CN117011244A - 一种腕部多光谱图像处理方法 - Google Patents
一种腕部多光谱图像处理方法 Download PDFInfo
- Publication number
- CN117011244A CN117011244A CN202310846825.4A CN202310846825A CN117011244A CN 117011244 A CN117011244 A CN 117011244A CN 202310846825 A CN202310846825 A CN 202310846825A CN 117011244 A CN117011244 A CN 117011244A
- Authority
- CN
- China
- Prior art keywords
- frequency band
- wrist
- frame
- long
- short
- 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
- 210000000707 wrist Anatomy 0.000 title claims abstract description 52
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 230000015654 memory Effects 0.000 claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000003491 array Methods 0.000 claims abstract description 9
- 210000005036 nerve Anatomy 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 12
- 239000006185 dispersion Substances 0.000 claims description 8
- 230000007787 long-term memory Effects 0.000 claims description 8
- 230000002123 temporal effect Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 abstract description 3
- 238000000034 method Methods 0.000 abstract description 3
- 238000005286 illumination Methods 0.000 abstract 1
- 239000008280 blood Substances 0.000 description 11
- 210000004369 blood Anatomy 0.000 description 11
- 108010064719 Oxyhemoglobins Proteins 0.000 description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 7
- 230000036772 blood pressure Effects 0.000 description 7
- 229910052760 oxygen Inorganic materials 0.000 description 7
- 239000001301 oxygen Substances 0.000 description 7
- 108091026890 Coding region Proteins 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 210000004204 blood vessel Anatomy 0.000 description 3
- INGWEZCOABYORO-UHFFFAOYSA-N 2-(furan-2-yl)-7-methyl-1h-1,8-naphthyridin-4-one Chemical compound N=1C2=NC(C)=CC=C2C(O)=CC=1C1=CC=CO1 INGWEZCOABYORO-UHFFFAOYSA-N 0.000 description 2
- 108010054147 Hemoglobins Proteins 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 108010002255 deoxyhemoglobin Proteins 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 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
