一种基于视频流的非接触式连续血压测量方法及系统技术方案

本发明专利技术公开了一种基于视频流的非接触式连续血压测量方法及系统。属于血压测量领域，所述方法包括：脉搏波信号处理与特征提取模块；单人模型构建与筛选模块；PPG信号特征选择模块；SVR通用血压模型构建模块；视频信号采集与处理模块；视频血压预测模块。视频血压预测结果显示，收缩压与舒张压的预测结果满足AAMI与BHS的A级标准。本发明专利技术仅靠采集视频中的脉搏波信号就可达到准确测量连续血压的目的，测量方式简单，不需要与人体进行接触，对临床与日常健康监护都具有广阔的应用价值与前景。常健康监护都具有广阔的应用价值与前景。常健康监护都具有广阔的应用价值与前景。

【技术实现步骤摘要】
一种基于视频流的非接触式连续血压测量方法及系统


[0001]本专利技术属于血压测量领域，特别是涉及一种基于视频流的非接触式连续血压测量方法及系统。

技术介绍

[0002]血压(BP)直接反映人类心脑血管的功能状态，是疾病诊断、疗效评价和预后分析的重要依据。相比于传统血压检测方法，连续无创非接触式的血压监测方法具有便携性，舒适性和简便性等优势。
[0003]近年来，一些研究根据脉搏波特征对血压进行估计，如文献1(Wang,Y.,et al.Continuous blood pressure prediction using pulse features and Elman neural networks.in 2017 IEEE 17th International Conference on Communication Technology(ICCT).2017.)利用脉搏波单通道信号，提取少数脉搏波波形特征构建了BP预测模型。但是该方法的预测精度有待提高，并没有脉搏波信号的相关提取方法。
[0004]关于脉搏波的获取，利用光电容积脉搏波的原理获取技术已经较为成熟。基于视频获取脉搏波的研究在不断发展。如文献2(Xu,F.,et al.,Heart rate measurement based on face video sequence.2015.941435.)利用独立成分分析(ICA)的原理，从面部视频信号中成功地提取出脉搏波信号。
[0005]随着脉搏波提取技术与预测算法的发展，人们开始考虑基于视频的连续无创非接触式血压测量方法的研究。如文献3(Y.Fang,P.Huang,M.Chung and B.Wu,
″
A Feature Selection Method for Vision
‑
Based Blood Pressure Measurement,
″
2018IEEE International Conference on Systems,Man,and Cybernetics(SMC),Miyazaki,Japan,2018,pp.2158
‑
2163,doi:10.1109/SMC.2018.00371.)通过视频记录面部与手掌信号，利用人工智能模型对血压进行预测。他们所需采集的信号较多，只比较了模型之间的差异性，预测精度不高。
[0006]中国专利号为CN108272449的专利公开了一种非接触式的血压监测方法及系统。通过获取被监测者身体上第一采样位置和第二采样位置的视频信号流，提取脉搏波的传输速度，并将传输速度转换为血压值，实现血压的动态监测。该系统和方法可以实现非接触式动态连续血压监测，提高用户的舒适体验度，实时反馈用户的血压情况。该方法需要同时采集面部与指尖两处视频信号，信号采集的复杂度大大增加。
[0007]中国专利号为CN110706826的专利公开了一种基于视频图像的非接触式的实时多人心率和血压测量方法。通过非接触方式获取被检测者的人脸组织区域的视频图像，根据所述视频图像提取人脸图像；对所有所述人脸区域中满足预设条件的皮肤组织进行图像处理并生成图像数据；根据所述图像数据，计算出被检测人群的心率和血压值。该方法仅利用脉搏波传导时间建立与血压之间的关系，进行血压的实时测量的过程中计算误差比较大，并未描述血压预测结果的准确度。
[0008]中国专利号为CN106821356的专利公开了基于Elman神经网络的云端连续血压测
量方法和系统。将提取获得的脉搏波信号的特征点作为Elman神经网络的输入，进行采用训练好的Elman神经网络模型对血压值进行预测，将获得的预测值作为连续血压测量值。该方法利用神经网络的方法进行血压预测，但并未描述非接触式脉搏波信号的获取与处理方法。
[0009]中国专利号为CN110090010的专利公开了一种非接触式血压测量方法及系统。该方法获取用户的面部视频后筛选出第一感兴趣区域与第二感兴趣区域的图像帧，利用盲源分离获得心率估计值，根据心率估计值提取确定感兴趣区域的光电容积脉搏波，利用PPG信号时滞输入时滞与血压的关系方程得到血压值，够避免对人体的直接接触和压迫。该方法不能实现实时血压监测。
[0010]中国专利号为CN105011921的专利公开了一种通过视频分析测量血压的方法。该方法通过拍摄人体浅表动脉处一侧的动脉视频，拍摄视频前后通过常规方法测量人体血压，根据测得的高压值与低压值对视频信号进行分析，算出血压与动脉尺度的关联系数，实际测量时重复上述步骤，得到具体测量的高压值与低压值。该专利技术所述的测量血压方法仅靠拍摄视频与视频分析即可得到，不需要接触人体即可完成血压测量。该方法在拍摄视频前后还需要使用常规方法测量人体高压值与低压值，操作较为繁琐。
[0011]中国专利号为CN108523867的专利公开了一种自校准PPG无创血压测量方法。该方法根据脉搏波传导时间与血压之间的线性关系测得PPG血压测量值，根据血压校准模型与个人特征信息对所述PPG血压测量值进行校准。该方法根据个人特征信息对PPG血压测量值进行校准来改善测量效率和结果，使血压测量的结果受干扰更小。该方法为接触式血压测量，需要佩戴手环采集PPG信号。

