一种便捷式心率监测方法技术

本发明专利技术公开了一种便捷式心率监测方法，所述便捷性心率监测方法如下：第一步骤：通过人脸特征抓取模块检测人脸部特征点，得到面部监测区域数据集和背景监测区域数据集；第二步骤：视频信号的去噪处理，本发明专利技术通过人脸特征抓取模块检测人脸部特征点，并选中脸部感兴趣区域，而后追踪整个视频时间段的脸部感兴趣区域，得到面部监测区域数据集和背景监测区域数据集，通过对面部监测区域数据集和背景监测区域数据集利用偏最小二乘法将两个数据集共有的光照信息去除，得到无环境光影响的面部监测区域数据集，从而消除光环境的影响，得到更加准确的心率结果。准确的心率结果。

【技术实现步骤摘要】
一种便捷式心率监测方法


[0001]本专利技术涉及监测方法，特别涉及一种便捷式心率监测方法，属于心率监测


技术介绍

[0002]心率不仅可以反映人体的健康状况，而且可以反映人体的运动情况。对心率的实时检测可以帮助人们随时了解自己的身体状况。同时，也可以指导人们控制运动量，随着人们对健康越来越关注，运动也受到当代人的重视。对心率的实时、无创监测一定程度上能够避免由于心血管疾病等因素引起的意外事件的发生。
[0003]传统的心率测量设备大部分都需要直接接触人体才能工作，对被测量者有很大的束缚性，并且有些设备代价昂贵，远远无法满足大众对健康监测的需求，目前，基于视觉设备的非接触感知在诸如机器视觉、视频监控、车辆或人脸的识别与跟踪、体感游戏等许多领域的应用越来越广泛，因此，如何基于非接触式的视觉相机对心率进行测量将为心率测量提供一种更为有效、灵活的技术手段，基于非接触式的视觉相机对心率进行测量需求设备简单，价格便宜，甚至可以借助一些现有的设备来完成心率测量过程，同时，由于是非接触式心率测量，不仅不会引起被测量者任何不适，还能够在不同的环境下进行测量，适用范围广。
[0004]然而，从光电容积脉搏波中提取心率时，最大的难点是检测到的光电容积脉搏波很容易受到外界因素的干扰，特别是运动和光源等因素的影响，使得测量结果出现偏差。

