CN117281490A - 一种非麻醉动物生命体征遥测方法及系统 - Google Patents

一种非麻醉动物生命体征遥测方法及系统 Download PDF

Info

Publication number
CN117281490A
CN117281490A CN202311232231.0A CN202311232231A CN117281490A CN 117281490 A CN117281490 A CN 117281490A CN 202311232231 A CN202311232231 A CN 202311232231A CN 117281490 A CN117281490 A CN 117281490A
Authority
CN
China
Prior art keywords
signal
neural network
target signal
bone point
training
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
CN202311232231.0A
Other languages
English (en)
Inventor
张晶晶
高童
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN202311232231.0A priority Critical patent/CN117281490A/zh
Publication of CN117281490A publication Critical patent/CN117281490A/zh
Pending legal-status Critical Current

Links

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
    • A61B5/02—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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4866—Evaluating metabolism
    • 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
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • 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
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/40—Animals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/42—Evaluating a particular growth phase or type of persons or animals for laboratory research

Landscapes

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

Abstract

本发明提供一种非麻醉动物生命体征遥测方法，包括：S1：构建动物骨骼点识别深度神经网络，对动物骨骼点识别深度神经网络进行训练，获得训练好的动物骨骼点识别深度神经网络；S2：获取待测RGB视频，将待测RGB视频输入训练好的动物骨骼点识别深度神经网络，获得ROI区域；S3：通过生命体征提取算法对ROI区域进行生命体征计算，获得呼吸频率和心率。本发明通过对ROI区域进行原始运动信号的信号融合，获得目标信号，通过对目标信号的呼吸相关锋电位的提取和分析获得呼吸频率和心率，使得研究人员可以及时获取呼吸和心率的变化，以实现更便捷、高效的实时监测方案。

