号值；
依次将所述第一视频所有帧信号值与所述第二视频所有帧信号值由小到大进行排序以获得第一N维信息序列与第二N维信息序列；
计算出所述第一N维信息序列与所述第二N维信息序列对应的第一振幅频率与第二振幅频率以确定出心率信噪比与呼吸率信噪比；
分别检测所述心率信噪比与所述呼吸率信噪比是否大于第一指定阈值与第二指定阈值；若是，确定出有效心率测量值与有效呼吸率测量值。
作为另一种可选的实施方式，在本发明实施例第一方面中，所述分别计算出所述头部信号选取框与所述胸腔信号选取框内的第一视频所有帧信号值与第二视频所有帧信号值，包括：
对所述第一帧中的所述头部信号选取框内的每一像素点进行聚类计算，以获得最高分类像素点；其中，所述最高分类像素点为皮肤像素点；
获取所述头部信号选取框内由所述皮肤像素点与非所述皮肤像素点以虚拟变量构成的有效信号掩模矩阵；
将每一视频帧中的所述头部信号选取框内的每一像素点进行像素信号取值后与颜色选取向量C点乘计算以获得信号矩阵；
将所述信号矩阵与所述有效信号掩模矩阵进行点乘并取平均值计算以获得所述第一视频所有帧信号值；
以及，将所述胸腔信号选取框进行区域等分以获得N个胸腔信号选取子框；
获取所述N个胸腔信号选取子框内由各像素点构成的像素矩阵；
对所述每一视频帧中的所述N个胸腔信号选取子框内的每一像素点进行像素相加计算以获得子框信号矩阵；
将所述每一视频帧内的所述子框信号矩阵减去所述第一帧内的所述子框信号矩阵以获得变化矩阵；
对所述变化矩阵内的所有元素取绝对值之后进行平均值计算以获得所述第二视频所有帧信号值。
作为另一种可选的实施方式，在本发明实施例第一方面中，所述计算出所述第一N维信息序列与所述第二N维信息序列对应的第一振幅频率与第二振幅频率以确定出心率信噪比与呼吸率信噪比，包括：
分别对所述第一N维信息序列与所述第二N维信息序列进行信号分析计算以获得第一频域分布与第二频域分布；其中，所述信号分析至少包括EMD经验模态分解或傅里叶转换；
分别对所述第一频域分布与所述第二频域分布进行带通滤波计算以获得所述第一振幅频率与所述第二振幅频率；
将所述第一振幅频率中的第一指定数量次高频率振幅均值作为心率噪音信号强度以计算出所述心率信噪比；
将所述第二振幅频率中的第二指定数量次高频率振幅均值作为呼吸率噪音信号强度以计算出所述呼吸率信噪比。
作为另一种可选的实施方式，在本发明实施例第一方面中，所述确定出有效心率测量值与有效呼吸率测量值，包括：
若所述心率信噪比大于所述第一指定阈值，将所述第一振幅频率中的最大振幅频率作为所述有效心率测量值；
以及，若所述呼吸率信噪比大于所述第二指定阈值，将所述第二振幅频率中的最大振幅频率作为子框有效呼吸率测量值；
在依次将每一子框有效呼吸率测量值由小到大进行排序后，对中间第三指定数量的数据取平均值计算以获得所述有效呼吸率测量值。
作为另一种可选的实施方式，在本发明实施例第一方面中，在所述获取所述某一指定时间段视频中的头部信号选取框与胸腔信号选取框之前，所述方法还包括：
检测所述某一指定时间段视频中的第一帧与最后一帧的各像素绝对差值的平均值是否大于第一指定阈值；若否，确定出人体当前处于静止状态。
作为另一种可选的实施方式，在本发明实施例第一方面中，所述获取所述某一指定时间段视频中的头部信号选取框与胸腔信号选取框，包括：
获取所述第一帧的人体数据信息；其中，所述人体数据信息内至少包括人体关键点坐标信息与人体关键点置信分数；
根据所述人体关键点置信分数，检测眼部置信分数是否大于第二指定阈值，若是，确定出人脸位置以获得所述头部信号选取框；
根据所述人体关键点坐标信息，获取人体肩部关键点坐标信息以确定出所述胸腔信号选取框。
本发明实施例第二方面公开一种看护设备，所述看护设备包括：
获取单元，用于根据摄像设备实景角度采集的某一指定时间段视频，获取所述某一指定时间段视频中的头部信号选取框与胸腔信号选取框；
第一计算单元，用于分别计算出所述头部信号选取框与所述胸腔信号选取框内的第一视频所有帧信号值与第二视频所有帧信号值；
排序单元，用于依次将所述第一视频所有帧信号值与所述第二视频所有帧信号值由小到大进行排序以获得第一N维信息序列与第二N维信息序列；
第二计算单元，用于计算出所述第一N维信息序列与所述第二N维信息序列对应的第一振幅频率与第二振幅频率以确定出心率信噪比与呼吸率信噪比；
第一检测单元，用于分别检测所述心率信噪比与所述呼吸率信噪比是否大于第一指定阈值与第二指定阈值；
第一确定单元，用于在所述第一检测单元分别检测出所述心率信噪比与所述呼吸率信噪比大于第一指定阈值与第二指定阈值时，确定出有效心率测量值与有效呼吸率测量值。
作为一种可选的实施方式，在本发明实施例第二方面中，所述第一计算单元包括：
第一计算子单元，用于对所述第一帧中的所述头部信号选取框内的每一像素点进行聚类计算，以获得最高分类像素点；其中，所述最高分类像素点为皮肤像素点；
第一获取子单元，用于获取所述头部信号选取框内由所述皮肤像素点与非所述皮肤像素点以虚拟变量构成的有效信号掩模矩阵；
第二计算子单元，用于将每一视频帧中的所述头部信号选取框内的每一像素点进行像素信号取值后与颜色选取向量C点乘计算以获得信号矩阵；
第三计算子单元，用于将所述信号矩阵与所述有效信号掩模矩阵进行点乘并取平均值计算以获得所述第一视频所有帧信号值；
以及，等分单元，用于将所述胸腔信号选取框进行区域等分以获得N个胸腔信号选取子框；
所述第一获取子单元，还用于获取所述N个胸腔信号选取子框内由各像素点构成的像素矩阵；
所述第二计算子单元，还用于对所述每一视频帧中的所述N个胸腔信号选取子框内的每一像素点进行像素相加计算以获得子框信号矩阵；
所述第二计算子单元，还用于将所述每一视频帧内的所述子框信号矩阵减去所述第一帧内的所述子框信号矩阵以获得变化矩阵；
所述第三计算子单元，还用于对所述变化矩阵内的所有元素取绝对值之后进行平均值计算以获得所述第二视频所有帧信号值。
本发明实施例第三方面公开一种看护设备，所述看护设备包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面公开的一种智能检测人体生理指标的方法。
本发明实施例第四方面公开一种计算机可读存储介质，其存储计算机程序，其中，所述计算机程序使得计算机执行本发明实施例第一方面公开的一种智能检测人体生理指标的方法。
本发明实施例第五方面公开一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行第一方面的任意一种智能检测人体生理指标的方法的部分或全部步骤。
本发明实施例第六方面公开一种应用发布平台，所述应用发布平台用于发布计算机程序产品，其中，当所述计算机程序产品在计算机上运行时，使得所述计算机执行第一方面的任意一种智能检测人体生理指标的方法的部分或全部步骤。
