CN114271800A - 一种办公环境下的非侵扰式连续血压监测方法及应用 - Google Patents

一种办公环境下的非侵扰式连续血压监测方法及应用 Download PDF

Info

Publication number
CN114271800A
CN114271800A CN202111458893.0A CN202111458893A CN114271800A CN 114271800 A CN114271800 A CN 114271800A CN 202111458893 A CN202111458893 A CN 202111458893A CN 114271800 A CN114271800 A CN 114271800A
Authority
CN
China
Prior art keywords
pulse wave
blood pressure
facial
face
pulse
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111458893.0A
Other languages
English (en)
Other versions
CN114271800B (zh
Inventor
倪红波
何永岗
郭明哲
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202111458893.0A priority Critical patent/CN114271800B/zh
Priority claimed from CN202111458893.0A external-priority patent/CN114271800B/zh
Publication of CN114271800A publication Critical patent/CN114271800A/zh
Application granted granted Critical
Publication of CN114271800B publication Critical patent/CN114271800B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明涉及无袖连续血压测量方法,尤其涉及一种办公环境下的非侵扰式连续血压监测方法。包括:步骤1:在采集的视频帧中对人脸面部区域进行识别、追踪和面部皮肤检测,获取面部像素区域并进行网格化划分,得到多个面部像素子区域;步骤2:对面部像素子区域做色彩滤波,对滤波后的面部像素子区域进行脉冲波提取及面部脉搏波重建,实现面部成像式脉搏波提取;步骤3:采用指尖光电式脉搏波采集装置采集指尖脉搏波信号,然后将采集的指尖脉搏波信号通过PC端的软件处理,并实时记录数据时间戳与面部视频帧同步进行可视化绘制;步骤4:基于面部成像式脉搏波和指尖光脉搏波建立血压估测模型,并对血压估测模型验证,进而实现对血压的测量。

