CN114758400A - 一种非接触式人体血氧饱和度检测方法、装置及设备 - Google Patents

一种非接触式人体血氧饱和度检测方法、装置及设备 Download PDF

Info

Publication number
CN114758400A
CN114758400A CN202210464641.7A CN202210464641A CN114758400A CN 114758400 A CN114758400 A CN 114758400A CN 202210464641 A CN202210464641 A CN 202210464641A CN 114758400 A CN114758400 A CN 114758400A
Authority
CN
China
Prior art keywords
roi
blood oxygen
sub
ppg
oxygen saturation
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
CN202210464641.7A
Other languages
English (en)
Inventor
孙志远
付云博
李冬宁
梁敏华
余毅
何锋赟
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.)
Changchun Institute of Optics Fine Mechanics and Physics of CAS
Original Assignee
Changchun Institute of Optics Fine Mechanics and Physics of CAS
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 Changchun Institute of Optics Fine Mechanics and Physics of CAS filed Critical Changchun Institute of Optics Fine Mechanics and Physics of CAS
Priority to CN202210464641.7A priority Critical patent/CN114758400A/zh
Publication of CN114758400A publication Critical patent/CN114758400A/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
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Psychiatry (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Optics & Photonics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Fuzzy Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明实施例中提供的基于机器学习的非接触式人体血氧饱和度检测方法、装置以及计算机设备，获取目标人体的图像信息，从图像信息中确定面部感兴趣区域ROI区域，将面部ROI区域划分为多个子ROI，对面部子ROI区域进行质量评价，将信噪比低的子ROI剔除，同时，对保留的ROI信号进行加权平均，提高了血氧饱和度解算信号的信噪比。其次，除了传统算法使用的ratio of ratio参数，本发明还增加了Red、Green和Blue三个通道的灰度值平均值作为输入参量一起进行机器学习训练，该方法除了考虑了皮肤对光的反射，同样考虑了光的散射对血氧饱和度估计的影响，提高了非接触测量精度。

Description

一种非接触式人体血氧饱和度检测方法、装置及设备
技术领域
本发明涉及图像处理领域，特别涉及一种基于机器学习的非接触式人体血氧饱和度检测方法、装置及计算机设备。
背景技术
血氧饱和度是一项人体重要的生命指标，是反映人体呼吸循环功能、衡量人体血液携氧能力的指标，血氧饱和度一旦降低意味着人的生命受到威胁。测定动脉血氧饱和度有两种方法，一种是抽取动脉血，利用血气分析仪测得动脉血氧分压(PaO2)，再通过血红蛋白-氧离解曲线得到SaO2，其缺点是观察病情变化需要反复抽血。另一种方法是采用脉搏血氧饱和度监护仪测定，它小巧灵便、无须抽取血液、精确度高，广泛应用于临床。但血氧饱和度监护仪是接触式测量，接触式测量会增加交叉传染的风险。所以，非接触式血氧饱和度的测量得到了广泛的关注。
