频谱信息的确定方法及装置、存储介质、电子装置制造方法及图纸

本发明专利技术提供了一种频谱信息的确定方法及装置、存储介质、电子装置，其中，上述方法包括：将目标视频帧输入到目标卷积神经网络模型中，以得到目标视频帧的超分辨率视频帧，其中，目标卷积神经网络模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：视频帧，以及视频帧对应的超分辨率视频帧；获取目标视频帧对应的超分辨率视频帧中色彩变换信息对应的多个源信号；从多个源信号中选取目标时间段内的部分源信号进行傅里叶变换处理，以确定目标视频帧对应的频谱信息，其中，目标时间段内的部分源信号呈连续状态，采用上述技术方案，解决了相关技术中，由于目标视频帧存在较多的干扰，导致检测的准确率低等问题。

【技术实现步骤摘要】
频谱信息的确定方法及装置、存储介质、电子装置
本专利技术涉及通信领域，具体而言，涉及一种频谱信息的确定方法及装置、存储介质、电子装置。
技术介绍
随着社会的急速发展，人们对自身身体健康状况的关注也更加密切，因此对日常人体健康监控产品的需求日益增长。此外，由于近些年人们的作息规律、饮食习惯不断改变，导致心血管疾病患者的数量急剧增加，患者年龄也逐渐趋于年轻化。在诊治心血管等多种疾病时，心率是最重要和最基本的生理指标之一，并且在一定程度上能够反映出人的健康状况、压力水平和情绪波动。故而在物联网、大数据以及机器学习和深度学习等技术的驱动下，市场上出现了各种各样日常检测心率的设备。目前大多数的基于光电容积描记的方法，但相关技术中存在以下不足：1)由于采集到的视频信号受外界干扰较大，采集到的视频分辨率低难以准确描记光电容积额变化等问题；2)多数在处理采集到的信号时采用统计特定时域内的波峰个数和使用傅里叶变换进行频谱分析。但是统计特定时域内波峰个数，更容易受到噪声的影响使得结果不准确，同时进行傅里叶变换进行频谱分析，由于傅里叶变换本身的非局部性，也会本文档来自技高网...

【技术保护点】
1.一种频谱信息的确定方法，其特征在于，包括：/n将目标视频帧输入到目标卷积神经网络模型中，以得到所述目标视频帧的超分辨率视频帧，其中，所述目标卷积神经网络模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：视频帧，以及所述视频帧对应的超分辨率视频帧；/n获取所述目标视频帧对应的超分辨率视频帧中色彩变换信息对应的多个源信号；/n从所述多个源信号中选取目标时间段内的部分源信号进行傅里叶变换处理，以确定所述目标视频帧对应的频谱信息，其中，所述目标时间段内的部分源信号呈连续状态。/n

【技术特征摘要】
1.一种频谱信息的确定方法，其特征在于，包括：
将目标视频帧输入到目标卷积神经网络模型中，以得到所述目标视频帧的超分辨率视频帧，其中，所述目标卷积神经网络模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：视频帧，以及所述视频帧对应的超分辨率视频帧；
获取所述目标视频帧对应的超分辨率视频帧中色彩变换信息对应的多个源信号；
从所述多个源信号中选取目标时间段内的部分源信号进行傅里叶变换处理，以确定所述目标视频帧对应的频谱信息，其中，所述目标时间段内的部分源信号呈连续状态。


2.根据权利要求1所述的方法，其特征在于，将目标视频帧输入到目标卷积神经网络模型中，以得到所述目标视频帧的超分辨率视频帧，包括：
通过所述目标卷积神经网络模型执行以下操作：
对所述目标视频帧进行卷积，得到卷积结果；
将所述卷积结果转化为浅层特征集合；
对所述浅层特征集合进行非线性映射处理得到所述目标视频帧的非线性特征集合；
对所述非线性特征集合进行卷积重建，以得到所述目标视频帧的超分辨率视频帧。


3.根据权利要求2所述的方法，其特征在于，对所述非线性特征集合进行卷积重建，以得到所述目标视频帧的超分辨率视频帧，包括：
获取预设卷积核；
将所述目标视频帧与非线性特征集合输入所述预设卷积核，以构建出目标视频帧所对应的超分辨率视频帧。


4.根据权利要求3所述的方法，其特征在于，将所述目标视频帧与非线性特征集合输入所述预设卷积核，构建出目标视频帧所对应的超分辨率视频帧之后，所述方法还包括：
获取预设的超分辨率视频帧的目标转换格式，其中，所述目标转换格式包括：HSV格式；
根据所述目标转换格式确定出所述超分辨率视频帧的目标格式视频帧，其中，目标格式视频帧用于将超分辨率视频帧中色彩的变化进行视觉信息化。


5.根据权利要求1所述的方法，其特征在于，获取所述超分辨率视频帧中色彩变换信息对应的多个源信号，包括：
对所述超分辨率视频帧...

【专利技术属性】
技术研发人员：王义文，王鹏，王灵芝，田江，向小佳，丁永建，李璠，
申请(专利权)人：光大科技有限公司，
类型：发明
国别省市：北京;11