CN116807424A - 个人体征数据检测方法、装置、计算机设备及存储介质 - Google Patents
个人体征数据检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116807424A CN116807424A CN202310781207.6A CN202310781207A CN116807424A CN 116807424 A CN116807424 A CN 116807424A CN 202310781207 A CN202310781207 A CN 202310781207A CN 116807424 A CN116807424 A CN 116807424A
- Authority
- CN
- China
- Prior art keywords
- sign data
- data
- personal sign
- video
- personal
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 54
- 239000008280 blood Substances 0.000 claims description 48
- 210000004369 blood Anatomy 0.000 claims description 48
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 45
- 239000001301 oxygen Substances 0.000 claims description 45
- 229910052760 oxygen Inorganic materials 0.000 claims description 45
- 239000011159 matrix material Substances 0.000 claims description 41
- 239000013598 vector Substances 0.000 claims description 32
- 230000010365 information processing Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000036541 health Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000840 electrochemical analysis Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
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
- A61B5/145—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
- A61B5/14542—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 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Multimedia (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Heart & Thoracic Surgery (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Fuzzy Systems (AREA)
- Optics & Photonics (AREA)
- Pulmonology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请涉及数据分析领域及数字医疗领域,提供一种个人体征数据检测方法、装置、计算机设备及存储介质,该方法包括:获取摄像头采集的第一视频,所述第一视频是在所述摄像头贴附目标人员的人体检测部位的状态下采集的;提取所述第一视频的多帧第一图像,并对多帧所述第一图像进行数据预处理,获得对应的待检测数据;将所述待检测数据输入预先训练好的个人体征数据检测模型进行个人体征数据检测分析,获得所述目标人员对应的个人体征数据。通过个人体征数据检测模型进行机器学习,代替检测仪器来实现个人体征数据检测,降低了个人体征数据检测的成本。本申请还涉及区块链技术,个人体征数据可以存储在区块链节点中。
Description
技术领域
本申请涉及数据分析领域及数字医疗领域,尤其涉及一种个人体征数据检测方法、装置、计算机设备及存储介质。