Description

一种办公环境下的非侵扰式连续血压监测方法及应用
技术领域
本发明涉及无袖连续血压测量方法,尤其涉及一种办公环境下的非侵扰式连续血压监测方法。
背景技术
随着社会经济发展与工作竞争加剧,国民生活节奏逐步加快,职场人群普遍缺乏规律的生活作息和均衡的饮食习惯,导致心血管病风险因素日趋普遍化,高血压类心血管疾病发病人数持续增加,且有越来越年轻化的态势。根据国家心血管疾病中心和《中国心血管健康与疾病2019概要》的调查数据显示,中国心血管病患病率及死亡率仍处于上升阶段,当前心血管类病患人数约为3.30亿,其中高血压患者约为2.45亿,而在高血压患者中,仅有51.6%知晓自己的病情,且只有约3700万人的病情得到控制,仅占16.8%,由于缺乏有效的监测手段,当前大多数患者对自身日常血压状况的知晓率,控制率都不理想,心血管疾病防治工作仍面临巨大挑战。
血压作为心血管系统健康状态的关键指标,反映了血液流动时作用于单位面积血管壁的侧压力,是心血管疾病在临床上进行疾病诊断与预防的重要依据。当前,常用的血压测量方式是通过袖带式血压计进行测量,该方式需要专用血压计,在测量过程要佩戴袖带,对测量姿势和部位有严格要求,操作繁琐,且袖带气囊的充放气都有较长时间间隔,因此袖带式血压测量难以进行动态血压监测,此外,在医疗环境中的血压测量,患者可能出现精神紧张导致血压上升,即产生所谓“白大衣效应”,导致血压的测量结果失真。
无袖血压监测技术,即通过脉搏波、心电图和胸冲击等生理体征信号间接的对血压进行计算,实现非侵扰式监测。在心脏周期性搏动时,血液从心脏内沿动脉血管向各远端组织器官传播,血流传导过程受到心脏活动,血管壁压力等生理作用的调节,血管容积随血液流动而出现变化,由此产生的体征信号反映了心脏活动过程中,心输出量,外周阻力等动力变化,可以通过体征信号对血管受压力值的变化进行表征。因此,通过体征信号对血压的动态变化进行监测,实现无袖血压测量,可以降低测量过程中对被测者的干扰,提高心血管疾病患者自我监测的依从性,促进对心血管系统风险早期识别。
光电体积描记方法作为一种光学体征监测技术,通过测量皮下微血管组织血容量变化采集脉搏波体征信号,在临床的血氧监测、脉率监测及个人可穿戴设备手环、腕表等终端上得到了广泛应用。传统的PPG是通过光源及光电传感器来获取血液容积在心脏起搏作用下的变化,实现脉搏波的采集,但其需要传感器与身体接触,一定程度上限制了应用场景。随着多媒体设备的普及与计算机视觉技术的发展,通过将摄像设备广泛引入到临床影像监测和诊断系统,激发了传统PPG向成像式PPG,即iPPG(Image photoplethysmography,iPPG)的演进。基于摄像头捕捉人体皮肤的视频图像,iPPG利用图像技术计算皮肤随血容量变化过程中所产生的像素颜色变化,从这种微弱的变化中提取脉搏波,进而实现对人体脉搏体征的监测,提高了健康感知的普适性。
针对现有袖带式血压测量需要依赖仪器装置,测量过程对被测者造成干扰且无法连续监测的问题,本发明提出一种光电式及成像式多源脉搏体征感知方法,从多源持续脉搏波信号中分析提取脉搏传导,形态变化,语义信息的多维度特征,构建血压估测模型,在普适环境下结合现有感知终端探索了非侵扰式动态血压测量的有效性。
发明内容
针对上述存在的问题,本发明提供一种办公环境下非侵入式连续血压监测的方法,通过优化现有成像式面部脉冲提取算法,将其应用于普适环境下的脉搏波监测,并基于无袖血压测量理论,深入研究了脉搏波的传导机制、形态变化、语义信息,构建多维脉搏波特征,通过与模型结合的Wrapper式特征选择方法获取最优特征子集建立血压估测模型,实现了在办公环境中进行非侵扰式连续血压的监测。
为了实现上述目的,本发明所采用的技术方案如下:
