CN114596279A - 一种基于计算机视觉的非接触式呼吸检测方法 - Google Patents
一种基于计算机视觉的非接触式呼吸检测方法 Download PDFInfo
- Publication number
- CN114596279A CN114596279A CN202210218028.7A CN202210218028A CN114596279A CN 114596279 A CN114596279 A CN 114596279A CN 202210218028 A CN202210218028 A CN 202210218028A CN 114596279 A CN114596279 A CN 114596279A
- Authority
- CN
- China
- Prior art keywords
- area
- score
- image
- human body
- roi
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 230000029058 respiratory gaseous exchange Effects 0.000 title claims abstract description 27
- 210000001015 abdomen Anatomy 0.000 claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 25
- 208000008784 apnea Diseases 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 13
- 230000000241 respiratory effect Effects 0.000 claims description 13
- 230000036391 respiratory frequency Effects 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000036387 respiratory rate Effects 0.000 claims description 2
- 239000004480 active ingredient Substances 0.000 claims 1
- 210000000038 chest Anatomy 0.000 description 13
- 238000010586 diagram Methods 0.000 description 6
- 210000003491 skin Anatomy 0.000 description 6
- 230000003187 abdominal effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 210000000115 thoracic cavity Anatomy 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 206010006102 Bradypnoea Diseases 0.000 description 2
- 239000002390 adhesive tape Substances 0.000 description 2
- 208000024336 bradypnea Diseases 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 208000008203 tachypnea Diseases 0.000 description 2
- 206010043089 tachypnoea Diseases 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 208000001871 Tachycardia Diseases 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 230000036471 bradycardia Effects 0.000 description 1
- 208000006218 bradycardia Diseases 0.000 description 1
- 230000035565 breathing frequency Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 210000004207 dermis Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000001769 paralizing effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 208000024584 respiratory abnormality Diseases 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000006794 tachycardia 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Pulmonology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physiology (AREA)