Description

一种非麻醉动物生命体征遥测方法及系统
技术领域
本发明涉及动物生命体征检测领域，尤其涉及一种非麻醉动物生命体征遥测方法及系统。
背景技术
动物实验研究一直是医学和生物学领域取得科学突破的关键，心率与呼吸频率是表征动物新陈代谢水平的最重要也是最基本的生理参数，所获得的数据可以检测和高度预测动态的临床实验情况。由于小白鼠与人类在生物学方面存在一定的相似性，包括器官结构、生理功能和基因组构成等，对其的心率测量对医药生物领域有着重要作用。医学上发现，呼吸频率和血液的一些生化参数的变化有着密切的关系，可能会影响到血氧饱和度、二氧化碳分压、血氧含量等。目前，在许多临床环境中，人工计数正在被用于呼吸率(RR)的测量。由于测量的主观性，手动计数呼吸率并不是一种可靠的测量手段，可能导致结果不准确。随着自动化技术的出现，实验方法被提升到了更高层次，依靠自动化技术的测量精度提供更好的科研分析基础。
目前主流使用的是对被测小鼠麻醉后获取动物心肺功能，主要有ECG心电法和血压波形测量法。并且ECG设备为提高导电性，需要采用探针穿刺小鼠肌肉；血压波形测量法需要对小鼠进行手术植入血压探测头，给实验带来了许多不便，包括手术风险、皮肤损伤和伤口感染风险。重要的是，麻醉或者手术无法准确控制实验变量，都会对小鼠实验结果造成难以统一及量化的干扰。
目前用于监测动物生理的远距测量技术，如遥测需要侵入性设备，通过植入或贴附昂贵的设备，会造成潜在风险的物理干预。对动物的捕获和束缚可能会引起应激和长期创伤，这也会影响即时和长期测量的生理状态。此外，安装监测设备的过程中可能会增加人与动物之间或实验动物之间传播传染病的风险。许多物种由于它们的大小，或者它们表现出先天防御和侵略行为的倾向而具有潜在的危险。在获取自然环境中动物的生命特征数据时，这些野生动物很难接近或捕获，使用常规测量系统测量其生理参数也是危险的。这些先天的因素由于侵入式设施的安装限制而变得更加具有危险性。
发明内容
为解决上述技术问题，本发明提供一种非麻醉动物生命体征遥测方法，包括：
S1：构建动物骨骼点识别深度神经网络，对动物骨骼点识别深度神经网络进行训练，获得训练好的动物骨骼点识别深度神经网络；
S2：获取待测RGB视频，将待测RGB视频输入训练好的动物骨骼点识别深度神经网络，获得ROI区域；
S3：通过生命体征提取算法对ROI区域进行生命体征计算，获得呼吸频率和心率。
优选的，步骤S1具体为：
S11：获取ImageNet数据集，通过ImageNet数据集对动物骨骼点识别深度神经网络进行预训练，获得第一阶段训练网络；
S12：获取训练RGB视频，对训练RGB视频进行预处理，获得预处理后的训练RGB视频；
S13：通过预处理后的训练RGB视频对第一阶段训练网络进行迭代训练，获得训练好的动物骨骼点识别深度神经网络。
优选的，步骤S2具体为：
S21：将待测RGB视频输入训练好的动物骨骼点识别深度神经网络，训练好的动物骨骼点识别深度神经网络包括：空洞卷积网络和反卷积层；
S22：通过空洞卷积网络对待测RGB视频进行特征提取，获得第一特征图；
S23：通过反卷积层对特征图进行上采样，获得第二特征图；
S24：通过对第二特征图的各像素的真实坐标施加高斯核，计算获得第二特征图的热图损失；通过热图损失对第二特征图进行调整，获得热图；
S25：对热图进行二值化和标记，获得各骨骼点的最大值位置；
S26：通过最小外接矩形或最小外接圆，对各骨骼点的最大值位置按照区域分类进行包围，获得各区域；
S27：计算获得各区域的SNR值，将SNR值最大的区域作为ROI区域。
优选的，步骤S3具体为：
S31：获取ROI区域的原始运动信号，提取原始运动信号的x轴位移信号和y轴位移信号；
S32：将x轴位移信号和y轴位移信号进行信号融合，获得目标信号；
S33：通过目标信号计算获得呼吸频率RRclean；
S34：通过目标信号计算获得心率。
优选的，步骤S33具体为：
S331：提取目标信号的呼吸相关锋电位的时间点T＝[T1，...Tk，...TN]，计算获得非均匀采样的瞬时呼吸频率信号RRraw[k]，计算公式为：
其中，k为呼吸相关锋电位的编号，k的最大值为N；Tk为呼吸相关锋电位k的时间点；
S332：设置变化率ΔRRmax＝25次/min，通过变化率和瞬时呼吸频率信号计算获得呼吸频率RRclean，计算公式为：
其中，RRmin表示最小允许的心跳值，RRmax表示最大允许的心跳值，ΔRRraw[k]表示相邻两个瞬时呼吸频率信号的差值，ΔT(k)表示相邻两个时间点之间的时间差，ΔRRmax表示瞬时呼吸频率信号的最大变化率阈值，∧表示并且。