一种办公环境下的非侵入式连续血压监测方法,具体的包括以下步骤:
步骤1:在采集的视频帧中对人脸面部区域进行识别、追踪和面部皮肤检测,获取面部像素区域并进行网格化划分,得到多个面部像素子区域;
步骤2:对步骤1得到的面部像素子区域做色彩滤波,对滤波后的面部像素子区域进行脉冲波提取及面部脉搏波重建,实现面部成像式脉搏波提取;
步骤3:采用指尖光电式脉搏波采集装置采集指尖脉搏波信号,然后将采集的指尖脉搏波信号通过PC端的软件处理,并实时记录数据时间戳与面部视频帧同步进行可视化绘制;
步骤4:基于步骤2提取的面部成像式脉搏波和步骤3采集的指尖光脉搏波建立血压估测模型,并对血压估测模型验证,根据建立的血压估测模型实现对血压的测量。
优选的,所述步骤1的具体操作步骤包括:
步骤1.1:对采集到的面部视频帧的每一帧使用经典的Viola-Jones人脸检测方法,进行人脸面部ROI的识别定位;
步骤1.2:基于步骤1.1中识别得到的人脸面部ROI,利用CSK目标跟踪算法通过高斯核计算相邻两帧之间的相关性,实现对面部区域的跟踪,加速图像运算,解决面部区域的丢失问题;
步骤1.3:步骤1.2中对每一帧都跟踪得到面部区域之后,将视频从RGB空间转为YCbCr空间,利用高密度区间的自适应皮肤检测算法,通过计算YCbCr中的分量直方分布的高密度区间,对色彩分量阈值进行自适应的设定,根据阈值从步骤1.2中的面部区域中筛选获取皮肤像素;
步骤1.4:利用人脸面部视频帧中的空间冗余性对步骤1.3获得的皮肤像素区域进行网格化划分,并对划分的多个子皮肤像素区域的脉搏波进行提取。
优选的,所述步骤2的具体操作步骤包括:
步骤2.1:对步骤1中获得的多个子皮肤像素区域,在频域空间内,利用失真色彩滤波算法对像素中由运动引起的失真像素的颜色通道进行过滤,并在过滤后提取脉冲信号;
步骤2.2:对步骤2.1提取的利用肤色正交分解算法提取更高质量的脉搏波信号;
步骤2.3:对于步骤2.2提取得到的多个子皮肤像素子区域的面部脉搏波信号,利用基于信噪比权重系数的脉搏波重建方法,评估子区域脉搏波在脉搏波重建中的比重,将子脉搏波按权重累加进行面部脉搏波的重建,得到一路整体的面部脉搏波。
优选的,所述步骤3的指尖光电式脉搏波采集装置由鼠标侧面位置的反射式脉搏波光电传感器、脉搏波信号滤波电路、脉搏波信号放大模块、数据转换传输模块和USB串口接口组成。
优选的,所述步骤4血压估测模型建立的具体步骤包括:
步骤4.1:提取每个时间窗中的血压特征,其中包括传导特征:脉搏传导起始点时间差,脉搏传导峰值点时间差,脉搏传导差分峰值点时间差,脉搏波传导速度,舒张期时间,收缩期时间,脉搏波间期,峰值重波间期,脉搏波宽度差,脉搏波等分间隔集,语义特征:脉搏波强度比,动脉硬化指数,血液粘度系数,心率变异性特征集;
步骤4.2:步骤4.1提取的血压特征使用皮尔逊相关性分析方法定量评估脉搏波线性域特征和非线性域特征之间的相关性,结合Wrapper式特征筛选方法构建最优特征子集,并使用min-max归一化各特征的数值区间;
步骤4.3:基于多维脉搏波特征,使用随机森林分类算法训练血压估测模型;
步骤4.4:使用多个指标评估血压估测模型的性能,以验证血压估测模型的有效性。
与现有技术相比,本发明的有益效果是:
针对现有袖带式血压测量需要依赖仪器装置,测量过程对被测者造成干扰且无法连续监测的问题,本发明基于光电式及成像式多源脉搏体征感知方法,并从多源持续脉搏波信号中分析提取脉搏传导,形态变化,语义信息的多维度特征,构建血压估测模型。在普适的办公环境下,结合现有感知终端探索了非侵扰式动态血压测量的有效性,可以诊断防治心血管相关疾病和普及移动健康领域医疗保健服务。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