背景技术
血氧饱和度、心率等个人体征数据是反映个人身体健康的重要生理参数,在医疗领域,个人体征数据可以支持疾病辅助诊断、健康管理等。现今,一般都是通过相应的检测仪器来对人员进行个人体征数据检测。例如,以血氧饱和度为例,目前要么是通过采集血液,然后利用血气分析仪进行电化学分析,测出血氧分压后计算出血氧饱和度;要么是通过指夹式血氧检测仪检测得到血氧饱和度。由于个人体征数据的检测需要依赖于这些检测仪器,导致个人体征数据检测的成本较高。
因此,如何实现降低个人体征数据检测的成本成为亟需解决的问题。
发明内容
本申请提供了一种个人体征数据检测方法、装置、计算机设备及存储介质,旨在实现降低个人体征数据检测的成本。
为实现上述目的,本申请提供一种个人体征数据检测方法,所述个人体征数据检测方法包括:
获取摄像头采集的第一视频,所述第一视频是在所述摄像头贴附目标人员的人体检测部位的状态下采集的;
提取所述第一视频的多帧第一图像,并对多帧所述第一图像进行数据预处理,获得对应的待检测数据;
将所述待检测数据输入预先训练好的个人体征数据检测模型进行个人体征数据检测分析,获得所述目标人员对应的个人体征数据。
此外,为实现上述目的,本申请还提供一种个人体征数据检测装置,所述个人体征数据检测装置包括:
数据获取模块,用于获取摄像头采集的第一视频,所述第一视频是在所述摄像头贴附目标人员的人体检测部位的状态下采集的;
数据处理模块,用于提取所述第一视频的多帧第一图像,并对多帧所述第一图像进行数据预处理,获得对应的待检测数据;
检测分析模块,用于将所述待检测数据输入预先训练好的个人体征数据检测模型进行个人体征数据检测分析,获得所述目标人员对应的个人体征数据。
此外,为实现上述目的,本申请还提供一种计算机设备,所述计算机设备包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如上述的个人体征数据检测方法。
此外,为实现上述目的,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的个人体征数据检测方法的步骤。
本申请公开了一种个人体征数据检测方法、装置、计算机设备及存储介质,通过获取摄像头采集的第一视频,其中,第一视频是在摄像头贴附目标人员的人体检测部位的状态下采集的,然后提取第一视频的多帧第一图像,并对多帧第一图像进行数据预处理,获得对应的待检测数据,将待检测数据输入预先训练好的个人体征数据检测模型进行个人体征数据检测分析,获得目标人员对应的个人体征数据,实现了个人体征数据检测不需要依赖于检测仪器,因此,降低了个人体征数据检测的成本。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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是本申请实施例提供的一种个人体征数据检测方法的步骤示意性流程图;
图2是本申请实施例提供的一种个人体征数据检测操作界面的示意图;
图3是本申请实施例提供的一种对个人体征数据检测模型进行模型训练的步骤示意性流程图;
图4是本申请实施例提供的一种根据所述第二视频和所述标准个人体征数据,生成样本训练数据的步骤示意性流程图;
图5是本申请实施例提供的另一种个人体征数据检测方法的步骤示意性流程图;
图6是本申请实施例提供的又另一种个人体征数据检测方法的步骤示意性流程图;
图7是本申请实施例提供的一种个人体征数据检测装置的示意性框图;
图8是本申请实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本申请的实施例提供了一种个人体征数据检测方法、装置、计算机设备及存储介质,用于实现降低个人体征数据检测的成本。
请参阅图1,图1是本申请一实施例提供的个人体征数据检测方法的流程示意图。该方法可以应用于计算机设备,本申请中对该方法的应用场景不做限定。下面以该个人体征数据检测方法应用于计算机设备中为例,对该个人体征数据检测方法进行详细介绍。
如图1所示,该个人体征数据检测方法具体包括步骤S101至步骤S103。
S101、获取摄像头采集的第一视频,所述第一视频是在所述摄像头贴附目标人员的人体检测部位的状态下采集的。
示例性的,摄像头可以为智能手机、平板电脑等终端上自带的摄像头。个人体征数据包括但不限于血氧饱和度、心率等。
本申请中,当人员需要进行个人体征数据检测时,不需要使用相关的检测仪器,只需开启摄像头,并将相应的人体检测部位贴附摄像头,通过摄像头进行视频录像,生成视频,然后将视频上传,从而获得摄像头采集的视频。为了便于区分描述,下文将该视频称为第一视频。
