【技术实现步骤摘要】
本专利技术涉及心率检测领域，尤其涉及一种通过视频检测婴儿心率的方法。
技术介绍
1、心率是人体十分重要的一个生理参数，它能够及时地反映人体的健康水平。获取心率最直接的方式主要是通过接触式的传感器，如心电图仪和脉搏波检测仪，这些方式能够很精确地监测人体心率以及脉搏信息，然而它们需要外在地硬件设备以及与人体皮肤的直接接触才能获得被测信息。这些设备价格昂贵，不易携带，并且接触检测的形式经常给被测者带来很大的负担，因此检测成本很高，不利于使用者对自己生理信息的实时检测。
2、传统的非接触式心率检测方法主要基于通过建立数学模型来对心率进行远程估计。基于rppg(remote photoplethysmography，远程光电脉搏容积描记法)原理，即人的心动周期内血液中的血红蛋白含量的变化会导致皮肤颜色发生微小的变化，通过对这个特征来对人体心率进行分析。早期的基于视频的非接触式心率估计方法中，常用的是信号分离、颜色通道分析和皮肤反射模型。如基于主成分分析的盲源分离法ica，基于色度的方法chrom和构建基于光照反射模型pos等数学模型方法。这些方法具有很好的泛化性能，但是在实际情况下有着比较低的信噪比，预测的心率准确性受到了很大的限制。
3、近年来随着深度学习的发展，一些深度学习模型被用来从婴儿人脸视频中更准确地检测心率。卷积神经网络在处理图像以及视频数据方面展现出了优异的性能，特别是对婴儿人脸肤色变化这种细微特征的检测上也有很不错的效果。现有很多基于深度学习的方法，需要精心设计婴儿人脸视频的手工特征表示，以确保成功
技术实现思路
1、本专利技术所要解决的技术问题是针对
技术介绍
中所涉及到的缺陷，提供一种通过视频检测婴儿心率的方法，能够实现夜间检测，多重容错判断，排除干扰部分。
2、本专利技术为解决上述技术问题采用以下技术方案：
3、一种通过视频检测婴儿心率的方法，包括以下步骤：
4、步骤1)，获取不带肤色变化的婴儿人脸视频v；
5、步骤1.1)，拍摄一张婴儿人脸图片c以及一段包含婴儿运动状态信息的视频vd；
6、步骤1.2)，通过一阶运动模型，将婴儿人脸图片c按照婴儿人脸驱动视频vd中的动作进行动画化，拟合成不带肤色变化的婴儿人脸视频v；
7、步骤2)，构建深度学习模型，即ed-rppg网络模型；
8、所述深度学习模型采用编码解码器结构，用于接收婴儿人脸视频，对其进行编码解码后，输出与婴儿人脸视频帧同步的用于反映婴儿的心跳波形的一维rppg信号；
9、步骤3)，根据婴儿人脸视频v合成用于模拟真实婴儿人脸视频的视频vrppg；
10、步骤3.1)，对婴儿人脸视频v利用复变函数s生成bvp脉搏波信号s(t，f)；
11、
12、其中，a0表示该信号直流分量，σ表示信号的尺度，f表示信号频率，t表示信号的长度；ai和bi是决定信号波形的常数，控制信号的振幅和相位；i表示信号的傅里叶级数展开的形式下的第i个频率分量的序号；
13、步骤3.2)，将脉搏波信号s(t，f)添加到视频v中，得到视频vs；
14、步骤3.3)，对婴儿人脸视频v添加肤色值，得到视频vb；
15、步骤3.3.1)，构建血容量脉搏即bvp曲线来模拟婴儿人脸的肤色变化信号；
16、步骤3.3.2)，对构建的bvp曲线进行采样，采样频率与婴儿人脸视频v的帧率保持一致；
17、步骤3.3.3)，将采样值作为肤色信号强度并进行维度扩张之后添加到婴儿人脸视频v中，生成添加肤色变化信号之后的婴儿人脸视频vb；
18、
19、其中，为视频vb中第t帧图像的第j个通道的像素值，表示第k个像素到第m个像素的并集，为婴儿人脸视频v中第t帧图像的第j个通道的第k个像素的值，pj表示在j通道中增加的信号强度，为一个常数；
20、s(t)为预设的不含尖锐拐点、跳变的三角波周期函数，用于模拟婴儿肤色随时间的变化并保证数据的连续和可导；
21、步骤3.4)，将视频vs与视频vb进行相加合成，得到模拟真实婴儿人脸视频的视频vrppg；