在附图中:
图1为本发明的流程图;
图2为本发明的工作示意图;
图3为脉搏波提取算法的流程图;
图4为最优特征子集选择方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
为实现非侵扰式的连续血压监测,将面部及指尖的多源时序数据作为脉搏波的原始信息进行采集,本发明分别对面部及指尖的脉搏波进行提取。面部脉搏波的提取是基于面部视频进行的,本发明通过对面部成像视频中存在的光源及运动噪声逐步分析处理,优化了基于肤色正交模型的面部脉搏波提取算法在普适环境下的鲁棒性;指尖脉冲的提取是通过光电传感器采集的指尖光电信号进行脉搏波提取。
实施例:
参照附图1-4所示,一种办公环境下的非侵入式连续血压监测方法,具体的包括以下步骤:
步骤1:在采集的视频帧中对人脸面部区域进行识别、追踪和面部皮肤检测,获取面部像素区域并进行网格化划分,得到多个面部像素子区域,具体包括如下步骤:
步骤1.1:对采集到的面部视频帧的每一帧使用经典的Viola-Jones人脸检测方法,进行人脸面部ROI的识别定位,以去除无关环境视频帧的干扰;
Viola-Jones算法对于检测正面的人脸图像高效稳定,包括以下步骤:利用Haar特征描述人脸特征建立积分图像;利用建立的积分图像快速获取几种不同的矩形特征;利用Adaboost算法进行训练;建立层级分类器;非极大值抑制;
步骤1.2:基于步骤1.1中识别得到的人脸面部ROI,为克服运动过程中面部ROI丢失的情况,利用CSK目标跟踪算法通过高斯核计算相邻两帧之间的相关性,取响应最大的点为预测的目标中心,实现对面部区域的跟踪,加速图像运算,获得后续帧中ROI的坐标,获取视频帧中的面部ROI序列,解决面部区域的丢失问题;
步骤1.3:步骤1.2中对每一帧都跟踪得到面部区域之后,将视频从RGB空间转为YCbCr空间,利用高密度区间的自适应皮肤检测算法,通过计算YCbCr中的分量直方分布的高密度区间,对色彩分量阈值进行自适应的设定,以提升皮肤检测在不同光源环境下的适应性,再根据阈值从步骤1.2中的面部区域中筛选获取皮肤像素;
步骤1.4:为避免视频序列中部分区域色值的畸变对全局信号产生干扰,利用人脸面部视频帧中的空间冗余性对步骤1.3获得的皮肤像素区域进行网格化划分,划分为4*4的矩形子区域,扩充iPPG提取时图像的冗余,并通过空间均值计算获取子区域总体像素值对应的RGB通道信号并对划分的多个子皮肤像素区域的脉搏波进行提取。
步骤2:对步骤1得到的面部像素子区域做色彩滤波,对滤波后的面部像素子区域进行脉冲波提取及面部脉搏波重建,实现面部成像式脉搏波提取,具体包括:
步骤2.1:对步骤1中获得的多个子皮肤像素区域,对每一个皮肤像素区域的RGB颜色通道通过快速傅里叶变换转到频域,在频域空间内,在频域空间内对RGB原始信号中的光源干扰及运动伪影进行抑制,首先通过时序归一化消除采集过程中皮肤区域RGB信号对于皮肤颜色的依赖,利用失真色彩滤波算法对像素中由运动引起的失真像素的颜色通道进行过滤,在频域范围内引入正交投影映射对滤波系数进行动态求解。
在光线经过皮肤并反射的过程中,皮肤像素值受血液中血红蛋白的光线吸收率的影响,在可见光及近红外光谱范围内,由脉动因素引起的RGB信号变化与非脉动因素引起的RGB信号变化间存在差异,利用这种差异构建颜色通道投影映射,从中求得脉冲信号在频域空间中的分布,提取脉冲信号;
步骤2.2:经过步骤2.1的处理之后,脉冲信号受运动的干扰影响减小,在此基础上结合皮肤反射模型,利用肤色正交分解算法提取更高质量的面部脉搏波。