进一步地,为了确保第一视频的质量,在开启摄像头的同时,开启终端的闪光灯,将相应的人体检测部位贴附摄像头,在闪光灯打开的环境下,通过摄像头采集第一视频。
其中,贴附摄像头的人体检测部位包括但不限于手指头、手腕等。可以理解的是,对于不同类型的个人体征数据,相应的人体检测部位也不相同。
示例性的,可以通过预先在智能手机、平板电脑等终端上加载个人体征数据检测的应用程序,开启应用程序后,将第一视频通过应用程序进行上传。例如,如图2所示,开启应用程序后,显示个人体征数据检测操作界面,该个人体征数据检测操作界面上包含“上传”控件,当人员点击该“上传”控件时,将第一视频进行上传。
需要说明的是,也可以通过其他方式上传第一视频,比如,可以通过终端打开个人体征数据检测的网页,将第一视频进行上传。本申请中对获得第一视频的方式不作具体限制。
S102、提取所述第一视频的多帧第一图像,并对多帧所述第一图像进行数据预处理,获得对应的待检测数据。
获得第一视频后,对第一视频进行图像帧提取,获得第一视频的多帧图像。为了便于区分描述,下文将第一视频的多帧图像称为第一图像。
获得多帧第一图像后,对多帧第一图像进行数据预处理,获得对应的待检测数据。示例性的,对多帧第一图像基于颜色系统rgb通道进行像素点信息处理,也即,分别对多帧第一图像基于r通道进行像素点信息处理,对多帧第一图像基于g通道进行像素点信息处理,对多帧第一图像基于b通道进行像素点信息处理,获得多帧第一图像的像素点对应的矩阵向量,将矩阵向量确定为待检测数据。
在一些实施例中,分别对每帧第一图像基于r通道计算像素点均值,对每帧第一图像基于g通道计算像素点均值,对每帧第一图像基于b通道计算像素点均值,将获得的每个像素点均值作为矩阵的元,生成矩阵向量,将矩阵向量确定为待检测数据。
例如,假设第一视频包括N帧第一图像,通过分别对每帧第一图像基于r通道计算像素点均值,对每帧第一图像基于g通道计算像素点均值,对每帧第一图像基于b通道计算像素点均值,得到3*N个像素点均值,将每个像素点均值作为矩阵的元,得到3*N的矩阵向量。比如,若第一视频为3秒的视频,第一视频的帧率为30,也即1秒30帧,则第一视频包括90帧第一图像,通过分别对该90帧第一图像基于r通道计算像素点均值,对每帧第一图像基于g通道计算像素点均值,对每帧第一图像基于b通道计算像素点均值,得到3*90个像素点均值,生成3*90的矩阵向量。将获得的3*90的矩阵向量,确定为对应的待检测数据。
S103、将所述待检测数据输入预先训练好的个人体征数据检测模型进行个人体征数据检测分析,获得所述目标人员对应的个人体征数据。
本申请中,通过个人体征数据检测模型进行机器学习,使用个人体征数据检测模型代替检测仪器,进行个人体征数据检测。其中,个人体征数据检测模型包括但不限于血氧饱和度检测模型、心率检测模型等。
在一些实施例中,如图3所示,步骤S101之前可以包括步骤S104至步骤S106。
S104、获取原样本数据,所述原样本数据包括摄像头在贴附所述人体检测部位的状态下采集的第二视频,以及在所述摄像头采集所述第二视频时,个人体征数据检测仪同步采集的标准个人体征数据;
S105、根据所述第二视频和所述标准个人体征数据,生成样本训练数据;
S106、将所述样本训练数据输入所述个人体征数据检测模型,对所述个人体征数据检测模型进行模型训练,直至所述个人体征数据检测模型收敛,获得训练好的所述个人体征数据检测模型。
为了对个人体征数据检测模型进行机器学习,首先获取原样本数据。通过开启摄像头,并将相应的试验人员的人体检测部位贴附摄像头,通过摄像头进行视频录像,生成视频。了便于区分描述,下文将该视频称为第二视频。
示例性的,在开启摄像头的同时,开启终端的闪光灯,将相应的人体检测部位贴附摄像头,在闪光灯打开的环境下,通过摄像头采集第二视频。
在摄像头采集第二视频的同时,通过个人体征数据检测仪同步采集试验人员的个人体征数据。其中,个人体征数据检测仪包括但不限于血氧检测仪、心率检测仪等。为了便于描述,下文将通过个人体征数据检测仪采集的个人体征数据称为标准个人体征数据。
例如,以血氧饱和度检测的场景为例,将试验人员的一根手指盖住终端的摄像头,开启摄像头和闪光灯进行视频录制,生成第二视频。同时,使用指夹式血氧检测仪测量试验人员的另一根手指进行采样,获得试验人员的标准个人体征数据。摄像头视频录制和指夹式血氧检测仪采样同时进行,从而确保视频内容和标准个人体征数据能在时间上对应起来。
示例性的,摄像头进行视频录制采用固定帧率,比如1秒30帧,指夹式血氧检测仪采样也设置固定的采样周期,比如1秒采样一次。