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0062—Arrangements for scanning
- A61B5/0064—Body surface scanning
-
- 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
- A61B5/021—Measuring pressure in heart or blood vessels
-
- 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
- A61B5/7235—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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Abstract
本发明公开了一种腕部多光谱图像处理方法，涉及生物电子工程领域，包括：使用不同频段的光源先后照射腕部，并依次通过对应频段的光电转换器阵列在相应照射时段内等时间间隔拍摄腕部，得到各频段的多帧图像；去除每个频段每帧图像的异常像素值，并根据剩余像素值，得到腕部各频段各帧特征向量；通过加权长短期记忆神经网络处理腕部各频段各帧特征向量，得到生理讯号编码。本发明相比于现有技术，具有更全面的多光谱信源，并避免了噪声和测量误差，提高了数据分析的精度，且具有高适配性和灵活性。
Description
技术领域
本发明涉及生物电子工程领域，具体涉及一种腕部多光谱图像处理方法。
背景技术
随着经济生活水平的提高，人们的健康意识也越来越强烈，对自身生理参数的监控要求也越来越高。心率、血氧饱和度和血压是反映人生命体征的重要指标。
当光照射介质时，入射光强度衰减与介质的厚度和浓度成正比，而腕部血管密布，随着心脏周期性收缩和舒张，腕部的血管也随之发生周期性形变，从而使得血管内部的血液容积呈现周期性变化。因此，通过分析腕部反射光的变化，可以测定心率；同时反射光的强度也与血氧饱和度、血压等其他血液数据也呈一定的关系。
目前有很多腕部光谱反射的分析设备和方法，市面上也出现了不少可穿戴的智能手环、手表等设备。然而，这些设备所使用的频段单一，摄取反射光的设备简陋（通常为单一的光电转换二极管或CMOS），运算模型粗糙，算法简单，因此误差极大，所得出的测量结果往往不具备参考价值。
发明内容
针对现有技术中的上述不足，本发明提供的一种腕部多光谱图像处理方法解决了现有腕部光探设备及数据处理方法测量误差大，运算误差大，数据处理结果偏差巨大，无法正确测定血压、血氧饱和度和心率的问题。
为了达到上述发明目的，本发明采用的技术方案为：
一种腕部多光谱图像处理方法，包括以下步骤：
S1、使用不同频段的光源先后照射腕部，并依次通过对应频段的光电转换器阵列在相应照射时段内等时间间隔拍摄腕部，得到各频段的多帧图像；
S2、去除每个频段每帧图像的异常像素值，并根据剩余像素值，得到腕部各频段各帧特征向量；
S3、通过加权长短期记忆神经网络处理腕部各频段各帧特征向量，得到生理讯号编码。
本发明的有益效果为：使用多频段光源照射腕部，并通过对应频段光电转换器阵列摄取各频段图像即多光谱图像，使得获取到了相比于现有技术更全面的信源；剔除异常像数值，避免了噪声和测量误差，提高了数据分析的精度；通过长短期记忆神经网络分析出了各帧图像时间域上变化特征，将各频段数据加权，得到了准确的生物讯号编码序列。生物讯号编码序列的生物医学意义取决于神经网络的训练标签，即用血压数据作为标签训练神经网络，则生物讯号编码便对应血压，用血氧作为标签，则对应血氧，具有高适配性和灵活性。
进一步地，所述S1中的不同频段包括：绿光频段、红光频段和红外频段。
上述进一步方案的有益效果为：血氧饱和度是血液中氧合血红蛋白占总体血红蛋白的比例，氧合血红蛋白吸收红外频段能力强，去氧血红蛋白吸收红光频段能力强，因此，红光频段和红外频段的结合，具有优良的血氧饱和度探测能力；而绿光容易被红色介质吸收，可鲜明地反映出介质的变化情况。因此选用上述三个频段。
进一步地，所述S1中各频段光源照射腕部的时长均相同，且大于等于1分钟；各光电转换器阵列的拍摄时间间隔均相同，均小于等于0.3秒。
上述进一步方案的有益效果为：该参数使本发明具有适当的探测时间和采样周期，具有较高的精度。
进一步地，所述S2中的异常像素值为符合下式条件的像素值：
其中，为频段第帧图像第行列像素值，作为被检测的像素值；为频段第帧图像第行列像素值，为异常像素阈值。
上述进一步方案的有益效果为：受噪声和探测误差的影响，容易出现椒盐噪声，本发明剔除了这些散发异常值，避免了探测误差和噪声对最终处理结果的影响，相比于现有技术单一的光电转换二极管或CMOS，具有更准确地结果，更高的精度。
进一步地，所述腕部各频段各帧特征向量为：
，
其中，为频段第帧特征向量，为频段第帧图像全局池化值，为频段第帧图像剩余像素最大值，为频段第帧图像剩余像素最小值，为频段第帧图像像素离散度。
进一步地，所述频段第帧图像全局池化值和频段第帧图像像素离散度的
计算表达式为：
，