与现有技术相比，本发明实施例具有以下有益效果：
本发明实施例中，在看护设备根据摄像设备实景角度采集的某一指定时间段视频以获取所述某一指定时间段视频中的头部信号选取框与胸腔信号选取框之后，看护设备可分别计算出所述头部信号选取框与所述胸腔信号选取框内的第一视频所有帧信号值与第二视频所有帧信号值，并依次将所述第一视频所有帧信号值与所述第二视频所有帧信号值由小到大进行排序以获得第一N维信息序列与第二N维信息序列，随后计算出所述第一N维信息序列与所述第二N维信息序列对应的第一振幅频率与第二振幅频率以确定出心率信噪比与呼吸率信噪比，在检测出所述心率信噪比与所述呼吸率信噪比分别大于第一指定阈值与第二指定阈值时，看护设备可确定出有效心率测量值与有效呼吸率测量值。可见，本发明实施例，能够即时检测场景中人体的生理指标(心率和呼吸率)，以达到对场景中基本静止的人体健康状况的安全监测。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种智能检测人体生理指标的方法的流程示意图；
图2是本发明实施例公开的另一种智能检测人体生理指标的方法的流程示意图；
图3是本发明实施例公开的一种看护设备的结构示意图；
图4是本发明实施例公开的另一种看护设备的结构示意图；
图5是本发明实施例公开的另一种看护设备的结构示意图。
具体实施方式
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、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象，而不是用于描述特定顺序。本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例公开了一种智能检测人体生理指标的方法及看护设备，能够有效的提高看护设备的识别判断准确率的同时排除大部分背景场景中的误判。以下结合附图进行详细描述。
实施例一
请参阅图1，图1是本发明实施例公开的一种智能检测人体生理指标的方法的流程示意图。如图1所示，该智能检测人体生理指标的方法可以包括以下步骤。
101、看护设备根据摄像设备实景角度采集的某一指定时间段视频，获取上述某一指定时间段视频中的头部信号选取框与胸腔信号选取框。
本发明实施例中，看护设备可以是供老人、幼儿、学生、社会人群以及家庭使用的穿戴手表、平板电脑、手机、家庭看护仪或监控看护设备等电子设备，本发明实施例中不做限定。
本发明实施例中，在看护设备采集到的某一指定时间段视频后，可通过对比第一帧与最后一帧的各像素绝对差值的平均值是否大于指定阈值，若是，看护设备可以判断出人体在该某一指定时间段视频内处于非静止状态，因而可无需执行步骤101的操作，若否，看护设备可以判断出人体在该某一指定时间段视频内处于静止状态，即可执行步骤101。
作为一种可选的实施方式，看护设备可设定一定的时间间隔进行拍摄，并对在该时间间隔内以实景角度采集拍摄的视频帧进行人体识别，若出现看护设备对在连续时间间隔内拍摄的视频帧皆识别不到人体时，看护设备可暂不执行101步骤，直至看护设备对在连续时间间隔内拍摄的视频帧识别到人体时，看护设备可再执行101步骤；
以及，若出现看护设备对在连续时间间隔内拍摄的视频帧识别不到人体的概率高于指定阈值时，看护设备可暂不执行101步骤，直至看护设备对在连续时间间隔内拍摄的视频帧识别到人体的概率高于指定阈值时，看护设备可再执行101步骤。
102、看护设备分别计算出头部信号选取框与胸腔信号选取框内的第一视频所有帧信号值与第二视频所有帧信号值。
在本实施例中，看护设备可通过Pose软件(Openpose，Posenet)等人体模型建模软件从上述某一指定时间段视频中获取第一帧内人体的存在，并同时获取人体N个人体关键点坐标信息(包括头部各器官，肩部、胯部、四肢等)和各关键点的置信分数；
以及，当眼睛置信分数大于设定阈值ScoreEye时，认为图像中脸部为正脸或侧脸，看护设备可开始测量心率，若否眼睛置信分数小于设定阈值ScoreEye，则不可测量；
以及，在确定图像中脸部位置后，即可以头部各器官坐标的矩形包围框为基础，长宽按预设比例P扩大，成为头部信号选取框(ROI)；
以及，第一帧内每个像素点的RGB三个数值可构成该头部信号选取框(ROI)的色度空间坐标，看护设备可对该头部信号选取框(ROI)内的所有像素点坐标做K-Means做三分类聚类计算，并可将归类于最多分类的像素点组合即视为皮肤点；该头部信号选取框(ROI)区域各像素点可构成X*Y矩阵，其中，X与Y可分别为矩阵像素长和像素宽，并可设定该头部信号选取框(ROI)中皮肤点的对应坐标的值为虚拟变量1，非皮肤点对应坐标的值为虚拟变量0，由此得到有效信号掩模矩阵RXY，即X*Y维矩阵；根据经验可设定颜色选取向量为C＝(AR，AG，AB)，其可作为三原色信号贡献度预设值；对每个像素点的像素值(R，G，B)做像素信号取值计算，可得：S＝(R，G，B)﹒CT，由此得到该帧信号矩阵GK1；对该帧信号矩阵GK与有效信号掩模矩阵点乘后对所有元素取平均后可得第一视频所有帧信号值，PK1＝mean(GK1﹒RXY)，其中，k＝1，…，N为帧的序号，N为总帧数；
以及，通过人体N个人体关键点坐标信息(即两肩及头部的关键点坐标信息)继而确定胸腔矩形区域，并作为胸腔信号选取框(ROI)；
以及，将该胸腔信号选取框纵横分别均分NX，NY等分，得到N＝NX*NY个胸腔信号选取矩形框；对均分后的每个胸腔信号选取矩形子框，设胸腔信号选取子框区域各像素点构成X*Y矩阵，X与Y分别为矩阵像素长和像素宽；相加每一视频帧中每一胸腔信号选取矩形子框内的每个像素点的三色像素值(R，G，B)作为信号值：S＝sum(R，G，B)，由此得到该子框信号矩阵GK2；将每一视频帧中的子框信号矩阵减去第一帧子子框信号矩阵，得到变化矩阵FK：即＝GK2–G1；对该变化矩阵内的所内的有元素取绝对值之后进行平均值计算，得到第二视频所有帧信号值：即PK2＝＝mean(abs(FK))。
103、看护设备依次将第一视频所有帧信号值与第二视频所有帧信号值由小到大进行排序以获得第一N维信息序列与第二N维信息序列。
104、看护设备计算出第一N维信息序列与第二N维信息序列对应的第一振幅频率与第二振幅频率以确定出心率信噪比与呼吸率信噪比。
105、看护设备分别检测心率信噪比与呼吸率信噪比是否大于第一指定阈值与第二指定阈值，若是，执行步骤106，若否，结束本次流程。
106、看护设备确定出有效心率测量值与有效呼吸率测量值。
在本实施例中，分别对第一N维信息序列与第二N维信息序列做EMD经验模态分解或傅里叶转换，得到频域分布，再做带通滤波，即可得到振幅频率；