优选的，步骤S34具体为：
S341：去除目标信号中所有的呼吸相关锋电位，获得第一次去除后的目标信号；
S342：将第一次去除后的目标信号分成多个区间信号，每个区间信号仅包含一个呼吸周期，区间信号Wabs,k[j]的表达式为：
其中，k为呼吸相关锋电位的编号，Tk为呼吸相关锋电位k的时间点，j为时间点的编号，S[j]表示时间点j处的目标信号，表示时间点j处的第一次去除后的目标信号，Fs表示采样频率；
S343：对各区间信号进行归一化处理，获得归一化的区间信号W′abs,k[j]，表达式为：
其中，max(Wabs,k)表示区间信号中的最大值，min(Wabs,k)表示区间信号中的最小值；
S344：获取各归一化的区间信号内的局部最大值，将各局部最大值的中值作为阈值；
S345：获取第一次去除后的目标信号中大于阈值的所有全局最大值，将各全局最大值周围的预设部分进行切除，获得信号缺失区域；
S346：对各信号缺失区域进行保形分段三次样条插值，恢复信号的连续性和形态特征，获得插值后的目标信号；
S347：对插值后的目标信号进行加窗、补零和滤波处理，获得滤波后的目标信号；
S348：对滤波后的目标信号进行快速傅里叶变换，获得频域目标信号，将频域目标信号中最高峰对应的频率作为心率。
一种非麻醉动物生命体征遥测系统，包括：
网络训练模块，用于构建动物骨骼点识别深度神经网络，对动物骨骼点识别深度神经网络进行训练，获得训练好的动物骨骼点识别深度神经网络；
ROI区域获取模块，用于获取待测RGB视频，将待测RGB视频输入训练好的动物骨骼点识别深度神经网络，获得ROI区域；
生命体征计算模块，用于通过生命体征提取算法对ROI区域进行生命体征计算，获得呼吸频率和心率。
本发明具有以下有益效果：
通过RGB视频实现非接触式监测，无需对小鼠进行物理接触，减少了干扰并提高了实验的可靠性；通过动物骨骼点识别深度神经网络对RGB视频进行特征提取，通过对提取到的特征图进行热图分析和SNR值分析获取ROI区域，通过ROI区域可以获得更丰富的呼吸相关指标，提供更全面的生命体征信息；通过对ROI区域进行原始运动信号的信号融合，获得目标信号，通过对目标信号的呼吸相关锋电位的提取和分析获得呼吸频率和心率，使得研究人员可以及时获取呼吸和心率的变化，以实现更便捷、高效的实时监测方案。
附图说明
图1为本发明实施例方法流程图；
图2为动物骨骼点和区域分布示意图；
图3为目标信号获取示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，本发明提供一种非麻醉动物生命体征遥测方法，包括：
S1：构建动物骨骼点识别深度神经网络，对动物骨骼点识别深度神经网络进行训练，获得训练好的动物骨骼点识别深度神经网络；
S2：获取待测RGB视频，将待测RGB视频输入训练好的动物骨骼点识别深度神经网络，获得ROI区域；
S3：通过生命体征提取算法对ROI区域进行生命体征计算，获得呼吸频率和心率。
进一步的，步骤S1具体为：
S11：获取ImageNet数据集，通过ImageNet数据集对动物骨骼点识别深度神经网络进行预训练，获得第一阶段训练网络；
S12：获取训练RGB视频，对训练RGB视频进行预处理，获得预处理后的训练RGB视频；
S13：通过预处理后的训练RGB视频对第一阶段训练网络进行迭代训练，获得训练好的动物骨骼点识别深度神经网络。
具体的，本发明设计了一种动物骨骼点识别深度神经网络，结合物体识别和语义分割算法中的两个关键部分：预训练的空洞卷积网络和反卷积层。通过对空洞卷积网络进行修改，使用流行的大规模物体识别基准ImageNet上训练其权重。使用反卷积层代替ResNet输出端的分类层，对视觉信息进行上采样，产生空间概率密度。对于动物的每个身体部位，它的概率密度表示身体部位处于特定位置的可能性。
由于通过大型ImageNet网络进行预训练，为提高识别目标动物的准确率，需要对网络权重进行微调。采集到目标视频流后，需要对视频进行预处理操作：(1)抓取视频关键帧。(2)将视频转换为3通道的RGB图像。(3)图像裁切数据增强。(4)对所有图像进行正则化，降低网络模型过拟合的可能性。