现有的非接触血氧测量技术是基于彩色摄像头采集被测目标红色 (Red)、绿色(Green)和蓝色(Blue)三个波段的数据。然后，采用 ratio of ratio算法，分别出计算红色和绿色(或者蓝色)波段交流分量和直流分量的比值，血氧饱和度与红色和绿色(或者)两个波段的比值成一定的比例关系。最后，通过一定数量的样本训练后，就可以准确地估计血氧饱和度。
现有技术有两个缺点：
其一：现有技术主要选择被测目标面部上的一个区域，提取整个区域的RGB信号进行处理并解算血氧饱和度。但由于面部血管分布不同，面部不同区域具有不同强度的血液脉动，有些区域的血液脉动很弱，如果将这些低信噪比区域加入血氧饱和度的计算，会降低血氧饱和度解算精度。
其二：现有技术只是使用红色和绿色(或者蓝色)两个波段PPG信号计算得到的ratio of ratio参数估计血氧饱和度，但是没有考虑到光的散射效应对血氧饱和度估计的影响。
发明内容
有鉴于此，本发明实施例中提供一种基于机器学习的非接触式人体血氧饱和度检测方法、装置及计算机设备，提高血氧饱和度估计精度。
第一方面，本发明实施例提供了一种基于机器学习的非接触式人体血氧饱和度检测方法，包括：
获取目标人体的图像信息；
从所述图像信息中确定面部感兴趣区域ROI区域；
将所述面部ROI区域划分为多个子ROI；
对所述子ROI进行质量评价，将信噪比低的子ROI剔除，对保留的ROI信号进行加权平均；
在使用红色、绿色或者蓝色中任意两个波段ratio of ratio结果作为输入参数的基础上，增加ROI内红色、绿色和蓝色通道灰度值作为血氧饱和度的输入参数，使用多参数进行机器学习训练得到血氧饱和度的估计值。
作为一种可选的方案，所述对所述子ROI进行质量评价，将信噪比低的子ROI剔除，对保留的ROI信号进行加权平均，包括：
提取每个所述子ROI的PPG信号，进行滤波后进行快速傅里叶fft 变换，在频域内对各个所述子ROI进行质量评价，质量评价公式如下式所示：
Figure BDA0003623321160000021
式中，Metrici为每个子ROI的评价系数，[PR-b,PR+b]为心跳频率附近的微小频率范围，[B1,B2]为带通滤光范围；
确定出每个所述子ROI的评价系数，将评价系数低于预设阈值的子ROI剔除，保留下来的所有子ROI建立ROI子集。
作为一种可选的方案，所述对保留的ROI信号进行加权平均，包括：
对ROI子集进行加权平均得到用于进行血氧计算的PPG信号，令 ROI子集为[ROI1,ROI2,...,ROIm]，对应的PPG信号和评价系数分别为 [PPG1,PPG2,...,PPGm]，[Metric1,Metric2,...,Metricm]，其中，m为子ROI 的数量，加权平均过程如下式所示：
PPGcalc＝Metric1·PPG1+Metric2·PPG2+…+Metricm·PPGm (2)。
作为一种可选的方案，所述在使用红色、绿色或者蓝色中任意两个波段ratio ofratio结果作为输入参数的基础上，增加ROI内红色、绿色和蓝色通道灰度值作为血氧饱和度的输入参数，使用多参数进行机器学习训练得到血氧饱和度的估计值，包括：
计算ratio of ratio结果，分别提取PPGcalc的红色和绿色波段的时间序列，分别计算两个波段的交流信号AC和直流信号DC，得到ratio of ratio结果如公式(3)所示；
Figure BDA0003623321160000031
式中，ACcalc_red和DCcalc_red是红色通道ROIcalc区域平均值随着时间变化的交流分量和直流分量，ACcalc_green和DCcalc_green是绿色通道ROIcalc区域平均值随着时间变化的交流分量和直流分量；
提取ROIcalc区域内加权平均PPGcalc信号的Red、Green和Blue三个通道的灰度值平均值Grayred、Graygreen和Grayblue，作为血氧饱和度计算的输入参量；
以4个参量ratio of ratio结果、Grayred、Graygreen和Grayblue作为输入参量，通过机器学习算法，对一定量的样本进行训练，得到最终血氧饱和度的估计值。
第二方面，本发明实施例提供了一种基于机器学习的非接触式人体血氧饱和度检测装置，包括：
获取模块，用于获取目标人体的图像信息；
确定模块，用于从所述图像信息中确定面部感兴趣区域ROI区域；
划分模块，用于将所述面部ROI区域划分为多个子ROI；
评价模块，用于对所述子ROI进行质量评价，将信噪比低的子 ROI剔除，对保留的ROI信号进行加权平均；
训练模块，用于在使用红色、绿色或者蓝色中任意两个波段ratio of ratio结果作为输入参数的基础上，增加ROI内红色、绿色和蓝色通道灰度值作为血氧饱和度的输入参数，使用多参数进行机器学习训练得到血氧饱和度的估计值。
作为一种可选的方案，所述评价模块具体用于：
提取每个所述子ROI的PPG信号，进行滤波后进行快速傅里叶fft 变换，在频域内对各个所述子ROI进行质量评价，质量评价公式如下式所示：