以及，第一N维信息序列对应的指定数量(例如3个)次高频率振幅均值作为噪音信号强度，即可通过信噪比公式计算出心率信噪比(其中，S＝1/2*A^2)，当心率信噪比大于预设阈值时，第一N维信息序列对应的最大振幅频率为有效心率测量值；
以及，第二N维信息序列对应的指定数量(例如3个)次高频率振幅均值作为噪音信号强度，即可通过信噪比公式计算出呼吸率信噪比(其中，S＝1/2*A^2)，当呼吸率信噪比大于预设阈值时，第二N维信息序列对应的最大振幅频率为子框有效呼吸率测量值，依次将每一子框有效呼吸率测量值由小到大进行排序，取中间m个数据(例如3个)取平均，即为有效呼吸率测量值。
在图1所示的智能检测人体生理指标的方法中，以看护设备作为执行主体为例进行描述。需要说明的是，图1所示的智能检测人体生理指标的方法的执行主体还可以是与看护设备相关联的独立设备，本发明实施例不作限定。
可见，实施图1所描述的智能检测人体生理指标的方法，能够即时检测场景中人体的生理指标(心率和呼吸率)，以达到对场景中基本静止的人体健康状况的安全监测。
此外，实施图1所描述的智能检测人体生理指标的方法，能够在降低看护设备数据处理量的同时有效的提高人体心率和呼吸率的测量准确率。
实施例二
请参阅图2，图2是本发明实施例公开的另一种智能检测人体生理指标的方法的流程示意图。如图2所示，该智能检测人体生理指标的方法可以包括以下步骤：
201、看护设备检测某一指定时间段视频中的第一帧与最后一帧的各像素绝对差值的平均值是否大于第一指定阈值，若否，执行步骤202～步骤204或，若是，结束本次流程。
202、看护设备确定出人体当前处于静止状态。
在本实施例中，本发明通过将某一指定时间段视频中的第一帧与最后一帧进行各像素绝对差值的平均值对比，进而确定出人体当前的静止或移动状态，可在降低看护设备数据处理量的同时保证识别人体当前状态的准确率，以适配用于嵌入式设备应用中。
203、看护设备获取第一帧的人体数据信息；其中，人体数据信息内至少包括人体关键点坐标信息与人体关键点置信分数。
在本实施例中，在看护设备对需要识别的视频帧进行人体数据信息获取后，看护设备可通过Pose软件(Openpose，Posenet)等人体模型建模软件从该视频帧图像中获取N个人体关键点坐标信息与人体关键点置信分数。
204、根据人体关键点置信分数，看护设备检测眼部置信分数是否大于第二指定阈值，若是，执行步骤205～步骤209、步骤216～219以及步骤221，若否，结束本次流程。
205、看护设备确定出人脸位置以获得头部信号选取框。
在本实施例中，当眼睛置信分数大于设定阈值ScoreEye时，认为图像中脸部为正脸或侧脸，看护设备可开始测量心率，若否眼睛置信分数小于设定阈值ScoreEye，则不可测量；
以及，在确定图像中脸部位置后，即可以头部各器官坐标的矩形包围框为基础，长宽按预设比例P扩大，成为头部信号选取框(ROI)。
206、看护设备对第一帧中的头部信号选取框内的每一像素点进行聚类计算，以获得最高分类像素点；其中，最高分类像素点为皮肤像素点。
207、看护设备获取头部信号选取框内由皮肤像素点与非皮肤像素点以虚拟变量构成的有效信号掩模矩阵。
208、看护设备将每一视频帧中的头部信号选取框内的每一像素点进行像素信号取值后与颜色选取向量C点乘计算以获得信号矩阵。
在本实施例中，颜色选取向量C＝(AR，AG，AB)，其可作为三原色信号贡献度预设值，而其预设值可为根据经验以及多次试验设置的一个最理想效果值，而在本实施例中，可设C＝(0，1，0)或C＝(0.5，1，-0.5)，即设定为纯绿色。
209、看护设备将信号矩阵与有效信号掩模矩阵进行点乘并取平均值计算以获得第一视频所有帧信号值。
在本实施例中，第一帧内每个像素点的RGB三个数值可构成该头部信号选取框(ROI)的色度空间坐标，看护设备可对该头部信号选取框(ROI)内的所有像素点坐标做K-Means做三分类聚类计算，并可将归类于最多分类的像素点组合即视为皮肤点；该头部信号选取框(ROI)区域各像素点可构成X*Y矩阵，其中，X与Y可分别为矩阵像素长和像素宽，并可设定该头部信号选取框(ROI)中皮肤点的对应坐标的值为虚拟变量1，非皮肤点对应坐标的值为虚拟变量0，由此得到有效信号掩模矩阵RXY，即X*Y维矩阵；根据经验可设定颜色选取向量为C＝(AR，AG，AB)，其可作为三原色信号贡献度预设值；对每个像素点的像素值(R，G，B)做像素信号取值计算，可得：S＝(R，G，B)﹒CT，由此得到该帧信号矩阵GK1；对该帧信号矩阵GK与有效信号掩模矩阵点乘后对所有元素取平均后可得第一视频所有帧信号值，PK1＝mean(GK1﹒RXY)；其中，k＝1，…，N为帧的序号，N为总帧数。
210、根据人体关键点坐标信息，看护设备获取人体肩部关键点坐标信息以确定出胸腔信号选取框。
211、看护设备将胸腔信号选取框进行区域等分以获得N个胸腔信号选取子框。
212、看护设备获取N个胸腔信号选取子框内由各像素点构成的像素矩阵。
213、看护设备对每一视频帧中的N个胸腔信号选取子框内的每一像素点进行像素相加计算以获得子框信号矩阵。
214、看护设备将每一视频帧内的子框信号矩阵减去第一帧内的子框信号矩阵以获得变化矩阵。
215、看护设备对变化矩阵内的所有元素取绝对值之后进行平均值计算以获得第二视频所有帧信号值。
在本实施例中，看护设备可通过人体N个人体关键点坐标信息(即两肩及头部的关键点坐标信息)继而确定胸腔矩形区域，并作为胸腔信号选取框(ROI)；
以及，将该胸腔信号选取框纵横分别均分NX，NY等分，得到N＝NX*NY个胸腔信号选取矩形框；对均分后的每个胸腔信号选取矩形子框，设胸腔信号选取子框区域各像素点构成X*Y矩阵，X与Y分别为矩阵像素长和像素宽；相加每一视频帧中每一胸腔信号选取矩形子框内的每个像素点的三色像素值(R，G，B)作为信号值：S＝sum(R，G，B)，由此得到该子框信号矩阵GK2；将每一视频帧中的子框信号矩阵减去第一帧子子框信号矩阵，得到变化矩阵FK：即＝GK2–G1；对该变化矩阵内的所内的有元素取绝对值之后进行平均值计算，得到第二视频所有帧信号值：即PK2＝＝mean(abs(FK))。
216、看护设备依次将第一视频所有帧信号值与第二视频所有帧信号值由小到大进行排序以获得第一N维信息序列与第二N维信息序列。
217、看护设备分别对第一N维信息序列与第二N维信息序列进行信号分析计算以获得第一频域分布与第二频域分布；其中，信号分析至少包括EMD经验模态分解或傅里叶转换。
218、看护设备分别对第一频域分布与第二频域分布进行带通滤波计算以获得第一振幅频率与第二振幅频率。
219、看护设备将第一振幅频率中的第一指定数量次高频率振幅均值作为心率噪音信号强度以计算出心率信噪比。
220、看护设备将第二振幅频率中的第二指定数量次高频率振幅均值作为呼吸率噪音信号强度以计算出呼吸率信噪比。