采集目标动物RGB图像，并对其需要追踪的节点进行标记(节点名称及坐标)。在网络训练中以迭代的方式调整权重，使得对于采集的数据集，网络将高概率分配给已标记的身体部位位置，低概率分配给其他位置。从而对网络模型的较高层进行权重修改，对标注的身体部位进行特征检测器"学习"。由于使用了在ImageNet上预训练的ResNet进行网络模型初始化，因此这种预训练的方法具有鲁棒性和数据效率。由于使用了在ImageNet上预训练的ResNet进行网络模型初始化，因此这种预训练的方法具有鲁棒性和数据效率。
进一步的，步骤S2具体为：
S21：将待测RGB视频输入训练好的动物骨骼点识别深度神经网络，训练好的动物骨骼点识别深度神经网络包括：空洞卷积网络和反卷积层；
S22：通过空洞卷积网络对待测RGB视频进行特征提取，获得第一特征图；
S23：通过反卷积层对特征图进行上采样，获得第二特征图；
S24：通过对第二特征图的各像素的真实坐标施加高斯核，计算获得第二特征图的热图损失；通过热图损失对第二特征图进行调整，获得热图；
S25：对热图进行二值化和标记，获得各骨骼点的最大值位置；
S26：通过最小外接矩形或最小外接圆，对各骨骼点的最大值位置按照区域分类进行包围，获得各区域；
S27：计算获得各区域的SNR值，将SNR值最大的区域作为ROI区域。
具体的，动物骨骼点和区域分布如图2所示，动物骨骼点识别的重点是如何从图像中检测和定位动物的关键骨骼点，如头部、脖子、腿、尾巴等。这些骨骼点可以用于描述动物的姿态和行为，以及进行动物的识别和跟踪等。动物骨骼点识别与人的不同主要有以下几个方面：
动物的种类和形态更加多样和复杂，需要一个更通用和鲁棒的模型来适应不同的动物。
动物的姿态和运动更加灵活和随机，需要一个更精确和快速的模型来捕捉不同的动作。
动物的图像数据更加稀缺和贵重，需要一个更高效和节省的模型来利用有限的数据。
为了解决这些问题，本发明进行如下优化来改进动物骨骼点识别的模型：
使用残差网络(ResNet)作为特征提取器，来增强深层网络的性能。残差网络通过使用残差连接(Residual Connection)，可以将某一层的输入直接添加到后面几层的输出上，从而实现了恒等映射(Identity Mapping)。使得深层网络可以更容易地优化，并且可以从增加深度中获得更好的精度。本发明使用反卷积层代替ResNet输出端的分类层，对视觉信息进行上采样，产生空间概率密度。
本发明使用空洞卷积(Dilated Convolution)作为卷积操作，来增加感受野并保持分辨率。空洞卷积通过在卷积核的元素之间插入空洞，来扩大卷积核的大小。空洞卷积的一个参数是空洞率(Dilation Rate)，它表示每两个相邻元素之间的空洞数目。空洞卷积可以增加感受野，并且保持输出特征图的分辨率不变。这样可以捕捉更多的上下文信息，并且减少信息损失。空洞卷积的数学表达式如下：
其中x是输入特征图，y是输出特征图，w是卷积核，b是偏置项，K是卷积核的大小，r是空洞率。
本发明使用热图损失(Heatmap Loss)作为损失函数，热图损失计算预测热图和真实热图之间的欧式距离的平方和。其中每个像素值表示该位置对应的骨骼点的置信度。热图可以通过对真实坐标周围施加一个高斯核来生成。热图的计算方法如下：
其中Hi(x，y)是第i个骨骼点的热图，是第i个骨骼点的预测坐标，σ是高斯核的标准差。
假设输入图像为I，输出为Y∧，真实标注为Y，使用热图损失作为损失函数，则有：
其中和Hi分别是第i个骨骼点的预测热图和真实热图，它们的大小和输入图像相同。
优化算法的更新公式如下：
其中θ是神经网络的参数，α是学习率，是损失函数对参数的梯度。
为了计算骨骼点相对画面分辨率的坐标，我们需要知道热图的最大值位置和缩放比例。假设热图的大小为(W，H)，缩放比例为s，则骨骼点相对画面分辨率的坐标为：
其中i＝1，2，..，N，(xi,yi)表示第i个骨骼点相对画面分辨率的坐标，表示第i个骨骼点在热图中的最大值位置。
目前生物实验中，动物的生命指标主要为心肺功能(心率与呼吸率)指标。为减小动物受到的伤害及控制实验变量，本发明拟采用RGB视频流的方式无接触获取其生命特征，该方法不需要复杂的设备以及专业的实验环境，仅仅通过简单的RGB相机就可以完成，有着远距离架设、多目标监测的优势。该方法是基于监测动物呼吸及心脏跳导致的皮肤搏动位移，因此首先要确定动物适合监测的ROI区域。通过对视频数据进行时间搏动分析，计算出动物身上最适合生命体征提取的区域。通过计算5×5像素块的均值并将图像转换为灰度来减少视频帧的大小，利用快速傅里叶变换(FFT)计算每个像素的时间功率谱密度Pi,j。对每个像元识别感兴趣频段内的最大光谱分量Pmax,i,j和对应的频率fmax,i,j：