Figure BDA0003623321160000041
式中，Metrici为每个子ROI的评价系数，[PR-b,PR+b]为心跳频率附近的微小频率范围，[B1,B2]为带通滤光范围；
确定出每个所述子ROI的评价系数，将评价系数低于预设阈值的子 ROI剔除，保留下来的所有子ROI建立ROI子集。
作为一种可选的方案，所述评价模块具体用于：
对ROI子集进行加权平均得到用于进行血氧计算的PPG信号，令 ROI子集为[ROI1,ROI2,...,ROIm]，对应的PPG信号和评价系数分别为 [PPG1,PPG2,...,PPGm]，[Metric1,Metric2,...,Metricm]，其中，m为子ROI 的数量，加权平均过程如下式所示：
PPGcalc＝Metric1·PPG1+Metric2·PPG2+…+Metricm·PPGm (2)。
作为一种可选的方案，所述训练模块具体用于：
计算ratio of ratio结果，分别提取PPGcalc的红色和绿色波段的时间序列，分别计算两个波段的交流信号AC和直流信号DC，得到ratio of ratio结果如公式(3)所示；
Figure BDA0003623321160000051
式中，ACcalc_red和DCcalc_red是红色通道ROIcalc区域平均值随着时间变化的交流分量和直流分量，ACcalc_green和DCcalc_green是绿色通道ROIcalc区域平均值随着时间变化的交流分量和直流分量；
提取ROIcalc区域内加权平均PPGcalc信号的Red、Green和Blue三个通道的灰度值平均值Grayred、Graygreen和Grayblue，作为血氧饱和度计算的输入参量；
以4个参量ratio of ratio结果、Grayred、Graygreen和Grayblue作为输入参量，通过机器学习算法，对一定量的样本进行训练，得到最终血氧饱和度的估计值。
第三方面，本发明实施例提供了一种计算机设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的基于机器学习的非接触式人体血氧饱和度检测方法。
第四方面，本发明实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述的基于机器学习的非接触式人体血氧饱和度检测方法。
本发明实施例中提供的基于机器学习的非接触式人体血氧饱和度检测方法、装置以及计算机设备，获取目标人体的图像信息，从图像信息中确定面部感兴趣区域ROI区域，将面部ROI区域划分为多个子ROI，对面部子ROI区域进行质量评价，将信噪比低的子ROI 剔除，同时，对保留的ROI信号进行加权平均，提高了血氧饱和度解算信号的信噪比。其次，除了传统算法使用的ratio of ratio参数，本发明还增加了Red、Green和Blue三个通道的灰度值平均值作为输入参量一起进行机器学习训练，该方法除了考虑了皮肤对光的反射，同样考虑了光的散射对血氧饱和度估计的影响，提高了测量精度。
附图说明
图1为本发明实施例中提供一种基于机器学习的非接触式人体血氧饱和度检测方法的流程图；
图2为本发明实施例中提供另一种基于机器学习的非接触式人体血氧饱和度检测方法中的流程示意图；
图3为本发明实施例中提供一种基于机器学习的非接触式人体血氧饱和度检测方法中ROI分割效果的示意图；
图4为本发明实施例中提供一种基于机器学习的非接触式人体血氧饱和度检测方法中ROI质量评价过程的流程示意图；
图5为本发明实施例中提供一种基于机器学习的非接触式人体血氧饱和度检测装置的结构框图；
图6为本发明实施例中提供一种计算机设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，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。
结合图1所示，本发明实施例提供了一种基于机器学习的非接触式人体血氧饱和度检测方法，包括：
S101、获取目标人体的图像信息，例如通过读入视频信号；
S102、从所述图像信息中确定面部感兴趣区域ROI区域，根据人脸识别算法识别的特征点，选择合适的面部ROI区域；
S103、将所述面部ROI区域划分为多个子ROI；
S104、对所述子ROI进行质量评价，将信噪比低的子ROI剔除，对保留的ROI信号进行加权平均；
S105、在使用红色、绿色或者蓝色中任意两个波段ratio of ratio 结果作为输入参数的基础上，增加ROI内红色、绿色和蓝色通道灰度值作为血氧饱和度的输入参数，使用多参数进行机器学习训练得到血氧饱和度的估计值。