在本实施例中，一般时域信号转成频域信号后，最高振幅对应的频率即可为所需有效信号频率值A，而其余信号即可看作为噪音信号，而在本实施例中，可选取3个或指定数量的次振幅的均值比作为噪音信号N，即可由公式S＝1/2*A^2，信噪比SNR＝S/N，因而即可得到心率信噪比与呼吸率信噪比。
221、看护设备分别检测心率信噪比与呼吸率信噪比是否大于第一指定阈值与第二指定阈值，若是，执行步骤222～步骤224，若否，结束本次流程。
222、若心率信噪比大于第一指定阈值，看护设备将第一振幅频率中的最大振幅频率作为有效心率测量值，结束本次流程。
223、若呼吸率信噪比大于第二指定阈值，看护设备将第二振幅频率中的最大振幅频率作为子框有效呼吸率测量值。
224、在依次将每一子框有效呼吸率测量值由小到大进行排序后，看护设备对中间第三指定数量的数据取平均值计算以获得有效呼吸率测量值，结束本流程。
在本实施例中，分别对第一N维信息序列与第二N维信息序列做EMD经验模态分解或傅里叶转换，得到频域分布，再做带通滤波，即可得到振幅频率；
以及，第一N维信息序列对应的指定数量(例如3个)次高频率振幅均值作为噪音信号强度，即可通过信噪比公式计算出心率信噪比(其中，S＝1/2*A^2)，当心率信噪比大于预设阈值时，第一N维信息序列对应的最大振幅频率为有效心率测量值；
以及，第二N维信息序列对应的指定数量(例如3个)次高频率振幅均值作为噪音信号强度，即可通过信噪比公式计算出呼吸率信噪比(其中，S＝1/2*A^2)，当呼吸率信噪比大于预设阈值时，第二N维信息序列对应的最大振幅频率为子框有效呼吸率测量值，依次将每一子框有效呼吸率测量值由小到大进行排序，取中间m个数据(例如3个)取平均，即为有效呼吸率测量值。
作为一种可选的实施方式，在本发明实施例中，看护设备可把胸腔信号选取框纵横切成比如纵四等分，横四等分，以得到16个小矩形的胸腔信号选取子框，因而在16个框就可得到16个呼吸率，但由于16个矩形里，有些子框可能是没有呼吸信号或者杂波信号多，即可去掉几个最高分，去掉几个最低分，只取中间几个数值取平均，继而能更加精确的反映相对真实的呼吸率测量结果。
作为一种可选的实施方式，在本发明实施例中，本申请的看护设备是安装在室内具有一定的固定高度和角度的，所以人体在画面中不同位置，被识别到的大小不会低于一个阈值，低于该值的认为是误识别。
作为一种可选的实施方式，本发明实施例中，本申请中的看护设备，可即时判断在场景下处于基本静止姿态的人体生活规律与异常，比如躺在床上时，心率与呼吸率为非正常状态即视为异常；
以及，当看护设备检测到人体姿态异常信息时，即可发出相关提示信息，看护设备发出的提示信息包括：
向与看护设备相关联的移动设备发送显示信息提示；
和/或，看护设备发出的语音信息提示。
作为一种可选的实施方式，本发明实施例中，本申请仅于人体处于基本静止姿态下方执行相关心率与呼吸率的检测，可在降低看护设备数据处理量的同时有效的降低看护设备的功耗，以有效的提高看护设备的使用寿命。
可见，实施图2所描述的另一种智能检测人体生理指标的方法，能够即时检测场景中人体的生理指标(心率和呼吸率)，以达到对场景中基本静止的人体健康状况的安全监测。
此外，实施图2所描述的另一种智能检测人体生理指标的方法，能够有效的降低看护设备的功耗，以有效的提高看护设备的使用寿命。
此外，实施图2所描述的另一种智能检测人体生理指标的方法，能够在降低看护设备数据处理量的同时保证识别人体当前状态的准确率，以适配用于嵌入式设备应用中。
实施例三
请参阅图3，图3是本发明实施例公开的一种看护设备的结构示意图。如图3所示，该看护设备300可以包括获取单元301、第一计算单元302、排序单元303、第二计算单元304、第一检测单元305与第一确定单元306，其中：
获取单元301，用于根据摄像设备实景角度采集的某一指定时间段视频，获取某一指定时间段视频中的头部信号选取框与胸腔信号选取框。
第一计算单元302，用于分别计算出头部信号选取框与胸腔信号选取框内的第一视频所有帧信号值与第二视频所有帧信号值。
排序单元303，用于依次将第一视频所有帧信号值与第二视频所有帧信号值由小到大进行排序以获得第一N维信息序列与第二N维信息序列。
第二计算单元304，用于计算出第一N维信息序列与第二N维信息序列对应的第一振幅频率与第二振幅频率以确定出心率信噪比与呼吸率信噪比。
第一检测单元305，用于分别检测心率信噪比与呼吸率信噪比是否大于第一指定阈值与第二指定阈值。
第一确定单元306，用于在第一检测单元305分别检测出心率信噪比与呼吸率信噪比大于第一指定阈值与第二指定阈值时，确定出有效心率测量值与有效呼吸率测量值。
本发明实施例中，看护设备可以是供老人、幼儿、学生、社会人群以及家庭使用的穿戴手表、平板电脑、手机、家庭看护仪或监控看护设备等电子设备，本发明实施例中不做限定。
本发明实施例中，在摄像设备采集到的某一指定时间段视频后，看护设备可通过对比第一帧与最后一帧的各像素绝对差值的平均值是否大于指定阈值，若是，看护设备可以判断出人体在该某一指定时间段视频内处于非静止状态，因而获取单元301可无需执行获取某一指定时间段视频中的头部信号选取框与胸腔信号选取框的操作，若否，看护设备可以判断出人体在该某一指定时间段视频内处于静止状态，获取单元301即可执行获取某一指定时间段视频中的头部信号选取框与胸腔信号选取框的操作。
作为一种可选的实施方式，看护设备可设定一定的时间间隔进行拍摄，并对在该时间间隔内以实景角度采集拍摄的视频帧进行人体识别，若出现看护设备对在连续时间间隔内拍摄的视频帧皆识别不到人体时，获取单元301可暂不执行操作，直至看护设备对在连续时间间隔内拍摄的视频帧识别到人体时；
以及，若出现看护设备对在连续时间间隔内拍摄的视频帧识别不到人体的概率高于指定阈值时，获取单元301可暂不执行操作，直至看护设备对在连续时间间隔内拍摄的视频帧识别到人体的概率高于指定阈值时。
在本实施例中，看护设备可通过Pose软件(Openpose，Posenet)等人体模型建模软件从上述某一指定时间段视频中获取第一帧内人体的存在，并同时获取人体N个人体关键点坐标信息(包括头部各器官，肩部、胯部、四肢等)和各关键点的置信分数；
以及，当眼睛置信分数大于设定阈值ScoreEye时，认为图像中脸部为正脸或侧脸，看护设备可开始测量心率，若否眼睛置信分数小于设定阈值ScoreEye，则不可测量；
以及，在确定图像中脸部位置后，即可以头部各器官坐标的矩形包围框为基础，长宽按预设比例P扩大，成为头部信号选取框(ROI)；