技术实现思路

[0012]为了解决上述血压测量方法存在的问题，满足智慧医疗快速发展下人们对血压测量方面的要求，本专利技术提供一种基于视频流非接触式连续血压测量方法及系统，实现血压信息的实时监测，在日常生活与临床监测中有很大的应用前途。从面部视频到血压的预测，并经验证符合AAMI和BHS标准，提高了基于视频信号获取血压的精确度，实时反馈用户的血压情况。
[0013]本专利技术采用如下技术方案来实现的：
[0014]一种基于视频流的非接触式连续血压测量系统，包括：
[0015]脉搏波信号处理与特征提取模块，采用离散小波分解技术与小波去噪的方法对脉搏波信号进行预处理，对PPG的波形特征以及参考人体的生理信息在PPG波形中的表现进行分析，提取了脉搏波序列的时频域特征；
[0016]单人模型构建与筛选模块，根据脉搏波信号处理与特征提取模块提取到的脉搏波序列的时频域特征，建立了三种单人血压预测模型，分别为基于粒子群优化的Elman神经网络的单人血压预测模型，基于深度信念网络的单人血压预测模型以及SVR单人血压预测模型，对三种单人血压预测模型进行评价筛选，得出最优模型为SVR单人血压预测模型；
[0017]PPG信号特征选择模块，根据脉搏波信号处理与特征提取模块提取的脉搏波序列的时频域特征，进行特征排序，得到特征权重排序结果；
[0018]SVR通用血压模型构建模块，根据特征权重排序结果，选取不同数量的脉搏波序列
的时频域特征重新构建SVR单人血压预测模型，得到SVR通用血压预测模型，对预测结果与实际血压进行一致性分析，得到并验证最优特征子集及其稳定性；
[0019]视频信号采集与处理模块本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于视频流的非接触式连续血压测量系统，其特征在于，包括：脉搏波信号处理与特征提取模块，采用离散小波分解技术与小波去噪的方法对脉搏波信号进行预处理，对PPG的波形特征以及参考人体的生理信息在PPG波形中的表现进行分析，提取了脉搏波序列的时频域特征；单人模型构建与筛选模块，根据脉搏波信号处理与特征提取模块提取到的脉搏波序列的时频域特征，建立了三种单人血压预测模型，分别为基于粒子群优化的Elman神经网络的单人血压预测模型，基于深度信念网络的单人血压预测模型以及SVR单人血压预测模型，对三种单人血压预测模型进行评价筛选，得出最优模型为SVR单人血压预测模型；PPG信号特征选择模块，根据脉搏波信号处理与特征提取模块提取的脉搏波序列的时频域特征，进行特征排序，得到特征权重排序结果；SVR通用血压模型构建模块，根据特征权重排序结果，选取不同数量的脉搏波序列的时频域特征重新构建SVR单人血压预测模型，得到SVR通用血压预测模型，对预测结果与实际血压进行一致性分析，得到并验证最优特征子集及其稳定性；视频信号采集与处理模块，首先利用摄像机获取被试的面部视频数据与指尖PPG信号，对于获取到的面部视频数据，采用框选技术对感兴趣区域进行提取RGB序列，采用颜色失真滤波算法对RGB序列滤波处理，再利用独立成分分析算法从滤波后的RGB序列提取视频脉搏波信号，与指尖PPG信号进行一致性估计；视频血压预测模块，采用脉搏波信号处理与特征提取模块中的方法提取视频脉搏波序列的时频域特征，根据脉搏波最优特征子集提取视频脉搏波特征子集，与指尖PPG信号的最优脉搏波特征子集进行一致性估计，得出最优视频脉搏波特征子集并作为输入，利用训练得到的SVR通用血压预测模型进行血压预测。