Pmax,i,j＝maxf(Fi，j(0)s.t.：f∈[fB，min，fB，max]
选择频段[fB，min，fB，max](其中fB，min为最小值，fB，max为最大频带频率)，使其包含记录物种的所有生理呼吸频率(小鼠：60～230次/分钟，大鼠：60～170次/分钟)。然后计算噪声楼层N：
N＝(μP+σP)·(fB，min-fB，max)
其中μP和σP是逆伽马分布的均值和标准差，拟合到集合Pmax
通过随机抽样一致性(Random Sample Consensus，RanSaC)方法，计算频率fmax，它代表了最大的fmax,i,j。计算fmax时每个像素点的信噪比(signal to noise ratio，SNR)作为脉动度：
生成的SNR图像保存了每个像素在确定的频率fmax下的SNR值。
将SNR表现较好区域选定为ROI区域，即心肺功能表现显著区域，本发明以小鼠作为实验案例，结合SNR图像可以得出小鼠的胸腹腔为其心肺功能显著区域，结合后文的骨骼点识别，实现对非麻醉动物的心肺功能显著区域追踪，即根据骨骼点确认每帧视频其ROI区域在视频像素中的坐标。通过被测动物骨骼点结合动物心肺功能的显著区域，得到被测动物的生命体征视频流ROI区域。
进一步的，步骤S3具体为：
S31：获取ROI区域的原始运动信号，提取原始运动信号的x轴位移信号和y轴位移信号；
S32：将x轴位移信号和y轴位移信号进行信号融合，获得目标信号；
S33：通过目标信号计算获得呼吸频率RRclean；
S34：通过目标信号计算获得心率。
具体的，利用有限冲激响应滤波器对所有提取的原始运动信号在0.3Hz到15Hz之间进行带通滤波，去除基线漂移和高频噪声。选择15Hz作为上边界，因为它远高于典型动物实验对象小鼠的最大生理心率(800次/min和700次/min)。其结果是一组没有基线漂移或高频噪声的冗余信号。与基于运动的远程光电容积脉搏波描记(rPPG)算法不同，本发明使用主成分分析(PCA)提取原始运动信号的x和y分量。进行第二次PCA，将所有位置信号合并为目标信号S，目标信号获取示意图如图3所示。
进一步的，步骤S33具体为：
S331：提取目标信号的呼吸相关锋电位的时间点T＝[T1，...Tk，...TN]，计算获得非均匀采样的瞬时呼吸频率信号RRraw[k]，计算公式为：
其中，k为呼吸相关锋电位的编号，k的最大值为N；Tk为呼吸相关锋电位k的时间点；
S332：设置变化率ΔRRmax＝25次/min，通过变化率和瞬时呼吸频率信号计算获得呼吸频率RRclean，计算公式为：
其中，RRmin表示最小允许的心跳值，RRmax表示最大允许的心跳值，ΔRRraw[k]表示相邻两个瞬时呼吸频率信号的差值，ΔT(k)表示相邻两个时间点之间的时间差，ΔRRmax表示瞬时呼吸频率信号的最大变化率阈值，表示并且。
具体的，条件一：心跳间隔在范围内
RRraw[k]∈[RRmin，RRmax]
用来确定哪些心跳间隔值在允许的范围内，具体来说，它检查瞬时呼吸频率信号RR_raw[k]是否在[RR_min，RR_max]的区间内。
条件二：变化率小于阈值
计算相邻两个心跳间隔值RR_raw[k]之间的变化率(ΔRRraw[k])与相邻时间间隔的变化率(ΔT(k))之比的绝对值。如果这个比值小于ΔRRmax，这部分的条件成立。
RRclean包含了同时满足条件一和条件二的心跳间隔值，这些间隔值被筛选和清理，以确保它们在指定范围内并且变化率不超过阈值。
将得到的信号插值到采样率为1Hz的连续网格上，经过快速傅里叶变换(FFT)得出其呼吸频率数值，取其中每5s的呼吸频率平均值过滤掉数据的尖刺，最终得到平滑的呼吸频率数据。
进一步的，步骤S34具体为：
S341：去除目标信号中所有的呼吸相关锋电位，获得第一次去除后的目标信号；
S342：将第一次去除后的目标信号分成多个区间信号，每个区间信号仅包含一个呼吸周期，区间信号Wabs,k[j]的表达式为：
Wabs,k[j]＝|S[j]-S[j]|j∈(Tk，Tk-1]·Fs
其中，k为呼吸相关锋电位的编号，Tk为呼吸相关锋电位k的时间点，j为时间点的编号，S[j]表示时间点j处的目标信号，表示时间点j处的第一次去除后的目标信号，Fs表示采样频率；
S343：对各区间信号进行归一化处理，获得归一化的区间信号W′abs,k[j]，表达式为：
其中，max(Wabs,k)表示区间信号中的最大值，min(Wabs,k)表示区间信号中的最小值；
S344：获取各归一化的区间信号内的局部最大值，将各局部最大值的中值作为阈值；
