技术特征：
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，得到最终的特征权重排序结果。5.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，svr通用血压模型构建模块，包括：svr通用血压模型构建数据为特征选取模块中65个被试的3组数据中的随机一组数据，测试数据为参与特征选择65个被试的3组数据中的另外两组以及为参与特征选择的37个被试数据，共213组数据，将特征参数个数分别取值3-20以及30、40、50、60进行试验，并使用该65个被试数据中的随机数据，进行svr通用血压模型构建；取213组预测数据的平均绝对误差、标准差的均值和标准差作为选用特征数的评估标准，初步筛选出最优特征子集，得到收缩压最优特征子集为6，舒张压最优特征子集为7，添加实验平台所采集的5个被试的50组数据共263组数据进行svr通用血压模型与最优特征子集数的测试与验证；选用15、25、35、45、55个被试的数据参与特征选择，根据上文确定的最优特征子集，对收缩压预测保留特征权重结果的前6个特征，对舒张压预测保留特征权重结果的前7个特征，与特征参数个数取65个被试参与特征选择得到的最优特征子集进行比较，验证最优特征子集的稳定性。6.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，视频信号处理模块，包括：使用摄像机记录面部动态特征，帧率为50fps，距离为1m，同步采集指尖ppg信号，采样率为1000hz，采集过程中被试者保持静止状态；采用框选技术对感兴趣区域进行提取，使用matlab的videoreader函数对视频进行读
取成帧，取中间帧的图片进行感兴趣区域选取，分别计算rgb三个通道每一帧感兴趣区域的灰度均值，得到rgb序列；利用颜色失真滤波算法对视频信号进行滤波处理，对rgb序列进行时间归一化处理，经过傅里叶变换后进行特征转换，对转换后的进行能量计算并计算权重后，进行反傅里叶变化，再进行反时间归一化，得到滤波后的rgb序列；利用独立成分分析算法对滤波后的rgb序列提取出成分1，成分2，成分3，利用频谱分析自动识别三种成分，选择出具有明显ppg特征的成分1，采用切比雪夫i型iir滤波器用于带通滤波对成分1进行去噪，得到视频脉搏波信号；利用指尖ppg信号对视频脉搏波信号进行准确性估计，波形对比评价输出信号的相似度，瞬时心率对比评价输出信号包含生理信息的正确性。7.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，视频血压预测模块，包括：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，通过对比指尖ppg信号的最优特征子集和视频脉搏波特征子集，评价视频特征子集可用于血压预测的正确性，并再次排除平均绝对百分比误差高于20％的特征，得到最优视频脉搏波特征子集为测试数据；最优视频脉搏波特征子集为p5、f1、f2、δt、rp5、rp6共6个特征，基于实验平台所采集到的5个被试的视频ppg信号实验数据，每个被试采集了不同时间段15-30组数据，每组数据2分钟左右，共100组数据；将100组数据的最优视频脉搏波特征子集作为输入，利用训练得到的svr通用血压预测模型进行血压预测。8.一种基于视频流的非接触式连续血压测量方法，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。
技术总结
本发明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。
技术研发人员：闫昊 朱田杨 陈修强 龚宁 周秦武
受保护的技术使用者：西安交通大学
技术研发日：2022.02.28
技术公布日：2022/6/3