通过上述方式,获得多组第二视频和标准个人体征数据,根据获得的多组第二视频和标准个人体征数据,生成样本训练数据。
在一些实施例中,如图4所示,步骤S105可以包括子步骤S1051和子步骤S1052。
S1051、提取所述第二视频的多帧第二图像,并对多帧所述第二图像进行数据预处理,获得对应的初始训练数据;
S1052、根据所述初始训练数据和所述标准个人体征数据,生成所述样本训练数据。
对于每一组第二视频和标准个人体征数据,对第二视频进行图像帧提取,获得第二视频的多帧图像。为了便于区分描述,下文将第二视频的多帧图像称为第二图像。
获得多帧第二图像后,对多帧第二图像进行数据预处理,获得对应的初始训练数据。
在一些实施例中,所述对多帧所述第二图像进行数据预处理,获得对应的初始训练数据,包括:
对多帧所述第二图像基于颜色系统rgb通道进行像素点信息处理,获得多帧所述第二图像的像素点对应的矩阵向量,将所述矩阵向量确定为所述初始训练数据。
示例性的,对多帧第二图像基于rgb通道进行像素点信息处理,也即,分别对多帧第二图像基于r通道进行像素点信息处理,对多帧第二图像基于g通道进行像素点信息处理,对多帧第一图像基于b通道进行像素点信息处理,获得多帧第二图像的像素点对应的矩阵向量,将该矩阵向量确定为初始训练数据。
在一些实施例中,所述对多帧所述第二图像基于颜色系统rgb通道进行像素点信息处理,获得多帧所述第二图像的像素点对应的矩阵向量,包括:
获取每帧所述第二图像基于所述rgb通道的像素点信息;
根据所述像素点信息,对每帧所述第二图像基于所述rgb通道计算像素点均值,将每个所述像素点均值作为矩阵的元,生成所述矩阵向量。
示例性的,分别对每帧第二图像基于r通道计算像素点均值,对每帧第二图像基于g通道计算像素点均值,对每帧第二图像基于b通道计算像素点均值,将获得的每个像素点均值作为矩阵的元,生成矩阵向量,将矩阵向量确定为初始训练数据。
例如,假设第二视频包括N帧第二图像,通过分别对每帧第二图像基于r通道计算像素点均值,对每帧第二图像基于g通道计算像素点均值,对每帧第二图像基于b通道计算像素点均值,得到3*N个像素点均值,将每个像素点均值作为矩阵的元,得到3*N的矩阵向量。比如,若第二视频为3秒的视频,第二视频的帧率为30,也即1秒30帧,则第二视频包括90帧第二图像,通过分别对该90帧第二图像基于r通道计算像素点均值,对每帧第二图像基于g通道计算像素点均值,对每帧第二图像基于b通道计算像素点均值,得到3*90个像素点均值,生成3*90的矩阵向量。将获得的3*90的矩阵向量,确定为初始训练数据。
根据获得的初始训练数据和对应的标准个人体征数据,生成一组样本训练数据。通过上述方式,可以获得用于模型训练的多组样本训练数据。
示例性的,获得初始训练数据后,可以根据对应的标准个人体征数据,对初始训练数据进行标签标注,生成样本训练数据。
得到多组样本训练数据后,将多组样本训练数据输入个人体征数据检测模型,对个人体征数据检测模型进行模型训练,直至个人体征数据检测模型收敛,获得训练好的个人体征数据检测模型。
示例性的,使用卷积神经网络进行个人体征数据检测模型建模,模型主要包括卷积层和全连接层。在通过多组样本训练数据对个人体征数据检测模型进行模型训练时,使用MSE(mean-square error,均方误差)作为损失函数,使用MAE(Mean Absolute Error,平均绝对误差)作为精度指标,进行模型训练直至个人体征数据检测模型收敛。
之后,在需要对目标人员进行个人体征数据检测时,获得基于目标人员的第一视频生成的待检测数据后,将待检测数据输入训练好的个人体征数据检测模型,通过个人体征数据检测模型进行个人体征数据检测分析,获得目标人员对应的个人体征数据。
在一些实施例中,如图5所示,步骤S101可以包括子步骤S1011,步骤S103可以包括子步骤S1031。
S1011、获取所述摄像头在贴附所述目标人员手指头的状态下采集的所述第一视频;
S1031、将所述待检测数据输入预先训练好的所述血氧饱和度检测模型进行血氧饱和度检测分析,获得所述目标人员的血氧饱和度。
在一种可能的实现方式中,以检测目标人员的血氧饱和度为例,将目标人员的一根手指头盖住终端的摄像头,开启摄像头和闪光灯进行视频录制,生成第一视频。
对第一视频进行图像帧提取,获得第一视频的多帧第一图像,并对多帧第一图像进行数据预处理,获得对应的待检测数据。示例性的,分别对每帧第一图像基于r通道计算像素点均值,对每帧第一图像基于g通道计算像素点均值,对每帧第一图像基于b通道计算像素点均值,将获得的每个像素点均值作为矩阵的元,生成矩阵向量,将矩阵向量确定为待检测数据。