，
其中，为频段第帧图像去除异常像素值后的像素坐标全集，为频
段第帧图像去除异常像素值后的像素总数。
上述进一步方案的有益效果为：全局池化值、最大值、最小值和离散度可反应腕部对光强的反射情况，用这些数据反应腕部多光谱图像的特征，即保留了有效特征，又避免了直接对二维图像数据进行无必要且浪费算力的深度处理。
进一步地，所述S3中的加权长短期记忆神经网络包括：加权层和与频段数相同数量的长短期记忆神经网络；
所述各长短期记忆神经网络用于处理不同频段的各帧的特征向量，得到各频段时间特征编码；
所述加权层用于对各频段时间特征编码加权相加，得到生理讯号编码。
进一步地，所述加权长短期记忆神经网络的加权层表达式为：
，
其中，为生理讯号编码，为频段时间特征编码，为频段加权系数，为频段全集。
进一步地，所述各长短期记忆神经网络的结构相同，均包括与帧数相同数量的长短期记忆神经单元；
用于处理频段各帧的特征向量的长短期记忆神经网络中，第长短期记忆神经
单元的表达式为：
，
其中，为第长短期记忆神经单元输出的频段时间特征编码第位，为第长短期记忆神经单元输出的频段时间特征编码第位，为和拼接而成的向量，为输出门参数矩
阵，为输出门偏置向量，为sigmod函数，为第长短期记忆神经单元的状态向量；
，
其中，为第长短期记忆神经单元的状态向量，为遗忘门参数矩阵，为遗忘门偏置向量，为输入门参数矩阵，为输入门参数向量，为更新门参数矩
阵，为更新门偏置向量。
上述进一步方案的有益效果为：本发明改进并简化了现有的长短期记忆神经单元，使其既具备遗忘、更新可训练可调的功能，又节省了计算资源；同时，一个长短期记忆神经单元负责输出时间特征编码的一位数据，这种并行的长短期记忆神经网络的结构也使得本发明具有快速的处理能力；生理讯号编码融合了各个频段的分析，也提高了生物医学分析的准确性。
附图说明
图1为本发明实施例提供的一种腕部多光谱图像处理方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，在本发明的一个实施例中，一种腕部多光谱图像处理方法，包括以下步骤：
S1、使用不同频段的光源先后照射腕部，并依次通过对应频段的光电转换器阵列在相应照射时段内等时间间隔拍摄腕部，得到各频段的多帧图像。
S1中的不同频段包括：绿光频段、红光频段和红外频段。
血氧饱和度是血液中氧合血红蛋白占总体血红蛋白的比例，氧合血红蛋白吸收红外频段能力强，去氧血红蛋白吸收红光频段能力强，因此，红光频段和红外频段的结合，具有优良的血氧饱和度探测能力；而绿光容易被红色介质吸收，可鲜明地反映出介质的变化情况。因此选用上述三个频段。
S1中各频段光源照射腕部的时长均相同，且大于等于1分钟；各光电转换器阵列的拍摄时间间隔均相同，均小于等于0.3秒。
该参数使本发明具有适当的探测时间和采样周期，具有较高的精度。
本实施例使用的光电转换器阵列为CCD图像传感器。
S2、去除每个频段每帧图像的异常像素值，并根据剩余像素值，得到腕部各频段各帧特征向量。
S2中的异常像素值为符合下式条件的像素值：
，
其中，为频段第帧图像第行列像素值，作为被检测的像素值；为频段第帧图像第行列像素值，为异常像素阈值。
受噪声和探测误差的影响，容易出现椒盐噪声，本发明剔除了这些散发异常值，避免了探测误差和噪声对最终处理结果的影响，相比于现有技术单一的光电转换二极管或CMOS，具有更准确地结果，更高的精度。
腕部各频段各帧特征向量为：
，
其中，为频段第帧特征向量，为频段第帧图像全局池化值，为频段第帧图像剩余像素最大值，为频段第帧图像剩余像素最小值，为频段第帧图像像素离散度。
其中，频段第帧图像全局池化值和频段第帧图像像素离散度的计算表达
式为：
，
，
其中，为频段第帧图像去除异常像素值后的像素坐标全集，为频
段第帧图像去除异常像素值后的像素总数。
全局池化值、最大值、最小值和离散度可反应腕部对光强的反射情况，用这些数据反应腕部多光谱图像的特征，即保留了有效特征，又避免了直接对二维图像数据进行无必要且浪费算力的深度处理。
S3、通过加权长短期记忆神经网络处理腕部各频段各帧特征向量，得到生理讯号编码。
S3中的加权长短期记忆神经网络包括：加权层和与频段数相同数量的长短期记忆神经网络；各长短期记忆神经网络用于处理不同频段的各帧的特征向量，得到各频段时间特征编码；加权层用于对各频段时间特征编码加权相加，得到生理讯号编码。
加权长短期记忆神经网络的加权层表达式为：
，
其中，为生理讯号编码，为频段时间特征编码，为频段加权系数，为频段全集。
各长短期记忆神经网络的结构相同，均包括与帧数相同数量的长短期记忆神经单
元；用于处理频段各帧的特征向量的长短期记忆神经网络中，第长短期记忆神经单元的
表达式为：
，
其中，为第长短期记忆神经单元输出的频段时间特征编码第位，为第长短期记忆神经单元输出的频段时间特征编码第位，为和拼接而成的向量，为输出门参数矩
阵，为输出门偏置向量，为sigmod函数，为第长短期记忆神经单元的状态向量；
，
其中，为第长短期记忆神经单元的状态向量，为遗忘门参数矩阵，为遗忘门偏置向量，为输入门参数矩阵，为输入门参数向量，为更新门参数矩