以及，第一帧内每个像素点的RGB三个数值可构成该头部信号选取框(ROI)的色度空间坐标，第一计算单元302可对该头部信号选取框(ROI)内的所有像素点坐标做K-Means做三分类聚类计算，并可将归类于最多分类的像素点组合即视为皮肤点；该头部信号选取框(ROI)区域各像素点可构成X*Y矩阵，其中，X与Y可分别为矩阵像素长和像素宽，并可设定该头部信号选取框(ROI)中皮肤点的对应坐标的值为虚拟变量1，非皮肤点对应坐标的值为虚拟变量0，由此得到有效信号掩模矩阵RXY，即X*Y维矩阵；根据经验可设定颜色选取向量为C＝(AR，AG，AB)，其可作为三原色信号贡献度预设值；对每个像素点的像素值(R，G，B)做像素信号取值计算，可得：S＝(R，G，B)﹒CT，由此得到该帧信号矩阵GK1；对该帧信号矩阵GK与有效信号掩模矩阵点乘后对所有元素取平均后可得第一视频所有帧信号值，PK1＝mean(GK1﹒RXY)，其中，k＝1，…，N为帧的序号，N为总帧数；
以及，通过人体N个人体关键点坐标信息(即两肩及头部的关键点坐标信息)继而确定胸腔矩形区域，并作为胸腔信号选取框(ROI)；
以及，将该胸腔信号选取框纵横分别均分NX，NY等分，得到N＝NX*NY个胸腔信号选取矩形框；对均分后的每个胸腔信号选取矩形子框，设胸腔信号选取子框区域各像素点构成X*Y矩阵，X与Y分别为矩阵像素长和像素宽；相加每一视频帧中每一胸腔信号选取矩形子框内的每个像素点的三色像素值(R，G，B)作为信号值：S＝sum(R，G，B)，由此得到该子框信号矩阵GK2；将每一视频帧中的子框信号矩阵减去第一帧子子框信号矩阵，得到变化矩阵FK：即＝GK2–G1；对该变化矩阵内的所内的有元素取绝对值之后进行平均值计算，得到第二视频所有帧信号值：即PK2＝＝mean(abs(FK))。
在本实施例中，第二计算单元304可分别对第一N维信息序列与第二N维信息序列做EMD经验模态分解或傅里叶转换，得到频域分布，再做带通滤波，即可得到振幅频率；
以及，第一N维信息序列对应的指定数量(例如3个)次高频率振幅均值作为噪音信号强度，即可通过信噪比公式计算出心率信噪比(其中，S＝1/2*A^2)，当心率信噪比大于预设阈值时，第一N维信息序列对应的最大振幅频率为有效心率测量值；
以及，第二N维信息序列对应的指定数量(例如3个)次高频率振幅均值作为噪音信号强度，即可通过信噪比公式计算出呼吸率信噪比(其中，S＝1/2*A^2)，当呼吸率信噪比大于预设阈值时，第二N维信息序列对应的最大振幅频率为子框有效呼吸率测量值，依次将每一子框有效呼吸率测量值由小到大进行排序，取中间m个数据(例如3个)取平均，即为有效呼吸率测量值。
实施例四
请参阅图4，图4是本发明实施例公开的另一种看护设备的结构示意图。其中，图4所示的看护设备是由图3所示的看护设备进行优化得到的。与图3所示的看护设备相比较，图4所示的第一计算单元302还可以包括：
第一计算子单元3021，用于对第一帧中的头部信号选取框内的每一像素点进行聚类计算，以获得最高分类像素点；其中，最高分类像素点为皮肤像素点。
第一获取子单元3022，用于获取头部信号选取框内由皮肤像素点与非皮肤像素点以虚拟变量构成的有效信号掩模矩阵。
第二计算子单元3023，用于将每一视频帧中的头部信号选取框内的每一像素点进行像素信号取值后与颜色选取向量C点乘计算以获得信号矩阵。
在本实施例中，颜色选取向量C＝(AR，AG，AB)，其可作为三原色信号贡献度预设值，而其预设值可为根据经验以及多次试验设置的一个最理想效果值，而在本实施例中，可设C＝(0，1，0)或C＝(0.5，1，-0.5)，即设定为纯绿色。
第三计算子单元3024，用于将信号矩阵与有效信号掩模矩阵进行点乘并取平均值计算以获得第一视频所有帧信号值。
在本实施例中，第一帧内每个像素点的RGB三个数值可构成该头部信号选取框(ROI)的色度空间坐标，第一计算子单元3021可对该头部信号选取框(ROI)内的所有像素点坐标做K-Means做三分类聚类计算，并可将归类于最多分类的像素点组合即视为皮肤点；该头部信号选取框(ROI)区域各像素点可构成X*Y矩阵，其中，X与Y可分别为矩阵像素长和像素宽，第一获取子单元3022并可设定该头部信号选取框(ROI)中皮肤点的对应坐标的值为虚拟变量1，非皮肤点对应坐标的值为虚拟变量0，由此得到有效信号掩模矩阵RXY，即X*Y维矩阵；根据经验可设定颜色选取向量为C＝(AR，AG，AB)，其可作为三原色信号贡献度预设值；第二计算子单元3023可对每个像素点的像素值(R，G，B)做像素信号取值计算，可得：S＝(R，G，B)﹒CT，由此得到该帧信号矩阵GK1；第三计算子单元3024可对该帧信号矩阵GK与有效信号掩模矩阵点乘后对所有元素取平均后可得第一视频所有帧信号值，PK1＝mean(GK1﹒RXY)；其中，k＝1，…，N为帧的序号，N为总帧数。
等分子单元3025，用于将胸腔信号选取框进行区域等分以获得N个胸腔信号选取子框。
相应地，第一获取子单元3022还用于获取N个胸腔信号选取子框内由各像素点构成的像素矩阵。
相应地，第二计算子单元3023还用于对每一视频帧中的N个胸腔信号选取子框内的每一像素点进行像素相加计算以获得子框信号矩阵。
相应地，第二计算子单元3023还用于将每一视频帧内的子框信号矩阵减去第一帧内的子框信号矩阵以获得变化矩阵。
相应地，第三计算子单元3024还用于对变化矩阵内的所有元素取绝对值之后进行平均值计算以获得第二视频所有帧信号值。
在本实施例中，看护设备可通过人体N个人体关键点坐标信息(即两肩及头部的关键点坐标信息)继而确定胸腔矩形区域，并作为胸腔信号选取框(ROI)；
以及，在等分子单元3025将该胸腔信号选取框纵横分别均分NX，NY等分后，即可得到N＝NX*NY个胸腔信号选取矩形框；第一获取子单元3022可对均分后的每个胸腔信号选取矩形子框，设胸腔信号选取子框区域各像素点构成X*Y矩阵，X与Y分别为矩阵像素长和像素宽；第二计算子单元3023可相加每一视频帧中每一胸腔信号选取矩形子框内的每个像素点的三色像素值(R，G，B)作为信号值：S＝sum(R，G，B)，由此得到该子框信号矩阵GK2；第二计算子单元3023可将每一视频帧中的子框信号矩阵减去第一帧子框信号矩阵，得到变化矩阵FK：即＝GK2–G1；第三计算子单元3024可对该变化矩阵内的所内的有元素取绝对值之后进行平均值计算，得到第二视频所有帧信号值：即PK2＝＝mean(abs(FK))。
作为一种可选的实施方式，图4所示的第二计算单元304包括：
第四计算子单元3041，用于分别对第一N维信息序列与第二N维信息序列进行信号分析计算以获得第一频域分布与第二频域分布；其中，信号分析至少包括EMD经验模态分解或傅里叶转换。
相应地，第四计算子单元3041还用于分别对第一频域分布与第二频域分布进行带通滤波计算以获得第一振幅频率与第二振幅频率。
第五计算子单元3042，用于将第一振幅频率中的第一指定数量次高频率振幅均值作为心率噪音信号强度以计算出心率信噪比。