本发明实施例中提供的基于机器学习的非接触式人体血氧饱和度检测方法，获取目标人体的图像信息，从图像信息中确定面部感兴趣区域ROI区域，将面部ROI区域划分为多个子ROI，对面部子ROI 区域进行质量评价，将信噪比低的子ROI剔除，同时，对保留的ROI信号进行加权平均，提高了血氧饱和度解算信号的信噪比。其次，除了传统算法使用的ratio of ratio参数，本发明还增加了Red、Green和 Blue三个通道的灰度值平均值作为输入参量一起进行机器学习训练，该方法除了考虑了皮肤对光的反射，同样考虑了光的散射对血氧饱和度估计的影响，提高了测量精度。
结合图2和图3所示，本发明实施例中提供的另一种基于机器学习的非接触式人体血氧饱和度检测方法，包括：
获取目标人体的图像信息，从所述图像信息中确定面部感兴趣区域ROI区域，将所述面部ROI区域划分为多个子ROI，如图2所示。
提取每个子ROI的PPG信号，进行滤波后进行快速傅里叶fft变换，在频域内对各个所述子ROI进行质量评价，如图3所示，质量评价公式如下式所示：
Figure BDA0003623321160000081
式中，Metrici为每个子ROI的评价系数，[PR-b,PR+b]为心跳频率附近的微小频率范围，[B1,B2]为带通滤光范围；
确定出每个所述子ROI的评价系数，将评价系数低于预设阈值的子ROI剔除，保留下来的所有子ROI建立ROI子集。
对ROI子集进行加权平均得到用于进行血氧计算的PPG信号，令 ROI子集为[ROI1,ROI2,...,ROIm]，对应的PPG信号和评价系数分别为 [PPG1,PPG2,...,PPGm]，[Metric1,Metric2,...,Metricm]，其中，m为子ROI 的数量，加权平均过程如下式所示：
PPGcalc＝Metric1·PPG1+Metric2·PPG2+…+Metricm·PPGm (2)。
计算ratio of ratio结果，分别提取PPGcalc的红色和绿色波段的时间序列，分别计算两个波段的交流信号AC和直流信号DC，得到ratio of ratio结果如公式(3)所示；
Figure BDA0003623321160000082
式中，ACcalc_red和DCcalc_red是红色通道ROIcalc区域平均值随着时间变化的交流分量和直流分量，ACcalc_green和DCcalc_green是绿色通道ROIcalc区域平均值随着时间变化的交流分量和直流分量；
提取ROIcalc区域内加权平均PPGcalc信号的Red、Green和Blue三个通道的灰度值平均值Grayred、Graygreen和Grayblue，作为血氧饱和度计算的输入参量；
以4个参量ratio of ratio结果、Grayred、Graygreen和Grayblue作为输入参量，通过机器学习算法，对一定量的样本进行训练，得到最终血氧饱和度的估计值。
结合图2和4所示，本发明实施例提供了一种基于机器学习的非接触式人体血氧饱和度检测方法，所述方法包括以下步骤：
步骤1：读入视频信号，根据人脸识别算法识别的特征点，选择合适的面部ROI区域；
步骤2：将面部ROI划分为n个子ROI；
步骤3：提取每个子ROI的PPG信号，进行滤波后进行fft变换，在频域内对各个子ROI进行质量评价，质量评价公式如下式所示：
Figure BDA0003623321160000091
式中，Metrici为每个子ROI的评价系数；[PR-b,PR+b]为心跳频率附近的微小频率范围，[B1,B2]为带通滤光范围。
计算出每个子ROI的评价系数之后，将评价系数低于阈值的ROI 剔除，保留下来的所有ROI建立ROI子集；
步骤4：对ROI子集进行加权平均得到用于后续血氧计算的PPG信号。假设ROI子集为[ROI1,ROI2,...,ROIm]，对应的PPG信号和评价系数分别为[PPG1,PPG2,...,PPGm]，[Metric1,Metric2,...,Metricm]，其中，m 为子ROI的数量，加权平均过程如下式所示：
PPGcalc＝Metric1·PPG1+Metric2·PPG2+…+Metricm·PPGm (2)
步骤5：计算ratio of ratio信号。分别提取PPGcalc的红色和绿色波段的时间序列，分别计算两个波段的交流信号(AC)和直流信号(DC)，就可以得到ratio of ratio结果如公式(3)所示；
Figure BDA0003623321160000101
式中，ACcalc_red和DCcalc_red是红色通道ROIcalc区域平均值随着时间变化的交流分量和直流分量，ACcalc_green和DCcalc_green是绿色通道ROIcalc区域平均值随着时间变化的交流分量和直流分量。
步骤6：提取ROIcalc区域内加权平均PPGcalc信号的Red、Green和 Blue三个通道的灰度值平均值Grayred、Graygreen和Grayblue，作为后续计算的输入参量。