阵，为更新门偏置向量。
本发明改进并简化了现有的长短期记忆神经单元，使其既具备遗忘、更新可训练可调的功能，又节省了计算资源；同时，一个长短期记忆神经单元负责输出时间特征编码的一位数据，这种并行的长短期记忆神经网络的结构也使得本发明具有快速的处理能力；生理讯号编码融合了各个频段的分析，也提高了生物医学分析的准确性。
综上，本发明使用多频段光源照射腕部，并通过对应频段光电转换器阵列摄取各频段图像即多光谱图像，使得获取到了相比于现有技术更全面的信源；剔除异常像数值，避免了噪声和测量误差，提高了数据分析的精度；通过长短期记忆神经网络分析出了各帧图像时间域上变化特征，将各频段数据加权，得到了准确的生物讯号编码序列。生物讯号编码序列的生物医学意义取决于神经网络的训练标签，即用血压数据作为标签训练神经网络，则生物讯号编码便对应血压，用血氧作为标签，则对应血氧，具有高适配性和灵活性。
本发明中应用了具体实施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，综上所述，本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (9)
1.一种腕部多光谱图像处理方法，其特征在于，包括以下步骤：
S1、使用不同频段的光源先后照射腕部，并依次通过对应频段的光电转换器阵列在相应照射时段内等时间间隔拍摄腕部，得到各频段的多帧图像；
S2、去除每个频段每帧图像的异常像素值，并根据剩余像素值，得到腕部各频段各帧特征向量；
S3、通过加权长短期记忆神经网络处理腕部各频段各帧特征向量，得到生理讯号编码。
2.根据权利要求1所述的腕部多光谱图像处理方法，其特征在于，所述S1中的不同频段包括：绿光频段、红光频段和红外频段。
3.根据权利要求2所述的腕部多光谱图像处理方法，其特征在于，所述S1中各频段光源照射腕部的时长均相同，且大于等于1分钟；各光电转换器阵列的拍摄时间间隔均相同，均小于等于0.3秒。
4.根据权利要求1所述的腕部多光谱图像处理方法，其特征在于，所述S2中的异常像素值为符合下式条件的像素值：
，
其中，为/>频段第/>帧图像第/>行/>列像素值，作为被检测的像素值；为/>频段第/>帧图像第/>行/>列像素值，/>为异常像素阈值。
5.根据权利要求4所述的腕部多光谱图像处理方法，其特征在于，所述腕部各频段各帧特征向量为：
，
其中，为/>频段第/>帧特征向量，/>为/>频段第/>帧图像全局池化值，/>为/>频段第/>帧图像剩余像素最大值，/>为/>频段第/>帧图像剩余像素最小值，/>为/>频段第/>帧图像像素离散度。
6.根据权利要求5所述的腕部多光谱图像处理方法，其特征在于，所述频段第/>帧图像全局池化值和/>频段第/>帧图像像素离散度的计算表达式为：
，
，
其中，为/>频段第/>帧图像去除异常像素值后的像素坐标全集，/>为/>频段第帧图像去除异常像素值后的像素总数。
7.根据权利要求6所述的腕部多光谱图像处理方法，其特征在于，所述S3中的加权长短期记忆神经网络包括：加权层和与频段数相同数量的长短期记忆神经网络；
所述各长短期记忆神经网络用于处理不同频段的各帧的特征向量，得到各频段时间特征编码；
所述加权层用于对各频段时间特征编码加权相加，得到生理讯号编码。
8.根据权利要求7所述的腕部多光谱图像处理方法，其特征在于，所述加权长短期记忆神经网络的加权层表达式为：
，
其中，为生理讯号编码，/>为/>频段时间特征编码，/>为/>频段加权系数，/>为频段全集。
9.根据权利要求8所述的腕部多光谱图像处理方法，其特征在于，各长短期记忆神经网络的结构相同，均包括与帧数相同数量的长短期记忆神经单元；
用于处理频段各帧的特征向量的长短期记忆神经网络中，第/>长短期记忆神经单元的表达式为：
，
其中，为第/>长短期记忆神经单元输出的/>频段时间特征编码第/>位，为第/>长短期记忆神经单元输出的/>频段时间特征编码第/>位，为/>和/>拼接而成的向量，/>为输出门参数矩阵，/>为输出门偏置向量，/>为sigmod函数，/>为第/>长短期记忆神经单元的状态向量；
，
其中，为第/>长短期记忆神经单元的状态向量，/>为遗忘门参数矩阵，/>为遗忘门偏置向量，/>为输入门参数矩阵，/>为输入门参数向量，/>为更新门参数矩阵，/>为更新门偏置向量。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310831772 | 2023-07-07 | ||
| CN2023108317729 | 2023-07-07 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117011244A true CN117011244A (zh) | 2023-11-07 |
| CN117011244B CN117011244B (zh) | 2024-03-22 |
Family