相应地，第五计算子单元3042还用于将第二振幅频率中的第二指定数量次高频率振幅均值作为呼吸率噪音信号强度以计算出呼吸率信噪比。
在本实施例中，一般时域信号转成频域信号后，最高振幅对应的频率即可为所需有效信号频率值A，而其余信号即可看作为噪音信号，而在本实施例中，可选取3个或指定数量的次振幅的均值比作为噪音信号N，即可由公式S＝1/2*A^2，信噪比SNR＝S/N，因而即可得到心率信噪比与呼吸率信噪比。
作为一种可选的实施方式，图4所示的第一确定单元306包括：
第一确定子单元3061，用于在第一检测单元305检测出心率信噪比大于第一指定阈值时，将第一振幅频率中的最大振幅频率作为有效心率测量值。
相应地，第一确定子单元3061，还用于在第一检测单元305检测出呼吸率信噪比大于第二指定阈值时，将第二振幅频率中的最大振幅频率作为子框有效呼吸率测量值。
第六计算子单元3062，还用于在依次将每一子框有效呼吸率测量值由小到大进行排序后，对中间第三指定数量的数据取平均值计算以获得有效呼吸率测量值。
在本实施例中，第四计算子单元3041可分别对第一N维信息序列与第二N维信息序列做EMD经验模态分解或傅里叶转换，得到频域分布，再做带通滤波，即可得到振幅频率；
以及，第一N维信息序列对应的指定数量(例如3个)次高频率振幅均值作为噪音信号强度，第五计算子单元3042即可通过信噪比公式计算出心率信噪比(其中，S＝1/2*A^2)，当心率信噪比大于预设阈值时，第一确定子单元3061可将第一N维信息序列对应的最大振幅频率为有效心率测量值；
以及，第二N维信息序列对应的指定数量(例如3个)次高频率振幅均值作为噪音信号强度，第五计算子单元3042即可通过信噪比公式计算出呼吸率信噪比(其中，S＝1/2*A^2)，当呼吸率信噪比大于预设阈值时，第一确定子单元3061可将第二N维信息序列对应的最大振幅频率作为子框有效呼吸率测量值，依次将每一子框有效呼吸率测量值由小到大进行排序，取中间m个数据(例如3个)取平均，即为有效呼吸率测量值。
作为一种可选的实施方式，在本发明实施例中，等分子单元3025可把胸腔信号选取框纵横切成比如纵四等分，横四等分，以得到16个小矩形的胸腔信号选取子框，因而在16个框就可得到16个呼吸率，但由于16个矩形里，有些子框可能是没有呼吸信号或者杂波信号多，即可去掉几个最高分，去掉几个最低分，只取中间几个数值取平均，继而能更加精确的反映相对真实的呼吸率测量结果。
作为一种可选的实施方式，在本发明实施例中，本申请的看护设备是安装在室内具有一定的固定高度和角度的，所以人体在画面中不同位置，被识别到的大小不会低于一个阈值，低于该值的认为是误识别。
作为一种可选的实施方式，本发明实施例中，本申请中的看护设备，可即时判断在场景下处于基本静止姿态的人体生活规律与异常，比如躺在床上时，心率与呼吸率为非正常状态即视为异常；
以及，当看护设备检测到人体姿态异常信息时，即可发出相关提示信息，看护设备发出的提示信息包括：
向与看护设备相关联的移动设备发送显示信息提示；
和/或，看护设备发出的语音信息提示。
作为一种可选的实施方式，本发明实施例中，本申请仅于人体处于基本静止姿态下方执行相关心率与呼吸率的检测，可在降低看护设备数据处理量的同时有效的降低看护设备的功耗，以有效的提高看护设备的使用寿命。
作为一种可选的实施方式，图4所示的看护设备还包括：
第二检测单元307，用于在获取单元301获取某一指定时间段视频中的头部信号选取框与胸腔信号选取框之前，检测某一指定时间段视频中的第一帧与最后一帧的各像素绝对差值的平均值是否大于第一指定阈值。
第二确定单元308，用于在第二检测单元307检测出某一指定时间段视频中的第一帧与最后一帧的各像素绝对差值的平均值未大于第一指定阈值时，确定出人体当前处于静止状态。
在本实施例中，本发明通过将某一指定时间段视频中的第一帧与最后一帧进行各像素绝对差值的平均值对比，进而确定出人体当前的静止或移动状态，可在降低看护设备数据处理量的同时保证识别人体当前状态的准确率，以适配用于嵌入式设备应用中。
作为一种可选的实施方式，图4所示的获取单元301包括：
第二获取子单元3011，用于获取第一帧的人体数据信息；其中，人体数据信息内至少包括人体关键点坐标信息与人体关键点置信分数。
在本实施例中，在看护设备对需要识别的视频帧进行人体数据信息获取后，看护设备可通过Pose软件(Openpose，Posenet)等人体模型建模软件从该视频帧图像中获取N个人体关键点坐标信息与人体关键点置信分数。
检测子单元3012，用于根据人体关键点置信分数，检测眼部置信分数是否大于第二指定阈值。
第二确定子单元3013，用于在检测子单元3012检测出眼部置信分数大于第二指定阈值时，确定出人脸位置以获得头部信号选取框。
在本实施例中，当眼睛置信分数大于设定阈值ScoreEye时，认为图像中脸部为正脸或侧脸，检测子单元3012可开始测量心率，若否眼睛置信分数小于设定阈值ScoreEye，则不可测量；
以及，在确定图像中脸部位置后，即可以头部各器官坐标的矩形包围框为基础，长宽按预设比例P扩大，成为头部信号选取框(ROI)。
第三获取子单元3014，用于根据人体关键点坐标信息，获取人体肩部关键点坐标信息以确定出胸腔信号选取框。
实施例五
请参阅图5，图5是本发明实施例公开的另一种看护设备的结构示意图。如图5所示，该看护设备可以包括：
存储有可执行程序代码的存储器501；
与存储器501耦合的处理器502；
其中，处理器502调用存储器501中存储的可执行程序代码，执行图1～图4任意一种智能检测人体生理指标的方法。
本发明实施例公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序使得计算机执行图1～图2任意一种智能检测人体生理指标的方法。
本发明实施例还公开一种计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行如以上各方法实施例中的方法的部分或全部步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一种计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本发明实施例公开的一种智能检测人体生理指标的方法及看护设备进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种智能检测人体生理指标的方法，其特征在于，包括：
根据摄像设备实景角度采集的某一指定时间段视频，获取所述某一指定时间段视频中的头部信号选取框与胸腔信号选取框；
分别计算出所述头部信号选取框与所述胸腔信号选取框内的第一视频所有帧信号值与第二视频所有帧信号值；