22、步骤4)，生成视频vrppg在进行深度学习模型训练时用于计算损失的标签；
23、步骤5)，重复步骤3)至步骤4)p次，得到p个视频vrppg和其对应的标签；
24、步骤6)，将p个视频vrppg和其对应的标签作为训练样本对深度学习模型进行训练；
25、步骤7)，将待检测心率的婴儿的人脸区域的视频输入至训练后的深度学习模型中，得到与待检测心率的婴儿的人脸区域的视频帧同步的一维rppg信号；
26、步骤8)，根据待检测心率的婴儿的一维rppg信号得到其对应的bvp曲线，并对其进行峰值检测；
27、步骤9)，根据待检测心率的婴儿的bvp曲线波峰之间的时间间隔计算出待检测心率的婴儿的平均心率。
28、作为本专利技术一种通过视频检测婴儿心率的方法进一步的优化方案，所述步骤7)中使用opencv的dlib模块来对待检测心率的婴儿的人脸区域进行采集，采集频率设置为15帧每秒。
29、作为本专利技术一种通过视频检测婴儿心率的方法进一步的优化方案，步骤1.1)、步骤7)中拍摄婴儿人脸图片或视频时采用960nm的红外线摄像装置。
30、作为本专利技术一种通过视频检测婴儿心率的方法进一步的优化方案，所述深度学习模型包含编码器、桥接块和解码器；
31、所述编码器用于从婴儿人脸视频帧中提取能够反映婴儿面部皮肤颜色变化的特征向量β作为桥接块的输入；
32、所述桥接区域采用全连接层，用于将接收到的特征向量β映射到低维隐空间并乘以预设的用于调整信号幅度的放大系数α，得到长度与视频帧数相同的血容量脉搏信号即bvp信号的隐含表示向量β‘并输出至解码器；
33、所述解码器采用双向长短期记忆网络，用于将桥接块输出的bvp信号的隐含向量β‘输入循环神经网络生成用于反映婴儿的心跳波形的一维rppg信号，并将其作为深度学习模型的输出。
34、作为本专利技术一种通过视频检测婴儿心率的方法进一步的优化方案，所述步骤6)中对深度学习模型进行训练时，采用的损失函数为la＝50l1+lssim，其中，la表示总损失，l1表示正则化损失，lssim表示结构相似性损失。
35、本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：
36、本专利技术增加的数据合成环节能够保证深度学习模型有足够的数据进行目标特征的训练，以提高本专利技术提供深度学习模型的泛化性能，通过信号放大，能够本文档来自技高网...
【技术保护点】
1.一种通过视频检测婴儿心率的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的通过视频检测婴儿心率的方法，其特征在于，所述步骤7)中使用OpenCV的dlib模块来对待检测心率的婴儿的人脸区域进行采集，采集频率设置为15帧每秒。
3.根据权利要求1所述的通过视频检测婴儿心率的方法，其特征在于，步骤1.1)、步骤7)中拍摄婴儿人脸图片或视频时采用960nm的红外线摄像装置。
4.根据权利要求1所述的通过视频检测婴儿心率的方法，其特征在于，所述深度学习模型包含编码器、桥接块和解码器；
5.根据权利要求4所述的通过视频检测婴儿心率的方法，其特征在于，所述步骤6)中对深度学习模型进行训练时，采用的损失函数为La＝50L1+LssIM，其中，La表示总损失，L1表示正则化损失，LssIM表示结构相似性损失。
【技术特征摘要】
1.一种通过视频检测婴儿心率的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的通过视频检测婴儿心率的方法，其特征在于，所述步骤7)中使用opencv的dlib模块来对待检测心率的婴儿的人脸区域进行采集，采集频率设置为15帧每秒。
3.根据权利要求1所述的通过视频检测婴儿心率的方法，其特征在于，步骤1.1)、步骤7)中拍摄婴儿人脸图片或视频时采用9...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。