ID=88571958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310846825.4A Active CN117011244B (zh) | 2023-07-07 | 2023-07-11 | 一种腕部多光谱图像处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117011244B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016166651A1 (en) * | 2015-04-13 | 2016-10-20 | Koninklijke Philips N.V. | Vital sign monitoring |
| CN107613856A (zh) * | 2015-05-27 | 2018-01-19 | 深圳市长桑技术有限公司 | 一种信号获取方法与系统 |
| CN108514421A (zh) * | 2018-03-30 | 2018-09-11 | 福建幸福家园投资管理有限公司 | 提升混合现实与日常健康监测的方法 |
| US10783433B1 (en) * | 2019-04-22 | 2020-09-22 | Bell Integrator Inc. | Method for training and self-organization of a neural network |
| CN111728602A (zh) * | 2020-08-21 | 2020-10-02 | 之江实验室 | 基于ppg的无接触血压测量装置 |
| CN112001362A (zh) * | 2020-09-11 | 2020-11-27 | 汪秀英 | 一种图像分析方法、图像分析装置及图像分析系统 |
| CN112434571A (zh) * | 2020-11-09 | 2021-03-02 | 西安理工大学 | 一种基于注意力自编码网络的高光谱异常检测方法 |
| EP3830790A1 (en) * | 2018-07-31 | 2021-06-09 | Deutsches Krebsforschungszentrum Stiftung des öffentlichen Rechts | Method and system for augmented imaging using multispectral information |
| CN113784748A (zh) * | 2019-03-08 | 2021-12-10 | 卡拉健康公司 | 利用节律生物过程治疗疾病的可穿戴周围神经刺激 |
| CN114841319A (zh) * | 2022-04-29 | 2022-08-02 | 哈尔滨工程大学 | 一种基于多尺度自适应卷积核的多光谱图像变化检测方法 |
| US20230196567A1 (en) * | 2021-12-21 | 2023-06-22 | Hospital on Mobile, Inc. | Systems, devices, and methods for vital sign monitoring |
-
2023
- 2023-07-11 CN CN202310846825.4A patent/CN117011244B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016166651A1 (en) * | 2015-04-13 | 2016-10-20 | Koninklijke Philips N.V. | Vital sign monitoring |
| CN107613856A (zh) * | 2015-05-27 | 2018-01-19 | 深圳市长桑技术有限公司 | 一种信号获取方法与系统 |
| CN108514421A (zh) * | 2018-03-30 | 2018-09-11 | 福建幸福家园投资管理有限公司 | 提升混合现实与日常健康监测的方法 |
| EP3830790A1 (en) * | 2018-07-31 | 2021-06-09 | Deutsches Krebsforschungszentrum Stiftung des öffentlichen Rechts | Method and system for augmented imaging using multispectral information |
| CN113784748A (zh) * | 2019-03-08 | 2021-12-10 | 卡拉健康公司 | 利用节律生物过程治疗疾病的可穿戴周围神经刺激 |
| US10783433B1 (en) * | 2019-04-22 | 2020-09-22 | Bell Integrator Inc. | Method for training and self-organization of a neural network |