步骤7：以步骤5和步骤6得到的4个参量ratio of ratio、Grayred、 Graygreen和Grayblue作为输入参量，通过机器学习算法，机器学习算法可以采用多元线性回归，对一定量的样本进行训练，以得到最终血氧饱和度的估计值。
本发明实施例中提供的基于机器学习的非接触式人体血氧饱和度检测方法，获取目标人体的图像信息，从图像信息中确定面部感兴趣区域ROI区域，将面部ROI区域划分为多个子ROI，对面部子ROI 区域进行质量评价，将信噪比低的子ROI剔除，同时，对保留的ROI信号进行加权平均，提高了血氧饱和度解算信号的信噪比。其次，除了传统算法使用的ratio of ratio参数，本发明还增加了Red、Green和 Blue三个通道的灰度值平均值作为输入参量一起进行机器学习训练，该方法除了考虑了皮肤对光的反射，同样考虑了光的散射对血氧饱和度估计的影响，提高了测量精度。
结合图5，本发明实施例提供了一种基于机器学习的非接触式人体血氧饱和度检测装置，包括：
获取模块501，用于获取目标人体的图像信息；
确定模块502，用于从所述图像信息中确定面部感兴趣区域ROI 区域；
划分模块503，用于将所述面部ROI区域划分为多个子ROI；
评价模块504，用于对所述子ROI进行质量评价，将信噪比低的子ROI剔除，对保留的ROI信号进行加权平均；
训练模块505，用于在使用红色、绿色或者蓝色中任意两个波段 ratio of ratio结果作为输入参数的基础上，增加ROI内红色、绿色和蓝色通道灰度值作为血氧饱和度的输入参数，使用多参数进行机器学习训练得到血氧饱和度的估计值。
所述评价模块404具体用于：
提取每个所述子ROI的PPG信号，进行滤波后进行快速傅里叶fft 变换，在频域内对各个所述子ROI进行质量评价，质量评价公式如下式所示：
Figure BDA0003623321160000111
式中，Metrici为每个子ROI的评价系数，[PR-b,PR+b]为心跳频率附近的微小频率范围，[B1,B2]为带通滤光范围；
确定出每个所述子ROI的评价系数，将评价系数低于预设阈值的子 ROI剔除，保留下来的所有子ROI建立ROI子集。
在一些可能的实施例中，所述对评价模块404具体用于：
对ROI子集进行加权平均得到用于进行血氧计算的PPG信号，令 ROI子集为[ROI1,ROI2,...,ROIm]，对应的PPG信号和评价系数分别为 [PPG1,PPG2,...,PPGm]，[Metric1,Metric2,...,Metricm]，其中，m为子ROI 的数量，加权平均过程如下式所示：
PPGcalc＝Metric1·PPG1+Metric2·PPG2+…+Metricm·PPGm (2)。
在一些可能的实施例中，所述训练模块405具体用于：
计算ratio of ratio结果，分别提取PPGcalc的红色和绿色波段的时间序列，分别计算两个波段的交流信号AC和直流信号DC，得到ratio of ratio结果如公式(3)所示；
Figure BDA0003623321160000121
式中，ACcalc_red和DCcalc_red是红色通道ROIcalc区域平均值随着时间变化的交流分量和直流分量，ACcalc_green和DCcalc_green是绿色通道ROIcalc区域平均值随着时间变化的交流分量和直流分量；
提取ROIcalc区域内加权平均PPGcalc信号的Red、Green和Blue三个通道的灰度值平均值Grayred、Graygreen和Grayblue，作为血氧饱和度计算的输入参量；
以4个参量ratio of ratio结果、Grayred、Graygreen和Grayblue作为输入参量，通过机器学习算法，对一定量的样本进行训练，得到最终血氧饱和度的估计值。
本发明实施例中提供的基于机器学习的非接触式人体血氧饱和度检测装置，获取目标人体的图像信息，从图像信息中确定面部感兴趣区域ROI区域，将面部ROI区域划分为多个子ROI，对面部子ROI 区域进行质量评价，将信噪比低的子ROI剔除，同时，对保留的ROI信号进行加权平均，提高了血氧饱和度解算信号的信噪比。其次，除了传统算法使用的ratio of ratio参数，本发明还增加了Red、Green和 Blue三个通道的灰度值平均值作为输入参量一起进行机器学习训练，该方法除了考虑了皮肤对光的反射，同样考虑了光的散射对血氧饱和度估计的影响，提高了测量精度。
相应地，根据本发明的实施例，本发明还提供了一种计算机设备、一种可读存储介质和一种计算机程序产品。