- Radiology & Medical Imaging (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于计算机视觉的非接触式呼吸检测方法,包括、采集视频图像,划分出视频图像中包含人体胸腹部的ROI区域,计算出ROI区域的面积S1;将ROI区域内的图像进行语义分割,计算出人体胸腹部轮廓包含的图像面积S2。首先使用OTSU算法将对图像二值化处理;然后进行开运算,即先腐蚀后膨胀,用于消除面积较小的白色区域;再对处理后的图像进行闭运算,即先膨胀后腐蚀,用于排除小型黑色区域。完成以上处理后,如果连通域个数为1时,计算出该连通域面积S2,即人体胸腹部包含的语区面积;如果连通域个数≥2时,计算最大的连通域面积,记为S2;然后计算出S2与ROI区域的面积S1的比值K,即K=S2/S1。
Description
技术领域
本发明涉及呼吸检测方法,具体涉及一种基于计算机视觉检测人体呼吸的非接触式方法,适用于特殊人群如新生儿、大面积烧伤患者以及瘫痪患者等。
背景技术
呼吸是最重要的人体生命体征之一,临床对于呼吸频率及呼吸异常状态的检测主要以接触方式为主,即在患者胸廓表面贴附心电电极,通过监护仪测量呼吸运动时被测量导联之间阻抗的变化来换算出呼吸频率。
这种接触式的检测方法存在一定的缺点,尤其是针对特殊人群,如新生儿的皮肤发育不完善,表皮和真皮之间连接较为松散,在皮肤表面贴附电极会对新生儿的皮肤造成损伤和破坏;另外,大面积烧伤患者也不宜采用与皮肤接触的传感器或电极对其进行呼吸检测。不仅如此,在家庭监护中使瘫痪病人摆脱心电电极和导联线的束缚也具有很强的必要性。
非接触式呼吸检测方法包括雷达探测式、热成像式、压力式、视频式。其中雷达探测式方法容易受到不规则反射干扰;热成像式分辨细节能力较差;压力式检测主要以床垫的形式,不适用于多人检测;基于视频图像的检测方法,目前主要以视频图像颜色通道的亮度为信号,也存在着一定的缺点。
专利201110325533.3,公开了一种基于视频图像的非接触式生命体征检测方法,该方法中采集多个颜色通道的图像亮度的空间平均值,图像亮度的变化既包含心跳也包含呼吸信息。该方法的缺陷在于以下两点:1.容易受到周围环境亮度变化影响,如新生儿病房中护理人员走动造成的亮度变化和周围新生儿进行蓝光治疗造成的亮度干扰。2.心跳信号和呼吸信号的混叠问题,该方法是通过设置不同的截止频率将二者进行区分,该方法相对局限,因为实际生活中特殊人群的呼吸频率和心率与正常人有很大区别,如成人呼吸频率为12~20次/分钟,心率为60~100次/分钟,而新生儿呼吸频率明显高于成人,为40~60次/分钟,早产儿呼吸频率大于80次才认为是异常,如果通过设置截止频率则无法将两种信号正确筛选区分,更无法有效判断是否异常。特别地,大面积烧伤患者及其他类型患者若存在呼吸过速、心动过缓等异常情况,则更加无法在混叠信号中正确区分两种信号。
专利201810269026.4,公开了一种基于多摄像头的非接触式生命体征参数的无缝检测方法,该方法选取多个摄像头中包含感兴趣区域像素个数最多的颜色通道数据,克服的问题是单个摄像头检测不到人脸导致无法进行生命体征参数检测,其本质与上一种方法一样,仍然是一种通过视频图像检测不同颜色通道中反射光强度变化的方法,因此也同样涉及到信号混叠的问题。
专利201710519852.5,公开了一种基于摄像头与球状标记物的呼吸测量方法,该方法将球状标记物用双面胶附着在人体胸腹部,通过摄像头采集标记物轮廓半径的变化来反应呼吸运动。该方法的缺点在于,特殊人群不适合在皮肤表面使用双面胶附着标记物,尤其是新生儿和大面积烧伤患者。
本发明克服了现有技术中非接触式呼吸检测方法的信号混叠、附着标记物、抗干扰能力差等缺陷,本发明检测方法基于计算机视觉技术,具有信号纯净、快速实时、多目标同时检测、可实现连续监测等优点。
发明内容
本发明提供了一种基于计算机视觉的非接触式呼吸检测方法,包括:
步骤1,按照固定帧率Fps连续采集待测目标的视频图像,Fps≥30。
步骤2,对采集到的视频图像进行目标检测,检测目标为单个人体,目标检测方法包括但不限于YOLOv5、tensorflow目标检测、R-CNN、Fast-RCNN等。检测到单个人体目标后自动划分,自动划分的方法为按长度比例划分(宽度不变),划分出视频图像中包含人体胸腹部的ROI区域,计算出ROI区域的面积S1。此步骤的目的是尽可能将人体目标以外的图像干扰排除。
步骤3,将ROI区域内的图像进行语义分割,计算出人体胸腹部轮廓包含的图像面积S2。用于语义分割的工具包括但不限于SegFormer语义分割网络、DeepLabv3+语义分割模型等,此步骤的作用是将人体胸腹部和背景图像分离,从而准确计算出ROI区域内的胸腹部面积。
步骤4,由于受到光照、衣物图案等外界因素影响,图像进行语义分割后的可能存在k个的连通区域,面积分别为A1、A2、……、Ak,然而这些连通域需要进一步处理才能更准确地体现人体胸腹部轮廓包含的区域。为准确计算人体胸腹部轮廓包含的图像面积,首先使用OTSU算法将对图像二值化处理;然后进行开运算,即先腐蚀后膨胀,用于消除面积较小的白色区域;再对处理后的图像进行闭运算,即先膨胀后腐蚀,用于排除小型黑色区域。完成以上处理后,如果连通域个数为1时,计算出该连通域面积S2,即人体胸腹部包含的语区面积;如果连通域个数≥2时,计算最大的连通域面积,记为S2。然后计算出S2与ROI区域的面积S1的比值K,即K=S2/S1。
步骤5,对连续多帧图像进行步骤2至步骤4处理,获得K随时间连续变化的波形,该波形可代表人体的呼吸波形。
步骤6,对步骤5获得的波形进行滤波处理,滤除高频干扰信号,保留呼吸运动产生的信号。滤波处理方法包括但不限于低通滤波、卡尔曼滤波等。
步骤7,对过滤后的信号进行呼吸频率计算,计算方法包括但不限于峰值检测法,阈值检测法和傅里叶变换。