摄像机记录的皮肤像素中包含镜面反射和漫反射两种成分,像素值的变化取决于采集过程中相机、皮肤和光源三者的角度和距离,其中镜面反射是皮肤表面反射出的颜色,不包括脉动信息,其在RGB颜色通道上具有相同的强度;由于皮肤组织中的血红蛋白和黑色素含量影响了漫反射的光线吸收。漫反射则包含由心脏起搏引起的血容量脉动性变化。肤色正交分解算法基于漫反射中脉冲因素与运动因素对RGB颜色通道表现出不同强度的现象,建立色彩信号投影,进一步分析运动影响的镜面反射和脉冲影响的漫反射在投影平面上的分布差异,并基于光强的变化建立投影映射,分离镜面反射的非脉冲分量和漫反射的脉冲分量;
步骤2.3:对于步骤2.2提取得到的多个子皮肤像素子区域的面部脉搏波信号,利用基于信噪比权重系数的脉搏波重建方法,以脉搏波的信噪比作为信号的评价指标,评估子区域脉搏波在脉搏波重建中的比重,将子脉搏波按权重累加进行面部脉搏波的重建,利用多区域中面部像素的冗余性,降低部分区域运动对总体信号的影响,得到一路整体的面部脉搏波。
步骤3:采用基于PulseSensor光电脉搏传感器及Arduino开发板实现的指尖光电式脉搏波采集装置采集指尖脉搏波信号,采样频率设定为60hz,电压为5V,然后将采集的指尖脉搏波信号通过PC端的Arduino开发套件处理,并实时记录数据时间戳和面部视频帧同步进行可视化绘制;
所述指尖光电式脉搏波采集装置由鼠标侧面位置的PulseSensor反射式脉搏波光电传感器、脉搏波信号滤波电路、脉搏波信号放大模块、数据转换传输模块和USB串口接口组成。
步骤4:基于步骤2提取的面部成像式脉搏波和步骤3采集的指尖光脉搏波建立血压估测模型,并对血压估测模型验证,根据建立的血压估测模型实现对血压的测量,具体包括:
步骤4.1:提取每个时间窗中的血压特征,其中包括传导特征:脉搏传导起始点时间差,脉搏传导峰值点时间差,脉搏传导差分峰值点时间差,脉搏波传导速度,舒张期时间,收缩期时间,脉搏波间期,峰值重波间期,脉搏波宽度差,脉搏波等分间隔集,语义特征:脉搏波强度比,动脉硬化指数,血液粘度系数,心率变异性特征集;
步骤4.2:对于步骤4.1提取的得到的多维特征,血压特征使用皮尔逊相关性分析方法定量评估脉搏波线性域特征和非线性域特征之间的相关性,结合Wrapper式特征筛选方法构建最优特征子集,使用min-max归一化方法将各特征的数值范围变换到(0,1)区间;
步骤4.3:基于多维脉搏波特征,使用随机森林分类算法训练血压估测模型,训练过程中使用22个人的数据,在采集每一个人的视频帧数据和指尖脉搏波数据的之前和之后分别使用血压计测量获得每个人的血压真实值作为血压估测模型训练的目标值。将每一个人的视频数据和指尖数据经过上述多个步骤之后获取的特征以及测量的得到的真实值输入到随机森林中训练,结合网格化搜索方法寻找最优的超参数进一步优化血压估测模型。
步骤4.4:使用多个指标评估血压估测模型的性能,即计算回归模型所预测的血压值和真实血压值的均方误差,均方根,平均绝对误差和R方值,以验证血压估测模型的有效性。其中平均绝对误差预测血压值和真实血压值之差的绝对值,可以得知所预测的血压值的准确程度。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种办公环境下的非侵入式连续血压监测方法,其特征在于:具体的包括以下步骤:
步骤1:在采集的视频帧中对人脸面部区域进行识别、追踪和面部皮肤检测,获取面部像素区域并进行网格化划分,得到多个面部像素子区域;
步骤2:对步骤1得到的面部像素子区域做色彩滤波,对滤波后的面部像素子区域进行脉冲波提取及面部脉搏波重建,实现面部成像式脉搏波提取;
步骤3:采用指尖光电式脉搏波采集装置采集指尖脉搏波信号,然后将采集的指尖脉搏波信号通过PC端的软件处理,并实时记录数据时间戳与面部视频帧同步进行可视化绘制;