图6为本发明实施例中提供的一种计算机设备12的结构示意图。图6示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图6显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，计算机设备12以通用计算设备的形式表现。计算机设备12旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28 和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA 总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12 可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM、DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网 (WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID 系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的基于机器学习的非接触式人体血氧饱和度检测方法。
本发明实施例中还提供一种存储有计算机指令的非瞬时计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时本申请所有发明实施例提供的基于机器学习的非接触式人体血氧饱和度检测方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质的更具体的例子(非穷举的列表) 包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本发明实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述的基于机器学习的非接触式人体血氧饱和度检测方法。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种基于机器学习的非接触式人体血氧饱和度检测方法，其特征在于，包括：
获取目标人体的图像信息；
从所述图像信息中确定面部感兴趣区域ROI区域；
将所述面部ROI区域划分为多个子ROI；
对所述子ROI进行质量评价，将信噪比低的子ROI剔除，对保留的ROI信号进行加权平均；
在使用红色、绿色或者蓝色中任意两个波段ratio of ratio结果作为输入参数的基础上，增加ROI内红色、绿色和蓝色通道灰度值作为血氧饱和度的输入参数，使用多参数进行机器学习训练得到血氧饱和度的估计值。
2.根据权利要求1所述的基于机器学习的非接触式人体血氧饱和度检测方法，其特征在于，所述对所述子ROI进行质量评价，将信噪比低的子ROI剔除，对保留的ROI信号进行加权平均，包括：
提取每个所述子ROI的PPG信号，进行滤波后进行快速傅里叶fft变换，在频域内对各个所述子ROI进行质量评价，质量评价公式如下式所示：
Figure FDA0003623321150000011
式中，Metrici为每个子ROI的评价系数，[PR-b,PR+b]为心跳频率附近的微小频率范围，[B1,B2]为带通滤光范围；
确定出每个所述子ROI的评价系数，将评价系数低于预设阈值的子ROI剔除，保留下来的所有子ROI建立ROI子集。
3.根据权利要求2所述的基于机器学习的非接触式人体血氧饱和度检测方法，其特征在于，所述对保留的ROI信号进行加权平均，包括：
对ROI子集进行加权平均得到用于进行血氧计算的PPG信号，令ROI子集为[ROI1,ROI2,...,ROIm]，对应的PPG信号和评价系数分别为[PPG1,PPG2,...,PPGm]，[Metric1,Metric2,...,Metricm]，其中，m为子ROI的数量，加权平均过程如下式所示：
PPGcalc＝Metric1.PPG1+Metric2.PPG2+…+Metricm.PPGm (2）。
4.根据权利要求1所述的基于机器学习的非接触式人体血氧饱和度检测方法，其特征在于，所述在使用红色、绿色或者蓝色中任意两个波段ratio of ratio结果作为输入参数的基础上，增加ROI内红色、绿色和蓝色通道灰度值作为血氧饱和度的输入参数，使用多参数进行机器学习训练得到血氧饱和度的估计值，包括：
计算ratio of ratio结果，分别提取PPGcalc的红色和绿色波段的时间序列，分别计算两个波段的交流信号AC和直流信号DC，得到ratio of ratio结果如公式(3)所示；
Figure FDA0003623321150000021
式中，ACcalc_red和DCcalc_red是红色通道ROIcalc区域平均值随着时间变化的交流分量和直流分量，ACcalc_green和DCcalc_green是绿色通道ROIcalc区域平均值随着时间变化的交流分量和直流分量；