7.1)使用峰值检测法计算出波峰和波谷,针对一段时间t1(t1优选值为3~5)秒内,如果检测到W个峰值,分别为P1,P2,……,PW,并记录各个波峰和波谷对应的时间为TP1,TP2,……,TPW。则呼吸频率Resp(单位:次/分钟)的计算公式为:
步骤8,计算得到呼吸频率后,根据不同人群各自的标准判断是否存在呼吸过速或呼吸过缓。
步骤9,当出现“呼吸过缓”时,即进入此计算模式。可通过以下公式来判断是否发生呼吸暂停,其中f1、f2、f3为中间过程参数,其取值与N和M有关。针对一段时间t2(t2优选值为5~30)秒内,如果检测到N个峰值和M个谷值,分别为P1,P2,……,PN和G1,G2,……,GM;并记录各个波峰和波谷对应的时间为TP1,TP2,……,TPN和TG1,TG2,……,TGM。:
当N≤M时,L取值为[N/3],
当N>M时,L取值为[M/3],
然后得出三个评分数值score1、score2、score3,分别代表t2(t2优选值为5~30)秒内波形的起始段、中间段、结尾段三个部分的评分,分成三段进行评分的目的是,更加灵敏地检测这一段时间t2秒内是否存在不同程度的呼吸暂停。score1、score2、score3用于判断一段连续波形中波峰与波谷值是否趋于接近,当接近程度较高时,则认为可能发生了呼吸暂停并给出相应的评分;当接近程度较低时,则认为属于正常呼吸起伏运动引起的波动。score1、score2、score3分别由以下公式进行计算,其中ε1、ε2、ε3为人为设置参数:(这三个值与t2有关,ε1、ε2、ε3可以取t2的0.001~0.05倍,可以体现一段时间t2秒内ROI区域内胸腹部面积占比变化的累计值。)
Apnea_Level=score1+score2+score3
Apnea_Level是三个评分数值之和,Apnea_Level值为0时,代表无呼吸暂停异常;Apnea_Level值为1~3时,代表发生呼吸暂停异常,并且相应异常等级为Ⅰ~Ⅲ
有益效果
本发明涉及的方法,直接从原始图像中获取信息,与现有技术中分离多个颜色通道并获取亮度值的做法不同,可以从胸腹部图像语义分割后的面积比变化中获得单一纯净的呼吸信号,能够避免信号混叠问题。本发明能够在准确检测呼吸频率的同时,判断在整个过程中呼吸暂停异常是否发生,并标注发生异常的等级。
附图说明
图1是本发明的非接触式呼吸检测的系统框图;
图2是进行目标检测后人体区域示意图;
图3是进行自动划分出包含人体胸腹部的ROI区域示意图;
图4是语义分割后人体胸腹部和背景图像分离示意图;
图5(a)是实施例中进行目标检测效果图;
图5(b)是实施例中自动划分出包含人体胸腹部的ROI区域效果图;
图5(c)是实施例中语义分割后人体胸腹部和背景图像分离效果图;
图6(a)是提取到的呼吸波形;
图6(b)是滤波后的呼吸波形;
图6(c)是滤波后的呼吸波形进行峰值检测的结果;
具体实施方式
为使本发明实施的目的、技术方案和优点更加清晰,以下结合本发明的技术方案和附图进一步详细描述:
按照固定帧率Fps连续采集待测目标的视频图像,Fps=30,因此后续涉及的信号采样频率为30Hz。
对采集到的视频图像进行目标检测,本实施例中检测目标为医院婴儿培养箱的恒温环境中的单个新生儿,采用YOLOv5进行检测,如图5(a)所示,当检测到新生儿人体的时候会自动框选出该区域。
然后根据目标检测结果自动划分(按长度比例划分)出视频图像中包含人体胸腹部的矩形ROI区域,如图5(b)所示,然后计算出ROI区域的面积S1,即ROI区域的长和宽的乘积。
将ROI区域内的图像使用DeepLabv3+语义分割模型进行语义分割,设置两个分类标签,分别是新生儿人体和背景,从而将新生儿胸腹部和背景图像分离,如图5(c)所示,然后计算出新生儿胸腹部轮廓包含的图像面积S2。
由于处于医院婴儿培养箱的恒温环境中的新生儿通常腹部皮肤处于裸露状态,所以使用OTSU算法将对图像二值化处理后,进行开运算和闭运算后较容易得到1个连通域,计算该连通域的面积,即可得到S2。计算S2与ROI区域的面积S1的比值K,得到K=S2/S1。
对连续多帧图像进行以上步骤处理,获得K随时间连续变化的原始波形,如图6(a)所示,该波形可代表新生儿的呼吸波形。
对获得的原始信号波形进行滤波处理,滤除高频干扰信号,保留呼吸运动产生的信号,本实施例中进行了低通滤波处理,低通滤波器的阶数为8,由于采样频率为30Hz,信号最高频率3Hz,因此通过设置截止频率为3Hz,滤除3Hz以上频率成分,得到滤波后的呼吸波形如图6(b)所示。
呼吸波形滤波结束后可以进行呼吸频率计算。由于过滤后得到的波形已经比较平滑,因此过滤后的信号波形直接使用峰值检测法检测出波峰和波谷,如图6(c)所示,在图6(c)中“●”表示峰值点,“+”表示谷值点。针对一段时间5秒内,若存在4个峰值,且第一个和最后一个峰值之间的时间差为4.5秒,则该段时间内新生儿的呼吸频率为4÷4.5×60=53.3次/分钟。
判断新生儿是否存在呼吸异常。若计算得到的呼吸频率>80次/分钟,或者呼吸频率<40次/分钟,则分别可以判断该新生儿可能存在呼吸过速或者呼吸过缓。另外,当出现“呼吸过缓”时,胸腹部一段时间内无起伏动作或者起伏动作十分微弱,需要通过以下公式进行判断:
其中f1、f2、f3为中间过程参数,其取值与N和M有关。针对一段时间20秒内,如果检测到N(N为17)个峰值和M(M为17)个谷值,分别为P1,P2,……,P17和G1,G2,……,G17;并记录各个波峰和波谷对应的时间为TP1,TP2,……,TP17和TG1,TG2,……,TG17。L取值为[N/3],即L取值为5。