技术实现思路

[0005]本专利技术的目的在于提供一种便捷式心率监测方法，以解决上述
技术介绍
中提出的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种便捷式心率监测方法，所述便捷性心率监测方法如下：
[0007]第一步骤：通过监测摄像头实时监测人体运动视频，通过人脸特征抓取模块检测人脸部特征点，并选中脸部感兴趣区域，而后通过追踪学习检测方法追踪整个视频时间段的脸部感兴趣区域，得到面部监测区域数据集和背景监测区域数据集。
[0008]第二步骤：视频信号的去噪处理，通过小波阀值法对视频信号噪音进行去除；
[0009]第三步骤：面部监测区域数据集和背景监测区域数据集提取出后，利用偏最小二乘法将两个数据集共有的光照信息去除，得到无环境光影响的面部监测区域数据集，通过多变量经验模态分解法提取心率信号，经峰值检测计算出心率值。
[0010]作为本专利技术的一种优选技术方案，所述追踪学习检测方法包括追踪器、机器学习和检测器，其中，
[0011]追踪器：跟踪连续帧之间的位置，仅当物体可见时追踪器有效，追踪器根据物体在前一帧的位置估计物体在当前帧的位置，由此会产生物体的运动轨迹，为机器学习提供了
样本；
[0012]检测器的作用是为了估计追踪器的误差，若追踪器产生的误差很大就改进追踪器的结果。检测器会对每一帧的画面做全面的扫描，找到跟目标物体相近的位置，并从检测结果中为机器学习提供正样本和负样本。此方法会从所有的正样本当中选择出一个最可靠的位置来作为这一帧追踪学习检测算法的输出，并将这个结果作为追踪器下一帧的起始位置；
[0013]机器学习：机器学习是根据追踪器和检测器提供的正样本和负样本进行评估，并根据评估结果迭代训练分类器，不断改进检测器的准确度。
[0014]作为本专利技术的一种优选技术方案，所述小波去噪的具体操作如下：
[0015]S1：对信号进行小波变换，对变换后的信号计算小波系数Wi1，前提条件是选好小波基p(x)和分解层次M；
[0016]S2：设定好阈值函数和阀值规则，然后筛选出符合规则的系数，获得估计小波系数Wi1；
[0017]S3：利用估计小波系数重构信号，获得新的信号，从而完成去噪。
[0018]作为本专利技术的一种优选技术方案，第一步骤中，人脸特征抓取模块检测人脸特征点的具体操作如下：
[0019]利用视频得到所有帧数人脸图像，再对每一帧图像采用SO
‑
CLM得到50
‑
60组脸部绿色特征点和9组脸部红色主要特征点，50
‑
60组脸部绿色特征点主要分布在脸部五官外围，而9组脸部红色主要特征点主要分布在鼻翼两端；
[0020]作为本专利技术的一种优选技术方案，9组脸部红色主要特征点选取鼻翼两端区域内的较少数量，9组脸部红色主要特征点构成多边形区域，该多边形区域内部的所有像素点就构成了面部监测区域，其他区域为背景区域。
[0021]作为本专利技术的一种优选技术方案，面部监测区域数据集和背景区域数据集的获取方法如下：
[0022]在划分的脸部感兴趣区域和背景监测区域中，计算各自的空间RGB颜色通道像素平均值，对每个通道内的所有像素值进行空间平均，由此构成面部监测区域数据集和背景监测区域数据集。
[0023]与现有技术相比，本专利技术的有益效果是：
[0024]本专利技术一种便捷式心率监测方法，通过人脸特征抓取模块检测人脸部特征点，并选中脸部感兴趣区域，而后追踪整个视频时间段的脸部感兴趣区域，得到面部监测区域数据集和背景监测区域数据集，通过对面部监测区域数据集和背景监测区域数据集利用偏最小二乘法将两个数据集共有的光照信息去除，得到无环境光影响的面部监测区域数据集，从而消除光环境的影响，得到更加准确的心率结果，同时本专利技术还通过小波阈值去噪的方法对面部监测区域数据集进行去噪处理，数据计算量非常小，去噪效果非常好，进一步保证测量数据的准确性。
具体实施方式
[0025]下面将对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0026]本专利技术提供了一种便捷式心率监测方法的技术方案：
[0027]一种便捷式心率监测方法，便捷性心率监测方法如下：
[0028]第一步骤：通过监测摄像头实时监测人体运动视频，通过人脸特征抓取模块检测人脸部特征点，并选中脸部感兴趣区域，而后通过追踪学习检测方法追踪整个视频时间段的脸部感兴趣区域，得到面部监测区域数据集和背景监测区域数据集。
[0029]第二步骤：视频信号的去噪处理，通过小波阀值法对视频信号噪音进行去除；
[0030]第三步骤：面部监测区域数据集和背景监测区域数据集提取出后，利用偏最小二乘法将两个数据集共有的光照信息去除，得到无环境光影响的面部监测区域数据集，通过多变量经验模态分解法提取心率信号，经峰值检测计算出心率值。
[0031]具体的，用偏最小二乘法来提取面部监测区域数据集和背景感兴趣数据集含有的共同光照变化信息，即分析两个数据集矩阵的相关性，所以在这里我们利用偏最小二乘相关法中可以提取相关性的功能来提取面部监测区域和背景监测区域共同拥有的光照变化源。偏最小二乘相关法主要目的是提取出在正交约束条件下输入投影和输出数据之间协方差最大化的投影。
[0032]人脸特征点抓取模块采用的算法为SO
‑
CLM本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种便捷式心率监测方法，其特征在于，所述便捷性心率监测方法如下：第一步骤：通过监测摄像头实时监测人体运动视频，通过人脸特征抓取模块检测人脸部特征点，并选中脸部感兴趣区域，而后通过追踪学习检测方法追踪整个视频时间段的脸部感兴趣区域，得到面部监测区域数据集和背景监测区域数据集。第二步骤：视频信号的去噪处理，通过小波阀值法对视频信号噪音进行去除；第三步骤：面部监测区域数据集和背景监测区域数据集提取出后，利用偏最小二乘法将两个数据集共有的光照信息去除，得到无环境光影响的面部监测区域数据集，通过多变量经验模态分解法提取心率信号，经峰值检测计算出心率值。2.根据权利要求1所述的一种便捷式心率监测方法，其特征在于：所述追踪学习检测方法包括追踪器、机器学习和检测器，其中，追踪器：跟踪连续帧之间的位置，仅当物体可见时追踪器有效，追踪器根据物体在前一帧的位置估计物体在当前帧的位置，由此会产生物体的运动轨迹，为机器学习提供了样本；检测器的作用是为了估计追踪器的误差，若追踪器产生的误差很大就改进追踪器的结果。检测器会对每一帧的画面做全面的扫描，找到跟目标物体相近的位置，并从检测结果中为机器学习提供正样本和负样本。此方法会从所有的正样本当中选择出一个最可靠的位置来作为这一帧追踪学习检测算法的输出，并将这个结果作为追踪器下一帧的起始位置；机器学习：机器学习是根据追踪器和检测器提供的正样本和负样本进行评估，并根据评估结果迭代训练分类器，不断改进检测器的准确度...

【专利技术属性】
技术研发人员：杜晨秋，李百战，刘红，张少星，
申请(专利权)人：重庆大学，
类型：发明
国别省市：