例如,假设第一视频为3秒的视频,第一视频的帧率为30,也即1秒30帧,则第一视频包括90帧第一图像,通过分别对该90帧第一图像基于r通道计算像素点均值,对每帧第一图像基于g通道计算像素点均值,对每帧第一图像基于b通道计算像素点均值,得到3*90个像素点均值,生成3*90的矩阵向量。将获得的3*90的矩阵向量,确定为对应的待检测数据。
获得待检测数据后,调用训练好的血氧饱和度检测模型,将待检测数据输入训练好的血氧饱和度检测模型,通过血氧饱和度检测模型进行血氧饱和度检测分析,获得目标人员的血氧饱和度。
在一些实施例中,如图6所示,步骤S103之后可以包括步骤S107和步骤S108。
S107、根据所述个人体征数据,生成所述目标人员对应的检测报告,所述检测报告包括所述个人体征数据和健康提醒信息;
S108、输出所述检测报告。
为了进一步提高用户体验,在获得目标人员的个人体征数据后,根据目标人员的个人体征数据,生成目标人员对应的检测报告。示例性的,检测报告中包括目标人员的个人体征数据、以及针对个人体征数据对应的健康提醒信息。然后输出检测报告,供目标人员查看,及时获知自己的个人体征数据,了解自己健康的生理参数。
示例性的,将检测报告发送至目标人员的终端上,目标人员通过自己的终端即可查看到检测报告。
例如,以检测目标人员的血氧饱和度为例,获得目标人员的血氧饱和度之后,生成目标人员对应的检测报告,检测报告中包括目标人员的血氧饱和度、血氧饱和度正常范围值、以及针对目标人员的血氧饱和度对应的健康建议提醒信息等。比如若目标人员的血氧饱和度过低,则在检测报告中包含建议目标人员及时就医检测的健康建议提醒信息。
相比传统的需要采集血液的方式,可以进行无损伤的对血氧饱和度连续测量,而且也无需血氧检测仪,只需使用现在生活中最常用的智能手机等终端拍摄一段视频,通过该视频即可以测量出血氧饱和度,操作上简单方便,不受限制,成本也很低。并且,对于医院场景下,由于操作简单方便,医生也可以让患者提前自行测量,这样也可以节省就诊时间,提高诊断效率。
上述实施例中,通过获取摄像头采集的第一视频,其中,第一视频是在摄像头贴附目标人员的人体检测部位的状态下采集的,然后提取第一视频的多帧第一图像,并对多帧第一图像进行数据预处理,获得对应的待检测数据,将待检测数据输入预先训练好的个人体征数据检测模型进行个人体征数据检测分析,获得目标人员对应的个人体征数据,实现了个人体征数据检测不需要依赖于检测仪器,因此,降低了个人体征数据检测的成本。
请参阅图7,图7是本申请的实施例提供的一种个人体征数据检测装置的示意性框图,该个人体征数据检测装置可以配置于计算机设备中,用于执行前述的个人体征数据检测方法。
如图7所示,该个人体征数据检测装置1000,包括:数据获取模块1001、数据处理模块1002、以及检测分析模块1003。
数据获取模块1001,用于获取摄像头采集的第一视频,所述第一视频是在所述摄像头贴附目标人员的人体检测部位的状态下采集的;
数据处理模块1002,用于提取所述第一视频的多帧第一图像,并对多帧所述第一图像进行数据预处理,获得对应的待检测数据;
检测分析模块1003,用于将所述待检测数据输入预先训练好的个人体征数据检测模型进行个人体征数据检测分析,获得所述目标人员对应的个人体征数据。
在一个实施例中,所述个人体征数据检测装置1000还包括:
样本获取模块,用于获取原样本数据,所述原样本数据包括摄像头在贴附所述人体检测部位的状态下采集的第二视频,以及在所述摄像头采集所述第二视频时,个人体征数据检测仪同步采集的标准个人体征数据;
样本生成模块,用于根据所述第二视频和所述标准个人体征数据,生成样本训练数据;
训练模块,用于将所述样本训练数据输入所述个人体征数据检测模型,对所述个人体征数据检测模型进行模型训练,直至所述个人体征数据检测模型收敛,获得训练好的所述个人体征数据检测模型。
在一个实施例中,所述生成模块还用于:
提取所述第二视频的多帧第二图像,并对多帧所述第二图像进行数据预处理,获得对应的初始训练数据;
根据所述初始训练数据和所述标准个人体征数据,生成所述样本训练数据。
在一个实施例中,所述生成模块还用于:
对多帧所述第二图像基于颜色系统rgb通道进行像素点信息处理,获得多帧所述第二图像的像素点对应的矩阵向量,将所述矩阵向量确定为所述初始训练数据。
在一个实施例中,所述生成模块还用于:
获取每帧所述第二图像基于所述rgb通道的像素点信息;
根据所述像素点信息,对每帧所述第二图像基于所述rgb通道计算像素点均值,将每个所述像素点均值作为矩阵的元,生成所述矩阵向量。
在一个实施例中,所述个人体征数据包括血氧饱和度,所述个人体征数据检测模型包括血氧饱和度检测模型;
所述数据获取模块1001还用于:
获取所述摄像头在贴附所述目标人员手指头的状态下采集的所述第一视频;