提取ROIcalc区域内加权平均PPGcalc信号的Red、Green和Blue三个通道的灰度值平均值Grayred、Graygreen和Grayblue，作为血氧饱和度计算的输入参量；
以4个参量ratio of ratio结果、Grayred、Graygreen和Grayblue作为输入参量，通过机器学习算法，对一定量的样本进行训练，得到最终血氧饱和度的估计值。
5.一种基于机器学习的非接触式人体血氧饱和度检测装置，其特征在于，包括：
获取模块，用于获取目标人体的图像信息；
确定模块，用于从所述图像信息中确定面部感兴趣区域ROI区域；
划分模块，用于将所述面部ROI区域划分为多个子ROI；
评价模块，用于对所述子ROI进行质量评价，将信噪比低的子ROI剔除，对保留的ROI信号进行加权平均；
训练模块，用于在使用红色、绿色或者蓝色中任意两个波段ratio of ratio结果作为输入参数的基础上，增加ROI内红色、绿色和蓝色通道灰度值作为血氧饱和度的输入参数，使用多参数进行机器学习训练得到血氧饱和度的估计值。
6.根据权利要求5所述的基于机器学习的非接触式人体血氧饱和度检测装置，其特征在于，所述评价模块具体用于：
提取每个所述子ROI的PPG信号，进行滤波后进行快速傅里叶fft变换，在频域内对各个所述子ROI进行质量评价，质量评价公式如下式所示：
Figure FDA0003623321150000031
式中，Metrici为每个子ROI的评价系数，[PR-b,PR+b]为心跳频率附近的微小频率范围，[B1,B2]为带通滤光范围；
确定出每个所述子ROI的评价系数，将评价系数低于预设阈值的子ROI剔除，保留下来的所有子ROI建立ROI子集。
7.根据权利要求6所述的基于机器学习的非接触式人体血氧饱和度检测装置，其特征在于，所述评价模块具体用于：
对ROI子集进行加权平均得到用于进行血氧计算的PPG信号，令ROI子集为[ROI1,ROI2,...,ROIm]，对应的PPG信号和评价系数分别为[PPG1,PPG2,...,PPGm]，[Metric1,Metric2,...,Metricm]，其中，m为子ROI的数量，加权平均过程如下式所示：
PPGcalc＝Metric1.PPG1+Metric2.PPG2+…+Metricm.PPGm(2)。
8.根据权利要求5所述的基于机器学习的非接触式人体血氧饱和度检测装置，其特征在于，所述训练模块具体用于：
计算ratio of ratio结果，分别提取PPGcalc的红色和绿色波段的时间序列，分别计算两个波段的交流信号AC和直流信号DC，得到ratio of ratio结果如公式(3)所示；
Figure FDA0003623321150000041
式中，ACcalc_red和DCcalc_red是红色通道ROIcalc区域平均值随着时间变化的交流分量和直流分量，ACcalc_green和DCcalc_green是绿色通道ROIcalc区域平均值随着时间变化的交流分量和直流分量；
提取ROIcalc区域内加权平均PPGcalc信号的Red、Green和Blue三个通道的灰度值平均值Grayred、Graygreen和Grayblue，作为血氧饱和度计算的输入参量；
以4个参量ratio of ratio结果、Grayred、Graygreen和Grayblue作为输入参量，通过机器学习算法，对一定量的样本进行训练，得到最终血氧饱和度的估计值。
9.一种计算机设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至4中任一项所述的基于机器学习的非接触式人体血氧饱和度检测方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1至4中任一项所述的基于机器学习的非接触式人体血氧饱和度检测方法。
CN202210464641.7A 2022-04-29 2022-04-29 一种非接触式人体血氧饱和度检测方法、装置及设备 Pending CN114758400A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210464641.7A CN114758400A (zh) 2022-04-29 2022-04-29 一种非接触式人体血氧饱和度检测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210464641.7A CN114758400A (zh) 2022-04-29 2022-04-29 一种非接触式人体血氧饱和度检测方法、装置及设备

Publications (1)

Publication Number Publication Date
CN114758400A true CN114758400A (zh) 2022-07-15

