基于计算机视觉和深度学习的非接触式血压检测系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115736863A(43)申请公布日2023.03.07(21)申请号202211374210.8(22)申请日2022.11.04(71)申请人北京小凡科技有限公司地址101400北京市怀柔区雁栖经济开发区杨雁路88号(72)发明人曹晓磊侯壮乔东浩(51)Int.Cl.A61B5/021(2006.01)G06V40/16(2022.01)G06V10/82(2022.01)G06N3/0464(2023.01)G06N3/08(2023.01)权利要求书1页说明书6页附图2页(54)发明名称基于计算机视觉和深度学习的非接触式血压检测系统(57)摘要本发明公开了基于计算机视觉和深度学习的非接触式血压检测系统，涉及血压测量技术领域，S1、通过智能手机或其他终端摄像头采集来自用户的20秒面部视频；S2、在每个视频帧中选择部分人脸区域作为RegionofInterest，并将分析过的点位信息上传至云端；S3、利用卷积神经网络模型将视频中提取的面部血流反射光线信号模拟成经医疗器械监管机构批准的医用硬件检测设备的生理特征信号；S4、使用卷积神经网络模型计算收缩压和舒张压等关键生命体征结果；S5、计算结果输出到智能手机上，本系统的优势在于摆脱了传统血压监测对硬件设备的依赖，大大便捷了血压监测和血压数据的记录、传输、管理，改善了血压测量的用户体验，降低了用户的使用门槛和使用成本。CN115736863ACN115736863A权利要求书1/1页1.基于计算机视觉和深度学习的非接触式血压检测系统，其特征在于，包括以下步骤：S1、通过智能手机或其他终端摄像头采集来自用户的20秒面部视频，通过C++脚本进行人脸识别、环境检测、面部分析和信号处理；S2、在每个视频帧中选择部分人脸区域作为RegionofInterest，并将分析过的点位信息上传至云端；S3、利用卷积神经网络模型将视频中提取的面部血流反射光线信号模拟成经医疗器械监管机构批准的医用硬件检测设备的生理特征信号；S4、使用卷积神经网络模型计算收缩压和舒张压等关键生命体征结果；S5、计算结果输出到APP、微信小程序或其他前端软件供医生或普通用户查阅、使用、分享。2.根据权利要求1所述的基于计算机视觉和深度学习的非接触式血压检测系统，其特征在于，所述S1中视频采集包括步骤：S101、智能手机或其他终端摄像头录制视频；S102、通过C++脚本进行分析视频；S103、关键点位像素信息上传到云端。3.根据权利要求1所述的基于计算机视觉和深度学习的非接触式血压检测系统，其特征在于，所述S2中选择部分人脸区域为多个面部部位，包括但不限于额头、脸颊和下巴。4.根据权利要求1所述的基于计算机视觉和深度学习的非接触式血压检测系统，其特征在于，所述S3中的卷积神经网络模型的训练是基于大量的面部视频采集和与视频同步采集的实际血压检测结果实现。5.根据权利要求5所述的基于计算机视觉和深度学习的非接触式血压检测系统，其特征在于，所述建模使用的数据是测试人员在一般生活环境下通过iOS、Android等不同操作系统和不同品牌的智能手机摄像头提取，同时测试人员通过经医疗器械监管机构批准的血压监测设备采集并记录收缩压和舒张压等关键生命体征数据。6.根据权利要求1所述的基于计算机视觉和深度学习的非接触式血压检测系统，其特征在于，所述S4中采用3D卷积神经网络模型。7.根据权利要求7所述的基于计算机视觉和深度学习的非接触式血压检测系统，其特征在于，S4中采取3D卷积神经网络模型的计算方式步骤如下：S401、首先会将kd个连续帧组成一个3D的图像序列，然后在图像序列中进行卷积计算；S402、通过对卷积层输出的特征图进行约减，实现了下采样，同时对感受域内的特征进行筛选，提取区域内最具代表性的特征，保留特征图中最主要的信息；S403、随后给神经元引入了非线性因素，对输入信息进行非线性变换，从而使得神经网络可以任意逼近任何非线性函数，然后将变换后的输出信息作为输入信息传给下一层神经元；S404、对卷积神经网络提取到的特征进行汇总，将多维的特征映射为回归结果的输出。8.根据权利要求8所述的基于计算机视觉和深度学习的非接触式血压检测系统，其特征在于，所述该步骤采用的损失函数包括Entropy方程，混淆矩阵以判断模型的适用性，及L1norm方程。2CN115736863A说明书1/6页基于计算机视觉和深度学习的非接触式血压检测系统技术领域[0001]本发明涉及血压测量技术领域，尤其涉及基于计算机视觉和深度学习的非接触式血压检测系统。背景技术[0002]血压传统测量方法分为有创血压测量和无创血压测量。有创血压测量需要将导管刺穿血管将压力传感器直接与血管相连，被认为是最准确的血压