| CN111728602A (zh) * | 2020-08-21 | 2020-10-02 | 之江实验室 | 基于ppg的无接触血压测量装置 |
| CN112001362A (zh) * | 2020-09-11 | 2020-11-27 | 汪秀英 | 一种图像分析方法、图像分析装置及图像分析系统 |
| CN112434571A (zh) * | 2020-11-09 | 2021-03-02 | 西安理工大学 | 一种基于注意力自编码网络的高光谱异常检测方法 |
| US20230196567A1 (en) * | 2021-12-21 | 2023-06-22 | Hospital on Mobile, Inc. | Systems, devices, and methods for vital sign monitoring |
| CN114841319A (zh) * | 2022-04-29 | 2022-08-02 | 哈尔滨工程大学 | 一种基于多尺度自适应卷积核的多光谱图像变化检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117011244B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2674226C2 (ru) | Устройство и способ определения основных физиологических показателей субъекта | |
| Bal | Non-contact estimation of heart rate and oxygen saturation using ambient light | |
| CN105451646B (zh) | 用于提取生理信息的设备、系统和方法 | |
| RU2654615C2 (ru) | Устройство и способ извлечения физиологической информации | |
| EP4000505A1 (en) | Device and method for extracting physiological information | |
| CN105072997A (zh) | 用于获得对象的呼吸信息的设备 | |
| US20160235312A1 (en) | Automatic camera adjustment for remote photoplethysmography | |
| JP2016538005A (ja) | 遠隔フォトプレチスモグラフィ波形を取得するための改良された信号選択 | |
| JP2017522953A (ja) | 対象の血液内の物質の濃度を決定する装置、システム及び方法 | |
| CN112788200B (zh) | 频谱信息的确定方法及装置、存储介质、电子装置 | |
| CN111243739A (zh) | 抗干扰的生理参数遥测方法及系统 | |
| EP2868260A1 (en) | Health management support device, method and program | |
| CN106999115A (zh) | 用于确定对象的血液中的物质的浓度的设备、系统和方法 | |
| CN109890278A (zh) | 用于获得对象的生命信号的设备、系统和方法 | |
| Przybyło | A deep learning approach for remote heart rate estimation | |
| CN116012916A (zh) | 远程光体积描记信号和心率检测模型构建方法及检测方法 | |
| CN117011244B (zh) | 一种腕部多光谱图像处理方法 | |
| CN104997517B (zh) | 一种通过视频分析测量血糖的方法 | |
| Wang et al. | Ppg signal reconstruction using deep convolutional generative adversarial network | |
| TWI684433B (zh) | 生物影像處理方法以及生理資訊檢測裝置 | |
| KR102560787B1 (ko) | 생체정보 추정 장치 및 방법과, 이를 포함하는 전자장치 | |
| CN114376571B (zh) | 基于单色光动脉血管图像的血液含氧量状况测量方法及装置 | |
| CN115905819B (zh) | 基于生成对抗网络的rPPG信号生成方法及装置 | |
| CN113920387B (zh) | 一种短时rPPG信号检测模型的构建方法及检测方法 | |
| CN114387212A (zh) | 基于双色光动脉血管图像的动脉血氧饱和度测量方法及装置 |
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 |