S345：获取第一次去除后的目标信号中大于阈值的所有全局最大值，将各全局最大值周围的预设部分进行切除，获得信号缺失区域；
S346：对各信号缺失区域进行保形分段三次样条插值，恢复信号的连续性和形态特征，获得插值后的目标信号；
S347：对插值后的目标信号进行加窗、补零和滤波处理，获得滤波后的目标信号；
S348：对滤波后的目标信号进行快速傅里叶变换，获得频域目标信号，将频域目标信号中最高峰对应的频率作为心率。
具体的，由于频率较低的呼吸信号掩盖了所有的高频成分，频谱图显示出明显谐波的指数衰减模式，其对应的呼吸频率约为60次/分。这些谐波信号掩盖了比呼吸率信号小两个数量级左右的高频心率信号。为了减少呼吸位移造成的影响，需在时域中去除所有与呼吸相关的尖峰。
找到所有局部最大值(不包括全局最大值)，将它们的中值作为阈值。这一步的目的是根据信号的局部特征确定一个合适的阈值，用于区分信号中的噪声和有效峰值。局部最大值是指在一定范围内比周围的点都高的点，局部最大值的中值是指将所有局部最大值从小到大排序后，位于中间位置的数值。
将大于该阈值的全局最大值附近的信号被切除。这一步的目的是去除信号中可能存在的异常高峰或干扰，保留信号的主要波形。全局最大值是指信号中最高的点。逻辑索引切除信号，即将信号中大于阈值的部分赋值为零。
通过使用保形分段三次样条算法填充间隙。这一步的目的是恢复信号中被切除部分造成的缺失或不连续，保持信号的平滑性和形态特征。保形分段三次样条算法是一种插值方法，它利用保形映射将信号从时间域转换到复平面域，并在复平面域上进行分段三次样条插值，然后利用逆保形映射将插值后的复平面域数据转换回时间域，并与原始信号拼接。
最后信号经过hamming窗口及补零算法后，利用自适应带通滤波器，从[300次/分，1100次/分]频率(大鼠参考心率)范围内的信号频谱中提取出心率信号。这一步的目的是对信号进行频域分析，提取出心率相关的频率成分，并消除其他无关或干扰的频率成分。hamming窗口是一种加窗函数，它可以减少信号在时域截断时产生的频谱泄漏和旁瓣效应。补零算法是一种增加信号长度和采样点数目的方法，它可以提高信号在频域变换时的分辨率和精度。自适应带通滤波器是一种能够根据输入信号自动调整自身参数和系数的数字滤波器，它可以根据给定的频率范围选择性地通过或衰减信号中不同频率成分。
最后通过快速傅里叶变换(FFT)计算得出心率。这一步的目的是将经过滤波后的时域信号转换为频域信号，并根据频域信号中最高峰对应的频率计算心率。快速傅里叶变换(FFT)是一种高效地计算离散傅里叶变换(DFT)和其逆变换(IDFT)的算法，它可以将信号在时域和频域之间进行转换。心率可以用以下公式计算：
心率＝fmax×60
其中，fmax是频域信号中最高峰对应的频率，单位是赫兹(Hz)，乘以60是将单位转换为次/分。
一种非麻醉动物生命体征遥测系统，包括：
网络训练模块，用于构建动物骨骼点识别深度神经网络，对动物骨骼点识别深度神经网络进行训练，获得训练好的动物骨骼点识别深度神经网络；
ROI区域获取模块，用于获取待测RGB视频，将待测RGB视频输入训练好的动物骨骼点识别深度神经网络，获得ROI区域；
生命体征计算模块，用于通过生命体征提取算法对ROI区域进行生命体征计算，获得呼吸频率和心率。
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。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种非麻醉动物生命体征遥测方法，其特征在于，包括：
S1：构建动物骨骼点识别深度神经网络，对动物骨骼点识别深度神经网络进行训练，获得训练好的动物骨骼点识别深度神经网络；
S2：获取待测RGB视频，将待测RGB视频输入训练好的动物骨骼点识别深度神经网络，获得ROI区域；
S3：通过生命体征提取算法对ROI区域进行生命体征计算，获得呼吸频率和心率。
2.根据权利要求1所述的非麻醉动物生命体征遥测方法，其特征在于，步骤S1具体为：
S11：获取ImageNet数据集，通过ImageNet数据集对动物骨骼点识别深度神经网络进行预训练，获得第一阶段训练网络；
S12：获取训练RGB视频，对训练RGB视频进行预处理，获得预处理后的训练RGB视频；
S13：通过预处理后的训练RGB视频对第一阶段训练网络进行迭代训练，获得训练好的动物骨骼点识别深度神经网络。
3.根据权利要求1所述的非麻醉动物生命体征遥测方法，其特征在于，步骤S2具体为：