依次将所述第一视频所有帧信号值与所述第二视频所有帧信号值由小到大进行排序以获得第一N维信息序列与第二N维信息序列；
计算出所述第一N维信息序列与所述第二N维信息序列对应的第一振幅频率与第二振幅频率以确定出心率信噪比与呼吸率信噪比；
分别检测所述心率信噪比与所述呼吸率信噪比是否大于第一指定阈值与第二指定阈值；若是，确定出有效心率测量值与有效呼吸率测量值。
2.根据权利要求1所述的方法，其特征在于，所述分别计算出所述头部信号选取框与所述胸腔信号选取框内的第一视频所有帧信号值与第二视频所有帧信号值，包括：
对所述第一帧中的所述头部信号选取框内的每一像素点进行聚类计算，以获得最高分类像素点；其中，所述最高分类像素点为皮肤像素点；
获取所述头部信号选取框内由所述皮肤像素点与非所述皮肤像素点以虚拟变量构成的有效信号掩模矩阵；
将每一视频帧中的所述头部信号选取框内的每一像素点进行像素信号取值后与颜色选取向量C点乘计算以获得信号矩阵；
将所述信号矩阵与所述有效信号掩模矩阵进行点乘并取平均值计算以获得所述第一视频所有帧信号值；
以及，将所述胸腔信号选取框进行区域等分以获得N个胸腔信号选取子框；
获取所述N个胸腔信号选取子框内由各像素点构成的像素矩阵；
对所述每一视频帧中的所述N个胸腔信号选取子框内的每一像素点进行像素相加计算以获得子框信号矩阵；
将所述每一视频帧内的所述子框信号矩阵减去所述第一帧内的所述子框信号矩阵以获得变化矩阵；
对所述变化矩阵内的所有元素取绝对值之后进行平均值计算以获得所述第二视频所有帧信号值。
3.根据权利要求2所述的方法，其特征在于，所述计算出所述第一N维信息序列与所述第二N维信息序列对应的第一振幅频率与第二振幅频率以确定出心率信噪比与呼吸率信噪比，包括：
分别对所述第一N维信息序列与所述第二N维信息序列进行信号分析计算以获得第一频域分布与第二频域分布；其中，所述信号分析至少包括EMD经验模态分解或傅里叶转换；
分别对所述第一频域分布与所述第二频域分布进行带通滤波计算以获得所述第一振幅频率与所述第二振幅频率；
将所述第一振幅频率中的第一指定数量次高频率振幅均值作为心率噪音信号强度以计算出所述心率信噪比；
将所述第二振幅频率中的第二指定数量次高频率振幅均值作为呼吸率噪音信号强度以计算出所述呼吸率信噪比。
4.根据权利要求3所述的方法，其特征在于，所述确定出有效心率测量值与有效呼吸率测量值，包括：
若所述心率信噪比大于所述第一指定阈值，将所述第一振幅频率中的最大振幅频率作为所述有效心率测量值；
以及，若所述呼吸率信噪比大于所述第二指定阈值，将所述第二振幅频率中的最大振幅频率作为子框有效呼吸率测量值；
在依次将每一子框有效呼吸率测量值由小到大进行排序后，对中间第三指定数量的数据取平均值计算以获得所述有效呼吸率测量值。
5.根据权利要求4所述的方法，其特征在于，在所述获取所述某一指定时间段视频中的头部信号选取框与胸腔信号选取框之前，所述方法还包括：
检测所述某一指定时间段视频中的第一帧与最后一帧的各像素绝对差值的平均值是否大于第一指定阈值；若否，确定出人体当前处于静止状态。
6.根据权利要求1～5任一项所述的方法，其特征在于，所述获取所述某一指定时间段视频中的头部信号选取框与胸腔信号选取框，包括：
获取所述第一帧的人体数据信息；其中，所述人体数据信息内至少包括人体关键点坐标信息与人体关键点置信分数；
根据所述人体关键点置信分数，检测眼部置信分数是否大于第二指定阈值，若是，确定出人脸位置以获得所述头部信号选取框；
根据所述人体关键点坐标信息，获取人体肩部关键点坐标信息以确定出所述胸腔信号选取框。
7.一种看护设备，其特征在于，所述看护设备包括：
获取单元，用于根据摄像设备实景角度采集的某一指定时间段视频，获取所述某一指定时间段视频中的头部信号选取框与胸腔信号选取框；
第一计算单元，用于分别计算出所述头部信号选取框与所述胸腔信号选取框内的第一视频所有帧信号值与第二视频所有帧信号值；
排序单元，用于依次将所述第一视频所有帧信号值与所述第二视频所有帧信号值由小到大进行排序以获得第一N维信息序列与第二N维信息序列；
第二计算单元，用于计算出所述第一N维信息序列与所述第二N维信息序列对应的第一振幅频率与第二振幅频率以确定出心率信噪比与呼吸率信噪比；
第一检测单元，用于分别检测所述心率信噪比与所述呼吸率信噪比是否大于第一指定阈值与第二指定阈值；
第一确定单元，用于在所述第一检测单元分别检测出所述心率信噪比与所述呼吸率信噪比大于第一指定阈值与第二指定阈值时，确定出有效心率测量值与有效呼吸率测量值。
8.根据权利要求7所述的看护设备，其特征在于，所述第一计算单元包括：
第一计算子单元，用于对所述第一帧中的所述头部信号选取框内的每一像素点进行聚类计算，以获得最高分类像素点；其中，所述最高分类像素点为皮肤像素点；
第一获取子单元，用于获取所述头部信号选取框内由所述皮肤像素点与非所述皮肤像素点以虚拟变量构成的有效信号掩模矩阵；
第二计算子单元，用于将每一视频帧中的所述头部信号选取框内的每一像素点进行像素信号取值后与颜色选取向量C点乘计算以获得信号矩阵；
第三计算子单元，用于将所述信号矩阵与所述有效信号掩模矩阵进行点乘并取平均值计算以获得所述第一视频所有帧信号值；
以及，等分单元，用于将所述胸腔信号选取框进行区域等分以获得N个胸腔信号选取子框；
所述第一获取子单元，还用于获取所述N个胸腔信号选取子框内由各像素点构成的像素矩阵；
所述第二计算子单元，还用于对所述每一视频帧中的所述N个胸腔信号选取子框内的每一像素点进行像素相加计算以获得子框信号矩阵；
所述第二计算子单元，还用于将所述每一视频帧内的所述子框信号矩阵减去所述第一帧内的所述子框信号矩阵以获得变化矩阵；
所述第三计算子单元，还用于对所述变化矩阵内的所有元素取绝对值之后进行平均值计算以获得所述第二视频所有帧信号值。
9.一种看护设备，其特征在于，所述看护设备包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行权利要求1-6任一项所述的智能检测人体生理指标的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，其中，所述计算机程序使得计算机执行权利要求1-6任一项所述的智能检测人体生理指标的方法。
CN202011242391.XA 2020-11-09 2020-11-09 一种智能检测人体生理指标的方法及看护设备 Pending CN112244796A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011242391.XA CN112244796A (zh) 2020-11-09 2020-11-09 一种智能检测人体生理指标的方法及看护设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011242391.XA CN112244796A (zh) 2020-11-09 2020-11-09 一种智能检测人体生理指标的方法及看护设备