所述检测分析模块1003还用于:
将所述待检测数据输入预先训练好的所述血氧饱和度检测模型进行血氧饱和度检测分析,获得所述目标人员的血氧饱和度。
在一个实施例中,所述个人体征数据检测装置1000还包括:
报告生成模块,用于根据所述个人体征数据,生成所述目标人员对应的检测报告,所述检测报告包括所述个人体征数据和健康提醒信息;
输出模块,用于输出所述检测报告。
其中,上述个人体征数据检测装置1000中各个模块与上述个人体征数据检测方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
本申请的方法、装置可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
示例性的,上述的方法、装置可以实现为一种计算机程序的形式,该计算机程序可以在如图8所示的计算机设备上运行。
请参阅图8,图8是本申请实施例提供的一种计算机设备的结构示意性框图。
请参阅图8,该计算机设备包括通过系统总线连接的处理器和存储器,其中,存储器可以包括非易失性存储介质和内存储器。
处理器用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种个人体征数据检测方法。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中,在一个实施例中,所述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:
获取摄像头采集的第一视频,所述第一视频是在所述摄像头贴附目标人员的人体检测部位的状态下采集的;
提取所述第一视频的多帧第一图像,并对多帧所述第一图像进行数据预处理,获得对应的待检测数据;
将所述待检测数据输入预先训练好的个人体征数据检测模型进行个人体征数据检测分析,获得所述目标人员对应的个人体征数据。
在一个实施例中,所述处理器还用于实现:
获取原样本数据,所述原样本数据包括摄像头在贴附所述人体检测部位的状态下采集的第二视频,以及在所述摄像头采集所述第二视频时,个人体征数据检测仪同步采集的标准个人体征数据;
根据所述第二视频和所述标准个人体征数据,生成样本训练数据;
将所述样本训练数据输入所述个人体征数据检测模型,对所述个人体征数据检测模型进行模型训练,直至所述个人体征数据检测模型收敛,获得训练好的所述个人体征数据检测模型。
在一个实施例中,所述处理器在实现所述根据所述第二视频和所述标准个人体征数据,生成样本训练数据时,用于实现:
提取所述第二视频的多帧第二图像,并对多帧所述第二图像进行数据预处理,获得对应的初始训练数据;
根据所述初始训练数据和所述标准个人体征数据,生成所述样本训练数据。
在一个实施例中,所述处理器在实现所述对多帧所述第二图像进行数据预处理,获得对应的初始训练数据时,用于实现:
对多帧所述第二图像基于颜色系统rgb通道进行像素点信息处理,获得多帧所述第二图像的像素点对应的矩阵向量,将所述矩阵向量确定为所述初始训练数据。
在一个实施例中,所述处理器在实现所述对多帧所述第二图像基于颜色系统rgb通道进行像素点信息处理,获得多帧所述第二图像的像素点对应的矩阵向量时,用于实现:
获取每帧所述第二图像基于所述rgb通道的像素点信息;
根据所述像素点信息,对每帧所述第二图像基于所述rgb通道计算像素点均值,将每个所述像素点均值作为矩阵的元,生成所述矩阵向量。
在一个实施例中,所述个人体征数据包括血氧饱和度,所述个人体征数据检测模型包括血氧饱和度检测模型;
所述处理器在实现所述获取摄像头采集的第一视频时,用于实现:
获取所述摄像头在贴附所述目标人员手指头的状态下采集的所述第一视频;
所述处理器在实现所述将所述待检测数据输入预先训练好的个人体征数据检测模型进行个人体征数据检测分析,获得所述目标人员对应的个人体征数据时,用于实现:
将所述待检测数据输入预先训练好的所述血氧饱和度检测模型进行血氧饱和度检测分析,获得所述目标人员的血氧饱和度。
在一个实施例中,所述处理器在实现所述获得所述目标人员对应的个人体征数据之后,还用于实现:
根据所述个人体征数据,生成所述目标人员对应的检测报告,所述检测报告包括所述个人体征数据和健康提醒信息;
输出所述检测报告。
本申请实施例还提供一种计算机可读存储介质。
本申请计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述的个人体征数据检测方法的步骤。