S21：将待测RGB视频输入训练好的动物骨骼点识别深度神经网络，训练好的动物骨骼点识别深度神经网络包括：空洞卷积网络和反卷积层；
S22：通过空洞卷积网络对待测RGB视频进行特征提取，获得第一特征图；
S23：通过反卷积层对特征图进行上采样，获得第二特征图；
S24：通过对第二特征图的各像素的真实坐标施加高斯核，计算获得第二特征图的热图损失；通过热图损失对第二特征图进行调整，获得热图；
S25：对热图进行二值化和标记，获得各骨骼点的最大值位置；
S26：通过最小外接矩形或最小外接圆，对各骨骼点的最大值位置按照区域分类进行包围，获得各区域；
S27：计算获得各区域的SNR值，将SNR值最大的区域作为ROI区域。
4.根据权利要求1所述的非麻醉动物生命体征遥测方法，其特征在于，步骤S3具体为：
S31：获取ROI区域的原始运动信号，提取原始运动信号的x轴位移信号和y轴位移信号；
S32：将x轴位移信号和y轴位移信号进行信号融合，获得目标信号；
S33：通过目标信号计算获得呼吸频率RRclean；
S34：通过目标信号计算获得心率。
5.根据权利要求4所述的非麻醉动物生命体征遥测方法，其特征在于，步骤S33具体为：
S331：提取目标信号的呼吸相关锋电位的时间点T＝[T1,...Tk,...TN]，计算获得非均匀采样的瞬时呼吸频率信号RRraw[k]，计算公式为：
其中，k为呼吸相关锋电位的编号，k的最大值为N；Tk为呼吸相关锋电位k的时间点；
S332：设置变化率ΔRRmax＝25次/min，通过变化率和瞬时呼吸频率信号计算获得呼吸频率RRclean，计算公式为：
其中，RRmin表示最小允许的心跳值，RRmax表示最大允许的心跳值，ΔRRraw[k]表示相邻两个瞬时呼吸频率信号的差值，ΔT(k)表示相邻两个时间点之间的时间差，ΔRRmax表示瞬时呼吸频率信号的最大变化率阈值，∧表示并且。
6.根据权利要求4所述的非麻醉动物生命体征遥测方法，其特征在于，步骤S34具体为：
S341：去除目标信号中所有的呼吸相关锋电位，获得第一次去除后的目标信号；
S342：将第一次去除后的目标信号分成多个区间信号，每个区间信号仅包含一个呼吸周期，区间信号Wabs,k[j]的表达式为：
其中，k为呼吸相关锋电位的编号，Tk为呼吸相关锋电位k的时间点，j为时间点的编号，S[j]表示时间点j处的目标信号，表示时间点j处的第一次去除后的目标信号，Fs表示采样频率；
S343：对各区间信号进行归一化处理，获得归一化的区间信号W′ abs,[j]，表达式为：
其中，max(Wabs,)表示区间信号中的最大值，min(Wabs,)表示区间信号中的最小值；
S344：获取各归一化的区间信号内的局部最大值，将各局部最大值的中值作为阈值；
S345：获取第一次去除后的目标信号中大于阈值的所有全局最大值，将各全局最大值周围的预设部分进行切除，获得信号缺失区域；
S346：对各信号缺失区域进行保形分段三次样条插值，恢复信号的连续性和形态特征，获得插值后的目标信号；
S347：对插值后的目标信号进行加窗、补零和滤波处理，获得滤波后的目标信号；
S348：对滤波后的目标信号进行快速傅里叶变换，获得频域目标信号，将频域目标信号中最高峰对应的频率作为心率。
7.一种非麻醉动物生命体征遥测系统，其特征在于，包括：
网络训练模块，用于构建动物骨骼点识别深度神经网络，对动物骨骼点识别深度神经网络进行训练，获得训练好的动物骨骼点识别深度神经网络；
ROI区域获取模块，用于获取待测RGB视频，将待测RGB视频输入训练好的动物骨骼点识别深度神经网络，获得ROI区域；
生命体征计算模块，用于通过生命体征提取算法对ROI区域进行生命体征计算，获得呼吸频率和心率。
CN202311232231.0A 2023-09-21 2023-09-21 一种非麻醉动物生命体征遥测方法及系统 Pending CN117281490A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311232231.0A CN117281490A (zh) 2023-09-21 2023-09-21 一种非麻醉动物生命体征遥测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311232231.0A CN117281490A (zh) 2023-09-21 2023-09-21 一种非麻醉动物生命体征遥测方法及系统