Publications (1)

Publication Number Publication Date
CN112244796A true CN112244796A (zh) 2021-01-22

Family

ID=74266615

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011242391.XA Pending CN112244796A (zh) 2020-11-09 2020-11-09 一种智能检测人体生理指标的方法及看护设备

Country Status (1)

Country Link
CN (1) CN112244796A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114596535A (zh) * 2022-03-22 2022-06-07 天目爱视（北京）科技有限公司 一种无接触门铃来访处理方法及相关设备
CN115862115A (zh) * 2022-12-23 2023-03-28 宁波星巡智能科技有限公司 基于视觉的婴幼儿呼吸检测区域定位方法、装置及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103702014A (zh) * 2013-12-31 2014-04-02 中国科学院深圳先进技术研究院 非接触式生理参数检测方法、系统及装置
CN106236049A (zh) * 2016-10-12 2016-12-21 南京工程学院 基于视频图像的血压测量方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103702014A (zh) * 2013-12-31 2014-04-02 中国科学院深圳先进技术研究院 非接触式生理参数检测方法、系统及装置
CN106236049A (zh) * 2016-10-12 2016-12-21 南京工程学院 基于视频图像的血压测量方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114596535A (zh) * 2022-03-22 2022-06-07 天目爱视（北京）科技有限公司 一种无接触门铃来访处理方法及相关设备
CN114596535B (zh) * 2022-03-22 2023-02-03 天目爱视（北京）科技有限公司 一种无接触门铃来访处理方法及相关设备
CN115862115A (zh) * 2022-12-23 2023-03-28 宁波星巡智能科技有限公司 基于视觉的婴幼儿呼吸检测区域定位方法、装置及设备
CN115862115B (zh) * 2022-12-23 2023-08-04 宁波星巡智能科技有限公司 基于视觉的婴幼儿呼吸检测区域定位方法、装置及设备

Similar Documents

Publication Publication Date Title
CN106778695B (zh) 一种基于视频的多人快速心率检测方法
US9697599B2 (en) Determining a respiratory pattern from a video of a subject
EP3405105B1 (en) Method and apparatus for estimating heart rate
CN105266787B (zh) 一种非接触式心率检测方法及系统
JP6521845B2 (ja) 心拍に連動する周期的変動の計測装置及び計測方法
US11398049B2 (en) Object tracking device, object tracking method, and object tracking program
KR101738278B1 (ko) 영상을 이용한 감정 인식 방법
US20160228011A1 (en) Bio-information acquiring device and bio-information acquiring method
Feng et al. Motion artifacts suppression for remote imaging photoplethysmography
JP2004054376A (ja) グループ属性推定方法及びグループ属性推定装置
CN112244796A (zh) 一种智能检测人体生理指标的方法及看护设备
CN104902816B (zh) 呼吸数据的分析
US20210186346A1 (en) Information processing device, non-transitory computer-readable medium, and information processing method
CN110532999B (zh) 抽烟行为识别方法、装置及设备
WO2011016782A1 (en) Condition detection methods and condition detection devices
CN111248890A (zh) 一种基于面部视频的非接触式新生儿心率监测方法及系统
CN110200607A (zh) 基于光流法与lms算法消除生命体征检测中体动影响的方法
CN115100159A (zh) 一种呼吸状态检测方法、装置、设备和存储介质
CN110874572B (zh) 一种信息检测方法及装置、存储介质
KR102150635B1 (ko) 비전 기반 심박수 측정 방법
Andreotti et al. Improved heart rate detection for camera-based photoplethysmography by means of Kalman filtering
Mehta et al. CPulse: Heart rate estimation from RGB videos under realistic conditions
CN112716468A (zh) 基于三维卷积网络的非接触心率测量方法及装置
CN111860079B (zh) 活体图像检测方法、装置以及电子设备
CN115147769A (zh) 一种基于红外视频的生理参数鲁棒性检测方法

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