步骤4:基于步骤2提取的面部成像式脉搏波和步骤3采集的指尖光脉搏波建立血压估测模型,并对血压估测模型验证,根据建立的血压估测模型实现对血压的测量。
2.根据权利要求1所述的一种办公环境下的非侵入式连续血压监测方法,其特征在于:所述步骤1的具体操作步骤包括:
步骤1.1:对采集到的面部视频帧的每一帧使用经典的Viola-Jones人脸检测方法,进行人脸面部ROI的识别定位;
步骤1.2:基于步骤1.1中识别得到的人脸面部ROI,利用CSK目标跟踪算法通过高斯核计算相邻两帧之间的相关性,实现对面部区域的跟踪,加速图像运算,解决面部区域的丢失问题;
步骤1.3:步骤1.2中对每一帧都跟踪得到面部区域之后,将视频从RGB空间转为YCbCr空间,利用高密度区间的自适应皮肤检测算法,通过计算YCbCr中的分量直方分布的高密度区间,对色彩分量阈值进行自适应的设定,根据阈值从步骤1.2中的面部区域中筛选获取皮肤像素;
步骤1.4:利用人脸面部视频帧中的空间冗余性对步骤1.3获得的皮肤像素区域进行网格化划分,并对划分的多个子皮肤像素区域的脉搏波进行提取。
3.根据权利要求2所述的一种办公环境下的非侵入式连续血压监测方法,其特征在于:所述步骤2的具体操作步骤包括:
步骤2.1:对步骤1中获得的多个子皮肤像素区域,在频域空间内,利用失真色彩滤波算法对像素中由运动引起的失真像素的颜色通道进行过滤,并在过滤后提取脉冲信号;
步骤2.2:对步骤2.1提取的利用肤色正交分解算法提取更高质量的脉搏波信号;
步骤2.3:对于步骤2.2提取得到的多个子皮肤像素子区域的面部脉搏波信号,用基于信噪比权重系数的脉搏波重建方法,评估子区域脉搏波在脉搏波重建中的比重,将子脉搏波按权重累加进行面部脉搏波的重建,得到一路整体的面部脉搏波。
4.根据权利要求3所述的一种办公环境下的非侵入式连续血压监测方法,其特征在于:所述步骤3的指尖光电式脉搏波采集装置由鼠标侧面位置的反射式脉搏波光电传感器、脉搏波信号滤波电路、脉搏波信号放大模块、数据转换传输模块和USB串口接口组成。
5.根据权利要求4所述的一种办公环境下的非侵入式连续血压监测方法,其特征在于:所述步骤4血压估测模型建立的具体步骤包括:
步骤4.1:提取每个时间窗中的血压特征,其中包括传导特征:脉搏传导起始点时间差,脉搏传导峰值点时间差,脉搏传导差分峰值点时间差,脉搏波传导速度,舒张期时间,收缩期时间,脉搏波间期,峰值重波间期,脉搏波宽度差,脉搏波等分间隔集,语义特征:脉搏波强度比,动脉硬化指数,血液粘度系数,心率变异性特征集;
步骤4.2:步骤4.1提取的血压特征使用皮尔逊相关性分析方法定量评估脉搏波线性域特征和非线性域特征之间的相关性,结合Wrapper式特征筛选方法构建最优特征子集,并使用min-max归一化各特征的数值区间;
步骤4.3:基于多维脉搏波特征,使用随机森林分类算法训练血压估测模型;
步骤4.4:使用多个指标评估血压估测模型的性能,以验证血压估测模型的有效性。
CN202111458893.0A 2021-12-01 一种办公环境下的非侵扰式连续血压监测方法及应用 Active CN114271800B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111458893.0A CN114271800B (zh) 2021-12-01 一种办公环境下的非侵扰式连续血压监测方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111458893.0A CN114271800B (zh) 2021-12-01 一种办公环境下的非侵扰式连续血压监测方法及应用

Publications (2)

Publication Number Publication Date
CN114271800A true CN114271800A (zh) 2022-04-05
CN114271800B CN114271800B (zh) 2024-06-28

Family

ID=

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015083101A (ja) * 2013-10-25 2015-04-30 富士通株式会社 脈波検出装置、脈波検出方法及び脈波検出プログラム
CN106264504A (zh) * 2016-09-30 2017-01-04 西安邮电大学 基于手指动脉波的无创血压检测系统及方法
US20190332757A1 (en) * 2018-04-30 2019-10-31 AZ Board of Regents on Behalf of AZ State Univ Method and apparatus for authenticating a user of a computing device
CN110706826A (zh) * 2019-10-29 2020-01-17 江苏大学 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
CN111611888A (zh) * 2020-05-12 2020-09-01 西安爱特眼动信息科技有限公司 非接触血压估计方法及装置
CN111714144A (zh) * 2020-07-24 2020-09-29 长春理工大学 基于视频非接触测量的精神压力分析方法
US20200337573A1 (en) * 2019-04-26 2020-10-29 Hitachi, Ltd. Biological information detection device, biological information detection method and non-transitory computer-readable storage medium for biological information detection
CN112274126A (zh) * 2020-10-28 2021-01-29 河北工业大学 一种基于多路脉搏波的无创连续血压检测方法、装置
KR20210094421A (ko) * 2020-01-21 2021-07-29 성균관대학교산학협력단 얼굴영상을 이용한 강인한 맥박수 및 호흡수 측정 방법 및 장치
CN113591769A (zh) * 2021-08-10 2021-11-02 北京航空航天大学 基于光电容积脉搏描记法的非接触式心率检测方法
CN113598737A (zh) * 2021-09-08 2021-11-05 上海中医药大学 一种基于特征融合的血压预测方法
CN113598742A (zh) * 2021-06-30 2021-11-05 合肥工业大学 房颤分类模型训练方法、房颤识别方法及系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015083101A (ja) * 2013-10-25 2015-04-30 富士通株式会社 脈波検出装置、脈波検出方法及び脈波検出プログラム
CN106264504A (zh) * 2016-09-30 2017-01-04 西安邮电大学 基于手指动脉波的无创血压检测系统及方法
US20190332757A1 (en) * 2018-04-30 2019-10-31 AZ Board of Regents on Behalf of AZ State Univ Method and apparatus for authenticating a user of a computing device
US20200337573A1 (en) * 2019-04-26 2020-10-29 Hitachi, Ltd. Biological information detection device, biological information detection method and non-transitory computer-readable storage medium for biological information detection
CN110706826A (zh) * 2019-10-29 2020-01-17 江苏大学 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
KR20210094421A (ko) * 2020-01-21 2021-07-29 성균관대학교산학협력단 얼굴영상을 이용한 강인한 맥박수 및 호흡수 측정 방법 및 장치
CN111611888A (zh) * 2020-05-12 2020-09-01 西安爱特眼动信息科技有限公司 非接触血压估计方法及装置
CN111714144A (zh) * 2020-07-24 2020-09-29 长春理工大学 基于视频非接触测量的精神压力分析方法
CN112274126A (zh) * 2020-10-28 2021-01-29 河北工业大学 一种基于多路脉搏波的无创连续血压检测方法、装置
CN113598742A (zh) * 2021-06-30 2021-11-05 合肥工业大学 房颤分类模型训练方法、房颤识别方法及系统
CN113591769A (zh) * 2021-08-10 2021-11-02 北京航空航天大学 基于光电容积脉搏描记法的非接触式心率检测方法
CN113598737A (zh) * 2021-09-08 2021-11-05 上海中医药大学 一种基于特征融合的血压预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘赫;王磊;: "基于微型摄像头的容积血流脉搏波成像关键技术", 科研信息化技术与应用, no. 06, 20 November 2014 (2014-11-20) *

Similar Documents

Publication Publication Date Title
Wang et al. A comparative survey of methods for remote heart rate detection from frontal face videos
Fan et al. Robust blood pressure estimation using an RGB camera
US10004410B2 (en) System and methods for measuring physiological parameters
CN110384491A (zh) 一种基于普通摄像头的心率检测方法
Trenta et al. Advanced motion-tracking system with multi-layers deep learning framework for innovative car-driver drowsiness monitoring
CN106580301A (zh) 一种生理参数的监测方法、装置和手持设备
Casado et al. Face2PPG: An unsupervised pipeline for blood volume pulse extraction from faces
CN112233813A (zh) 一种基于ppg的非接触式无创心率呼吸测量方法及系统
CN114781465B (zh) 一种基于rPPG的非接触式疲劳检测系统及方法
CN111387959A (zh) 一种基于ippg的非接触式生理参数检测方法
CN112294282A (zh) 基于rppg的情绪检测装置的自标定方法
CN113456042A (zh) 一种基于3d cnn的无接触面部血压测量方法
Hu et al. Study on Real-Time Heart Rate Detection Based on Multi-People.
KR102123121B1 (ko) 사용자의 신원 파악이 가능한 혈압 모니터링 방법 및 시스템
CN110584638A (zh) 一种基于cmor小波的非接触式心率测量方法
CN114271800B (zh) 一种办公环境下的非侵扰式连续血压监测方法及应用
CN114271800A (zh) 一种办公环境下的非侵扰式连续血压监测方法及应用
AV et al. Non-contact heart rate monitoring using machine learning
Sinhal et al. Color intensity: a study of RPPG algorithm for heart rate estimation
Nakonechnyi et al. Estimation of heart rate and its variability based on wavelet analysis of photoplethysmographic signals in real time
Umadi et al. Heart Abnormality Detection Technique using PPG Signal
Nair et al. Non-contact heart-rate measurement using KLT-algorithm
Zhuang et al. Remote blood pressure measurement via spatiotemporal mapping of a short-time facial video
Liu et al. Lightweight and interpretable convolutional neural network for real-time heart rate monitoring using low-cost video camera under realistic conditions
Panigrahi et al. Video-based HR measurement using adaptive facial regions with multiple color spaces

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