Publications (1)

Publication Number Publication Date
CN117281490A true CN117281490A (zh) 2023-12-26

Family

ID=89240216

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311232231.0A Pending CN117281490A (zh) 2023-09-21 2023-09-21 一种非麻醉动物生命体征遥测方法及系统

Country Status (1)

Country Link
CN (1) CN117281490A (zh)

Similar Documents

Publication Publication Date Title
Kumar et al. Characterization of coronary artery disease using flexible analytic wavelet transform applied on ECG signals
EP2099359B1 (en) Biomedical signal morphology analysis method
Labate et al. Empirical mode decomposition vs. wavelet decomposition for the extraction of respiratory signal from single-channel ECG: A comparison
Tasli et al. Remote PPG based vital sign measurement using adaptive facial regions
CN110269600B (zh) 基于多元经验模态分解与联合盲源分离的非接触式视频心率检测方法
Sayadi et al. Model-based fiducial points extraction for baseline wandered electrocardiograms
EP2960862A1 (en) A method for stabilizing vital sign measurements using parametric facial appearance models via remote sensors
US20190015052A1 (en) Machine-learning-based denoising of doppler ultrasound blood flow and intracranial pressure signal
CN111387959A (zh) 一种基于ippg的非接触式生理参数检测方法
CN114052744B (zh) 基于脉冲神经网络的心电信号分类方法
KR20130092849A (ko) 개인화된 생체 신호 패턴을 이용한 생체 신호의 동잡음 제거 방법 및 장치
Zhang et al. Respiratory rate estimation from the photoplethysmogram via joint sparse signal reconstruction and spectra fusion
CN112232256A (zh) 一种无接触式运动及体测数据采集系统
CN113920119B (zh) 一种基于热成像技术的心率呼吸分析处理方法
Boucheham et al. Piecewise linear correction of ECG baseline wander: a curve simplification approach
Modak et al. A novel adaptive multilevel thresholding based algorithm for QRS detection
CN117281490A (zh) 一种非麻醉动物生命体征遥测方法及系统
Kumar et al. Robust multiresolution wavelet analysis and window search based approach for electrocardiogram features delineation
Li et al. A High-Efficiency and Real-Time Method for Quality Evaluation of PPG Signals
CN114246570A (zh) 峰值信噪比和皮尔森相关系数融合的近红外心率检测方法
Yang et al. A faster R CNN-based real-time QRS detector
Ghoraani Time-frequency Feature Analysis
Wang et al. Chaos in Motion: Unveiling Robustness in Remote Heart Rate Measurement through Brain-Inspired Skin Tracking
Vysiya et al. Automatic detection of cardiac arrhythmias in ECG signal for IoT application
Kumar et al. Statistical Analysis of ST Segments for ischemia detection in electrocardiogram signals

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