然后得出三个评分数值score1、score2、score3,分别代表20秒内波形的起始段、中间段、结尾段三个部分的评分。score1、score2、score3用于判断一段连续波形中波峰与波谷值是否趋于接近,当接近程度较高时,则认为可能发生了呼吸暂停并给出相应的评分;当接近程度较低时,则认为属于正常呼吸起伏运动引起的波动。score1、score2、score3分别由以下公式进行计算,其中ε1、ε2、ε3为人为设置参数,本实施例中ε1、ε2、ε3均设置为0.05:
Apnea_Level=score1+score2+score3
Apnea_Level是三个评分数值之和,Apnea_Level值为0时,代表无呼吸暂停异常;Apnea_Level值为1~3时,代表发生呼吸暂停异常,并且相应异常等级为Ⅰ~Ⅲ
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于计算机视觉的非接触式呼吸检测方法,其特征在于,包括以下步骤:
步骤1、采集视频图像,划分出视频图像中包含人体胸腹部的ROI区域,计算出ROI区域的面积S1;将ROI区域内的图像进行语义分割,计算出人体胸腹部轮廓包含的图像面积S2;
步骤2、计算人体胸腹部轮廓包含的图像面积S2与ROI区域的面积S1的比值K,即K=S2/S1;
步骤3,对连续多帧图像进行步骤1至步骤2处理,获得K随时间连续变化的波形,该波形可代表人体的呼吸波形;
步骤4,对步骤1获得的波形进行滤波处理,滤除高频干扰信号,保留呼吸运动产生的信号。
步骤5,对过滤后的信号进行呼吸频率计算;
步骤6,计算得到呼吸频率后,根据不同人群各自的标准判断是否存在呼吸过速或呼吸过缓;
步骤7,当出现“呼吸过缓”时,即进入此计算模式。
2.根据权利要求1所述的一种基于计算机视觉的非接触式呼吸检测方法,其特征在于,所述步骤2具体包括以下内容:
首先使用OTSU算法将对图像二值化处理;然后进行开运算,即先腐蚀后膨胀,用于消除面积较小的白色区域;再对处理后的图像进行闭运算,即先膨胀后腐蚀,用于排除小型黑色区域。完成以上处理后,如果连通域个数为1时,计算出该连通域面积S2,即人体胸腹部包含的语区面积;如果连通域个数≥2时,计算最大的连通域面积,记为S2;然后计算出S2与ROI区域的面积S1的比值K,即K=S2/S1。
4.根据权利要求1所述的一种基于计算机视觉的非接触式呼吸检测方法,其特征在于,步骤7所述的呼吸过缓:可通过以下公式来判断是否发生呼吸暂停,其中f1、f2、f3为中间过程参数,其取值与N和M有关。针对一段时间t2秒内,如果检测到N个峰值和M个谷值,分别为P1,P2,……,PN和G1,G2,……,GM;并记录各个波峰和波谷对应的时间为TP1,TP2,……,TPN和TG1,TG2,……,TGM。:
当N≤M时,L取值为[N/3],
当N>M时,L取值为[M/3],
然后得出三个评分数值score1、score2、score3,分别代表t2秒内波形的起始段、中间段、结尾段三个部分的评分;score1、score2、score3用于判断一段连续波形中波峰与波谷值是否趋于接近,当接近程度较高时,则认为可能发生了呼吸暂停并给出相应的评分;当接近程度较低时,则认为属于正常呼吸起伏运动引起的波动;score1、score2、score3分别由以下公式进行计算,其中ε1、ε2、ε3为人为设置参数:
Apnea_Level=score1+score2+score3
Apnea_Level是三个评分数值之和,Apnea_Level值为0时,代表无呼吸暂停异常;Apnea_Level值为1~3时,代表发生呼吸暂停异常,并且相应异常等级为I~III。
5.根据权利要求1所述的一种基于计算机视觉的非接触式呼吸检测方法,其特征在于,
在步骤1之前还可以包括以下两步:
步骤A,按照固定帧率Fps连续采集待测目标的视频图像,Fps≥30;
步骤B,对采集到的视频图像进行目标检测,检测目标为单个人体,检测到单个人体目标后自动划分,自动划分的方法为按长度比例划分,宽度不变。
6.根据权利要求4所述的一种基于计算机视觉的非接触式呼吸检测方法,其特征在于,ε1、ε2、ε3这三个值与t2有关,ε1、ε2、ε3可以取t2的0.001~0.05倍。
7.根据权利要求3所述的一种基于计算机视觉的非接触式呼吸检测方法,其特征在于,t1选值为3~5。
8.根据权利要求4所述的一种基于计算机视觉的非接触式呼吸检测方法,其特征在于,t2选值为5~30。
9.根据权利要求1所述的一种基于计算机视觉的非接触式呼吸检测方法,其特征在于,步骤1所用于语义分割的工具包括SegFormer语义分割网络、DeepLabv3+语义分割模型。
10.根据权利要求1所述的一种基于计算机视觉的非接触式呼吸检测方法,其特征在于,步骤4所述的滤波处理方法包括低通滤波、卡尔曼滤波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210218028.7A CN114596279B (zh) | 2022-03-08 | 2022-03-08 | 一种基于计算机视觉的非接触式呼吸检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210218028.7A CN114596279B (zh) | 2022-03-08 | 2022-03-08 | 一种基于计算机视觉的非接触式呼吸检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114596279A true CN114596279A (zh) | 2022-06-07 |
CN114596279B CN114596279B (zh) | 2023-09-22 |
Family