2.根据权利要求1所述的一种基于视频流的非接触式连续血压测量系统，其特征在于，脉搏波信号处理与特征提取模块包括：时域特征提取，采用Matlab的findpeaks函数，通过设定最低幅值以及相邻点的最小距离，实现脉搏波波峰的定位，从而进一步通过寻找相邻波峰间的最小值实现脉搏波波峰的定位，采用Matlab的trapz函数实现上升面积SS、下降面积DS的计算，采用diff函数实现脉搏波信号一阶微分的计算，得出脉搏波时域特征；频域特征提取，通过Matlab的fft函数对以当前脉搏波为中心的左右各10个脉搏波信号为单位做傅里叶变换，采用Matlab的max函数实现脉搏波信号的基波和二次谐波中0.3
‑
1.6Hz和1.6
‑
3Hz之间的频率和幅值的确定，采用
‘
db6
’
小波为母小波对脉搏波信号进行6层分解提取小波域特征，采用Maltab的经验模态分解工具箱实现对脉搏波信号的分解，之后对分解得到的IMF分量进行Hilbert变换得到Hilbert变换域特征；共提取包括时间特征，幅值特征，以及面积特征共78个时频域特征。3.根据权利要求1所述的一种基于视频流的非接触式连续血压测量系统，其特征在于，单人模型构建与筛选模块，包括：粒子群优化的Elman神经网络的单人血压预测模型建立，采用单一隐含层，采用粒子群优化算法寻找最优网络权值与阈值，采用变异操作，在每次粒子更新后，以随机概率重新初始化粒子；SVR单人血压预测模型建立，采用Libsvm库来训练，采用径向基函数核内核的∈
‑
SVR模
型，并通过用于回归问题的网格参数寻优函数SVMcgForRegress确定模型中的超参数，即：惩罚系数C,核函数中内核参数g和终止准则的容差∈；基于深度信念网络的单人血压预测模型建立，采用受限玻尔兹曼机进行预训练，使得特征参数在降维时，尽可能多的特征信息被保留，之后利用训练好的受限玻尔兹曼机网络参数初始化神经网络权值，利用训练数据结合误差反传算法对权值调整；三种单人血压预测模型训练时，采用三折交叉验证的方法将60％数据用于模型训练，40％数据作为测试数据；根据血压测量的AAMI标准，以得到的3次训练的预测血压与实际血压的平均绝对误差、标准差的平均作为模型准确性的评价指标，对三种建模方法进行比较评估，得到最优SVR单人血压预测模型。4.根据权利要求1所述的一种基于视频流的非接触式连续血压测量系统，其特征在于，PPG信号特征选择模块，还包括本文所设计的特征选择方法，具体包括：利用65个被试的数据参与特征选择，每个被试约3个不同时间段的数据，共190组数据，每段数据长度在十分钟；选用RRelieff、近邻成分分析的过滤式特征选择方法以及依托于支持向量机的支持向量机递归特征消除、依托于神经网络的平均影响值两种嵌入式特征选择方法，采用基于排名的稳定性聚合技术，进行集成特征选择；采用上述四种特征选择方法对每组数据分别进行特征选择，每一组数据会得出四种特征权重排序，首先将一种特征选择方法得出的190组特征排序进行稳定性聚合，得出该特征选择方法的特征权重排序，再将四种不同特征选择方法得到的特征权重排序进行稳定性聚合...

【专利技术属性】
技术研发人员：闫昊，朱田杨，陈修强，龚宁，周秦武，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：