Family

ID=82333990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210464641.7A Pending CN114758400A (zh) 2022-04-29 2022-04-29 一种非接触式人体血氧饱和度检测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN114758400A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116030051A (zh) * 2023-03-27 2023-04-28 中国科学院苏州生物医学工程技术研究所 一种呼吸训练检测评价方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116030051A (zh) * 2023-03-27 2023-04-28 中国科学院苏州生物医学工程技术研究所 一种呼吸训练检测评价方法及装置

Similar Documents

Publication Publication Date Title
WO2021169128A1 (zh) 眼底视网膜血管识别及量化方法、装置、设备及存储介质
EP2829223B1 (en) Monitoring physiological parameters
CN107529646B (zh) 一种基于欧拉影像放大的无接触式心率测量方法及装置
CN109452935B (zh) 使用统计后处理从血管容积图估计血压的无创方法和系统
EP3570736B1 (en) Determining health markers using portable devices
CN108742697B (zh) 心音信号分类方法及终端设备
CN108652640B (zh) 一种基于心电信号的无创血糖检测方法及系统
CN111938622B (zh) 心率检测方法、装置及系统、可读存储介质
CN111797901A (zh) 一种基于拓扑结构估计的视网膜动静脉分类方法及装置
Paula Rocha et al. Beyond long memory in heart rate variability: an approach based on fractionally integrated autoregressive moving average time series models with conditional heteroscedasticity
Wedekind et al. Automated identification of cardiac signals after blind source separation for camera-based photoplethysmography
CN114758400A (zh) 一种非接触式人体血氧饱和度检测方法、装置及设备
Tabei et al. A novel diversity method for smartphone camera-based heart rhythm signals in the presence of motion and noise artifacts
CN107753012B (zh) 一种心磁信号质量评估方法、系统、及服务器
CN109009079A (zh) 用户状态检测系统和方法、计算机设备、计算机存储介质
CN113693611A (zh) 基于机器学习的心电数据分类方法及装置
CN115486849A (zh) 心电信号质量评估方法、装置及设备
WO2021111436A1 (en) System and method for physiological measurements from optical data
KR102588694B1 (ko) 생체신호를 이용한 단위시간당 호흡수 산출 방법과, 호흡상태 판단 방법 및 장치
CN114557691B (zh) 基于多波长的ppg信号的无创血脂检测方法及系统
CN116327133A (zh) 一种多生理指标检测方法、装置及相关设备
Ma et al. Glomerulus extraction by using genetic algorithm for edge patching
CN113255781B (zh) Cp-ebus的代表性图片选取方法、装置以及诊断系统
KR102132925B1 (ko) 피부 영상 기반 혈량 측정 방법 및 이를 지원하는 장치
CN113538352A (zh) 脑卒中组织窗评价值的获取方法及装置、存储介质

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