ID=81815196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210218028.7A Active CN114596279B (zh) | 2022-03-08 | 2022-03-08 | 一种基于计算机视觉的非接触式呼吸检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114596279B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116129525A (zh) * | 2023-01-24 | 2023-05-16 | 中国人民解放军陆军防化学院 | 一种呼吸防护训练评估系统及方法 |
WO2024060076A1 (zh) * | 2022-09-21 | 2024-03-28 | 鲍尚琦 | 呼吸监测方法、装置、设备及计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014023550A (ja) * | 2012-07-24 | 2014-02-06 | Hiroshima City Univ | 呼吸計測方法および装置 |
CN103824057A (zh) * | 2014-02-18 | 2014-05-28 | 江苏大学 | 一种基于面积特征算子的猪的呼吸频率检测方法 |
CN104706355A (zh) * | 2015-03-26 | 2015-06-17 | 北京怡和嘉业医疗科技有限公司 | 呼吸暂停事件的种类的确定方法及系统 |
CN107260173A (zh) * | 2017-06-30 | 2017-10-20 | 大连理工大学 | 一种基于摄像头与球状标记物的呼吸测量方法 |
WO2020033613A1 (en) * | 2018-08-09 | 2020-02-13 | Covidien Lp | Video-based patient monitoring systems and associated methods for detecting and monitoring breathing |
CN111544001A (zh) * | 2020-04-29 | 2020-08-18 | 北京航空航天大学 | 一种非接触式呼吸暂停检测装置及方法 |
CN113762085A (zh) * | 2021-08-11 | 2021-12-07 | 江苏省人民医院(南京医科大学第一附属医院) | 一种基于人工智能的婴儿培养箱系统及方法 |
-
2022
- 2022-03-08 CN CN202210218028.7A patent/CN114596279B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014023550A (ja) * | 2012-07-24 | 2014-02-06 | Hiroshima City Univ | 呼吸計測方法および装置 |
CN103824057A (zh) * | 2014-02-18 | 2014-05-28 | 江苏大学 | 一种基于面积特征算子的猪的呼吸频率检测方法 |
CN104706355A (zh) * | 2015-03-26 | 2015-06-17 | 北京怡和嘉业医疗科技有限公司 | 呼吸暂停事件的种类的确定方法及系统 |
CN107260173A (zh) * | 2017-06-30 | 2017-10-20 | 大连理工大学 | 一种基于摄像头与球状标记物的呼吸测量方法 |
WO2020033613A1 (en) * | 2018-08-09 | 2020-02-13 | Covidien Lp | Video-based patient monitoring systems and associated methods for detecting and monitoring breathing |
US20200046302A1 (en) * | 2018-08-09 | 2020-02-13 | Covidien Lp | Video-based patient monitoring systems and associated methods for detecting and monitoring breathing |
CN111544001A (zh) * | 2020-04-29 | 2020-08-18 | 北京航空航天大学 | 一种非接触式呼吸暂停检测装置及方法 |
CN113762085A (zh) * | 2021-08-11 | 2021-12-07 | 江苏省人民医院(南京医科大学第一附属医院) | 一种基于人工智能的婴儿培养箱系统及方法 |
Non-Patent Citations (3)
Title |
---|
张言飞;欧阳健飞;姚丽峰;: "基于快速人脸检测的实时呼吸测量系统的设计", 计算机工程与应用, no. 02, pages 260 - 265 * |
汪卫东 等: "《睡眠障碍的中西医结合诊疗基础与临床》", 31 May 2011, pages: 281 * |
陈永康;侯振杰;陈宸;梁久帧;苏海明;: "基于深度图像的非接触式呼吸检测算法研究", 计算机测量与控制, no. 07, pages 218 - 222 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024060076A1 (zh) * | 2022-09-21 | 2024-03-28 | 鲍尚琦 | 呼吸监测方法、装置、设备及计算机可读存储介质 |
CN116129525A (zh) * | 2023-01-24 | 2023-05-16 | 中国人民解放军陆军防化学院 | 一种呼吸防护训练评估系统及方法 |
