[发明专利]基于循环神经网络的非接触式血压测量方法

权利要求书

1.基于循环神经网络的非接触式血压测量方法，其特征在于，具体按照以下步骤实施：

步骤1、对受试者采集部位的选取，选取面部作为感兴趣区域并进行视频录制；

步骤2、对录制的人面部视频进行检测和追踪；

步骤3、对检测追踪到的面部皮肤根据颜色变化提取脉搏波信号；

步骤4、对提取的脉搏波信号进行预处理；

步骤5、将预处理后的脉搏信号提取相应的特征点，并搭建循环神经网络模型，将提取的特征点塞入到搭建好的循环神经网络的输入端用于训练连续血压估计模型，得到相应的血压值。

2.根据权利要求1所述的基于循环神经网络的非接触式血压测量方法，其特征在于，所述步骤1具体如下：

步骤1.1、设视频拍摄的分辨率为720p*1080p，帧率要求大于60FPS；

步骤1.2、选取人脸作为感兴趣区域ROI后，被测试者保持不动将摄像机正对人脸部并和人脸保持一米的距离，被测试者保持不动并且闭着眼睛；

步骤1.3、视频的拍摄要求均匀的室内灯光并且环境的温度保持在26℃，对于视频的采集受试者总数为50人，年龄为25±3的健康男性和女性各一半，每段视频的长度为30秒左右，每段视频拍摄时通过袖带式的血压计得到收缩压、舒张压和心率，并记录在对应的数据库中，并进行7天的采集。

3.根据权利要求2所述的基于循环神经网络的非接触式血压测量方法，其特征在于，所述步骤2具体如下：

步骤2.1、将所述步骤1录制好的视频上传到上位机，利用自适应增强算法AdaBoost对人脸进行监测：首先采用双线性差值法将人脸数据库中选出的多张人脸归一化到20*20像素大小；再从这些归一化后的图片里提取特征矩形，然后利用积分图计算矩形的特征值；最后利用AdaBoost训练器进行训练：一张待检测的图像有一个强分类器，让多个弱分类器再次加权投票结果的错误率加权求和，最后将这些加权求和的结果与平均投票的结果比较得到最优结果；

步骤2.2、利用人脸追踪算法来减少这些噪声的影响，使用Kanade-Lucas-Tomasi算法KLT进行人脸的追踪，具体过程为：首先利用诸如Harris角点的特征检测器在初始帧中寻找一系列特征点，然后基于各特征点的局部模板，通过采用平移或仿射运动模型的Lucas-Kanade运动估计，寻找各特征点的帧间对应矢量，最后对于各特征点，在各帧中判断其跟踪的好坏，移除部分特征，即比如去除掉那些被遮挡的或者无法准确跟踪的特征，然后周期性加入一些新的特征，如每隔5帧。

4.根据权利要求3所述的基于循环神经网络的非接触式血压测量方法，其特征在于，所述步骤3具体如下：

步骤3.1、利用皮肤像素的空间分布，通过空间RGB相关性推导：

其中，C为皮肤像素的空间分布，N为皮肤像素的个数，V是N*3视频中皮肤像素的RGB通道矢量化矩阵；V^T是V的转置；

通过对皮肤像素的空间分布C进行QR分解得到皮肤像素子空间，即：

C·U＝Λ·U满足det(C-Λ·I)＝0 (2)

其中，det(·)表示矩阵行列式，U和Λ分别表示特征向量和特征值；由于RGB通过道中存在独立传感器噪声，因此将C展开，即：

其中，u_i为u的第i列向量，λ_i为λ的第i个对角元素，表示为u_i的转置，在RGB空间中将u定义为新的皮肤像素轴，主特征向量u₁控制皮肤像素簇的皮肤因子，是一种对空间异常值具有鲁棒性的最小二乘估计，u₂和u₃是正交于u₁的后续变化方向；

步骤3.2、在时间域，将两个子空间的时间关系建模为瞬时旋转和缩放，然后根据特征向量之间旋转即方向变化绘制出相应的脉搏波信号波形。