其中,所述计算机可读存储介质可以是前述实施例所述的个人体征数据检测装置或计算机设备的内部存储单元,例如所述个人体征数据检测装置或计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述个人体征数据检测装置或计算机设备的外部存储设备,例如所述个人体征数据检测装置或计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字卡(Secure Digital Card,SD Card),闪存卡(FlashCard)等。
进一步地,所述计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种个人体征数据检测方法,其特征在于,所述个人体征数据检测方法包括:
获取摄像头采集的第一视频,所述第一视频是在所述摄像头贴附目标人员的人体检测部位的状态下采集的;
提取所述第一视频的多帧第一图像,并对多帧所述第一图像进行数据预处理,获得对应的待检测数据;
将所述待检测数据输入预先训练好的个人体征数据检测模型进行个人体征数据检测分析,获得所述目标人员对应的个人体征数据。
2.如权利要求1所述的个人体征数据检测方法,其特征在于,所述获取摄像头采集的第一视频之前,还包括:
获取原样本数据,所述原样本数据包括摄像头在贴附所述人体检测部位的状态下采集的第二视频,以及在所述摄像头采集所述第二视频时,个人体征数据检测仪同步采集的标准个人体征数据;
根据所述第二视频和所述标准个人体征数据,生成样本训练数据;
将所述样本训练数据输入所述个人体征数据检测模型,对所述个人体征数据检测模型进行模型训练,直至所述个人体征数据检测模型收敛,获得训练好的所述个人体征数据检测模型。
3.如权利要求2所述的个人体征数据检测方法,其特征在于,所述根据所述第二视频和所述标准个人体征数据,生成样本训练数据,包括:
提取所述第二视频的多帧第二图像,并对多帧所述第二图像进行数据预处理,获得对应的初始训练数据;
根据所述初始训练数据和所述标准个人体征数据,生成所述样本训练数据。
4.如权利要求3所述的个人体征数据检测方法,其特征在于,所述对多帧所述第二图像进行数据预处理,获得对应的初始训练数据,包括:
对多帧所述第二图像基于颜色系统rgb通道进行像素点信息处理,获得多帧所述第二图像的像素点对应的矩阵向量,将所述矩阵向量确定为所述初始训练数据。
5.如权利要求4所述的个人体征数据检测方法,其特征在于,所述对多帧所述第二图像基于颜色系统rgb通道进行像素点信息处理,获得多帧所述第二图像的像素点对应的矩阵向量,包括:
获取每帧所述第二图像基于所述rgb通道的像素点信息;
根据所述像素点信息,对每帧所述第二图像基于所述rgb通道计算像素点均值,将每个所述像素点均值作为矩阵的元,生成所述矩阵向量。
6.如权利要求1所述的个人体征数据检测方法,其特征在于,所述个人体征数据包括血氧饱和度,所述个人体征数据检测模型包括血氧饱和度检测模型;
所述获取摄像头采集的第一视频,包括:
获取所述摄像头在贴附所述目标人员手指头的状态下采集的所述第一视频;
所述将所述待检测数据输入预先训练好的个人体征数据检测模型进行个人体征数据检测分析,获得所述目标人员对应的个人体征数据,包括:
将所述待检测数据输入预先训练好的所述血氧饱和度检测模型进行血氧饱和度检测分析,获得所述目标人员的血氧饱和度。
7.如权利要求1至6任一项所述的个人体征数据检测方法,其特征在于,所述获得所述目标人员对应的个人体征数据之后,还包括:
根据所述个人体征数据,生成所述目标人员对应的检测报告,所述检测报告包括所述个人体征数据和健康提醒信息;
输出所述检测报告。
8.一种个人体征数据检测装置,其特征在于,所述个人体征数据检测装置包括:
数据获取模块,用于获取摄像头采集的第一视频,所述第一视频是在所述摄像头贴附目标人员的人体检测部位的状态下采集的;
数据处理模块,用于提取所述第一视频的多帧第一图像,并对多帧所述第一图像进行数据预处理,获得对应的待检测数据;
检测分析模块,用于将所述待检测数据输入预先训练好的个人体征数据检测模型进行个人体征数据检测分析,获得所述目标人员对应的个人体征数据。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7中任一项所述的个人体征数据检测方法。
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,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的个人体征数据检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310781207.6A CN116807424A (zh) | 2023-06-28 | 2023-06-28 | 个人体征数据检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310781207.6A CN116807424A (zh) | 2023-06-28 | 2023-06-28 | 个人体征数据检测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116807424A true CN116807424A (zh) | 2023-09-29 |
Family
ID=88142603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310781207.6A Pending CN116807424A (zh) | 2023-06-28 | 2023-06-28 | 个人体征数据检测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116807424A (zh) |
-
2023
- 2023-06-28 CN CN202310781207.6A patent/CN116807424A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10755411B2 (en) | Method and apparatus for annotating medical image | |
KR102200526B1 (ko) | 개방형 api 기반 의료 정보 제공 방법 및 시스템 | |
US10242293B2 (en) | Method and program for computing bone age by deep neural network | |
US11006874B2 (en) | Real-time stress determination of an individual | |
CN108236454B (zh) | 健康测量数据采集方法及电子设备 | |
CN111008957A (zh) | 医疗信息处理方法和装置 | |
Schlesinger et al. | Estimation and tracking of blood pressure using routinely acquired photoplethysmographic signals and deep neural networks | |
CN113192639B (zh) | 信息预测模型的训练方法、装置、设备及存储介质 | |
CN112741620A (zh) | 基于肢体动作的颈椎病评估装置 | |
CN116824670A (zh) | 基于微表情的问诊辅助方法、装置、设备及介质 | |
CN112562852A (zh) | 基于肢体动作的颈椎病筛查装置 | |
CN116712048A (zh) | 血压测量方法、装置及相关设备 | |
CN116807424A (zh) | 个人体征数据检测方法、装置、计算机设备及存储介质 | |
CN116327133A (zh) | 一种多生理指标检测方法、装置及相关设备 | |
WO2023110477A1 (en) | A computer implemented method and a system | |
CN116130088A (zh) | 多模态面诊问诊方法、装置及相关设备 | |
CN111274953B (zh) | 一种根据表情判断疼痛的方法及系统 | |
CN114943695A (zh) | 医学序列影像的异常检测方法、装置、设备及存储介质 | |
CN113990512A (zh) | 异常数据检测方法及装置、电子设备和存储介质 | |
KR20220022023A (ko) | 수면다원검사 장치 및 이의 검사 방법 | |
CN114020926A (zh) | 数据处理方法、装置和电子设备 | |
CN115426947A (zh) | Sp02小程序:ai辅助sp02测量app | |
CN113344914B (zh) | 基于图像识别智能分析ppd皮试结果的方法及装置 | |
CN117617921B (zh) | 基于物联网的智能血压监控系统及方法 | |
KR102553060B1 (ko) | 인공지능 기반의 척추 정보를 이용한 의료영상정보 제공 방법, 장치 및 프로그램 |
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 |