CN116129525B (zh) * | 2023-01-24 | 2023-11-14 | 中国人民解放军陆军防化学院 | 一种呼吸防护训练评估系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114596279B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jorge et al. | Non-contact monitoring of respiration in the neonatal intensive care unit | |
US11317828B2 (en) | System and methods for video-based monitoring of vital signs | |
RU2675036C2 (ru) | Устройство и способ получения информации о показателях жизненно важных функций субъекта | |
RU2548791C2 (ru) | Неинвазивный способ и устройство для определения стадий поверхностного и глубокого сна | |
Li et al. | Noncontact vision-based cardiopulmonary monitoring in different sleeping positions | |
CN114596279B (zh) | 一种基于计算机视觉的非接触式呼吸检测方法 | |
US20130296660A1 (en) | Methods and systems for measuring dynamic changes in the physiological parameters of a subject | |
CN104834946A (zh) | 一种非接触式睡眠监测方法及系统 | |
CN106236049A (zh) | 基于视频图像的血压测量方法 | |
CN106413533A (zh) | 用于检测对象的呼吸暂停的设备、系统和方法 | |
Alkali et al. | Facial tracking in thermal images for real-time noncontact respiration rate monitoring | |
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 | |
US20200060605A1 (en) | Methods and devices using meta-features extracted from accelerometry signals for swallowing impairment detection | |
Bennett et al. | Comparison of motion-based analysis to thermal-based analysis of thermal video in the extraction of respiration patterns | |
CN111275018A (zh) | 一种基于环形感兴趣区域加权的非接触式心率信号提取方法 | |
CN112971797A (zh) | 连续生理信号质量评估方法 | |
Wang et al. | The Respiratory Fluctuation Index: A global metric of nasal airflow or thoracoabdominal wall movement time series to diagnose obstructive sleep apnea | |
Bella et al. | Review and evaluation of heart rate monitoring based vital signs, a case study: Covid-19 pandemic | |
Sugita et al. | Noise reduction technique for single-color video plethysmography using singular spectrum analysis | |
Lorato et al. | Camera-based on-line short cessation of breathing detection | |
Carter et al. | Deep Learning-Enabled Sleep Staging From Vital Signs and Activity Measured Using a Near-Infrared Video Camera | |
CN113907742B (zh) | 睡眠呼吸数据的监测方法及装置 | |
Usman et al. | Non-invasive respiration monitoring by thermal imaging to detect sleep apnoea | |
Mozafari et al. | Comparison of blind source separation techniques for respiration rate estimation from depth video | |
JP2019198531A (ja) | 生体情報計測装置及び生体情報計測方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |