一种适用于智能家居系统的心率检测方法与流程

本发明属于心率测量领域，具体为一种适用于智能家居系统的心率检测方法。背景技术：1、心率在很多场合都是重要的参考指标，比如医学领域、生活领域、运动领域等。对心率的实时监测与监控可以很好的帮助人们了解自己的身体状况，近年来，随着生活节奏的不断加快，很多人的身体长期处在亚健康状态，出现亚健康的人群往往首先出现心率变化的异常，并伴有各种各样的睡眠障碍。睡眠不足会引起机体代谢紊乱，进而影响机体各系统的正常生理功能。另外，现代社会空巢老人问题日趋严峻，子女繁忙，无暇照顾老人，一旦出现问题后果将不堪设想。因此，对有健康隐患的人群的心率指标进行长期有效的监测有利于及早制定干预措施，降低患严重疾病的风险。为提高心率监测的实时性与准确性，设计了一种智能家具心率测量系统。2、测量心率成为人们不断探索的领域。传统的方法是采用接触式的设备来采集人体的心率，光电容积脉搏波描记法(photo plethysmography，ppg)法或者是监测人体的电生理讯号与心电图。ppg是一种无创检测方法，利用皮肤组织的反射光和透射光变化监测血液中的容积变化，得到脉搏波，从而计算出心率。随着技术的不断发展，非接触式测量心率的技术也在不断的发展，基于人脸视频的心率测量方法，在保证不和人体接触的情况下，可以远程测量出人体的心率，通过在自然光源下采集人脸图像，可以提取血液容积脉搏(bloodvolume pulse,bvp)信号，也就是脉搏波信号，再对脉搏波信号进行处理可以得到心率。技术实现思路1、为了更好的解决心率测量实时性和准确性的问题，本发明提供了一种适用于智能家居系统的心率检测方法，采用多源数据融合的方法，将ppg信号和bvp信号进行融合。在提取bvp和ppg信号时候，由于含有运动、表情变化和灯光等干扰，会严重影响脉搏波的提取，在这种情况下很难准确地提取准确的心率。2、为了解决上述的难题，本发明所采用的技术方案是：采用多源数据的方法，将数据丰富化，可以提取出更丰富的特征。将ppg信号和bvp信号进行数据融合，将融合的数据构建数据集输入到神经网络进行训练。ppg信号和bvp信号融合起来可以提取到更多的关于心率的特征。ppg信号和bvp信号融合后构建数据集用于神经网络的训练。在构建测试集，输入到训练好的模型中去，就可以测得心率值。3、为了到达上述目的，本发明所采用的技术方案是：4、一种适用于智能家居系统的心率检测方法，包括以下步骤，5、s1、使用家用摄像头采集包含人脸的视频，采用yolo的方法对视频中的人脸进行定位，并按帧获取包含人脸的图像；6、s2、对获取到的包含人脸的图像进行感兴趣区域roi选择，接着对感兴趣区域进行rgb三通道分离，对rgb三通道数据分别做空间像素平均处理、形成rgb三通道信号，将处理后的rgb三通道信号数据作为观测信号x，然后从x中通过分离矩阵得到源信号的估测值，采用固定点算法从信号x中分离出三个独立的源信号s1、s2、s3，再将源信号分别和绿色通道信号进行相关性分析，得到含噪脉搏信号；7、s3、通过传感器得到人体皮肤表面的ppg信号，再通过奇偶索引划分得到划分完成的ppg信号，将划分好的ppg信号和含噪脉搏信号进行拼接作为训练集，采用神经网络模型进行训练；8、s4、基于训练完成的神经网络模型，输入经过处理的ppg信号和含噪脉搏信号，输出心率值。9、进一步地，客厅里放置有沙发、电视、空调、地暖和灯，且沙发放置在客厅的一侧墙上，电视放置在客厅的另一侧墙上，且沙发与电视相对应，地暖安装在电视与沙发之间的地面上，空调设在天花板或位于沙发一侧的地面上，灯位于天花板上；10、所述传感器的个数为多个，且多个传感器分别安装在所述沙发、电视、空调、地暖和灯上，且墙上还安装有控制面板，每个所述传感器的输出端与控制面板电性连接，摄像头的输出端与控制面板电性连接，且所述控制面板的输出端与灯、电视、空调、地暖、沙发电性连接，用于实现灯、电视、空调、地暖、沙发的开启或关闭，所述控制面板与手机上的app通过信号连接。11、需要说明的是，通过操作手机app，可以实现家中灯、电视、空调、地暖和沙发的开启和关闭；并且等人坐在沙发上时，可以操作手机app，来操作安装在灯上的传感器、安装在电视上的传感器、安装在空调上的传感器、安装在地暖上的传感器和安装在地暖上的传感器的作业，以此利用各传感器采集到人体表面的ppg信号。12、进一步地，采集人脸视频的步骤为，室内自然条件下，使用家用普通的摄像头在室内不同的位置采集相关人脸视频，采用yolo的方法对视频中的人脸进行定位，并按帧获取包含人脸的图像。13、进一步地，通过视频获取到的包含人脸的图像，进行感兴趣区域roi的选择。并通过数据处理得到含噪脉搏信号，在选取感兴趣区域时候，我们选取鼻子和额头的交叉处作为roi区域。通过rgb通道分离及空间平均预处理，我们可以得到rgb相应通道的源信号。源信号公式为：14、15、其中，n是图像的总帧数；n是图像的帧数；x(n)是rgb三通道中一维源信号；xi，j(n)是像素点在某通道处的颜色强度值。h和w为图像的高度和宽度。16、进一步地，得到rgb三通道信号后，采用固定点(fixed-point)算法得到三个独立的源信号s1、s2、s3。三个相互独立的源信号s(t)＝[s1(t),s2(t),s3(t)]t，rgb三通道得到的信号为观测信号，则：x(t)＝as(t)，其中，t是序列，a是3*3的非奇异混合矩阵。是源信号的最优估计，当得到w的解混矩阵后，带入公式中，得到源信号的最优估计。对得到的源信号和绿色通道的信号进行相关性分析，相关性最大的为含噪脉搏信号。17、进一步地，通过传感器可以获取人体表面的ppg信号，依据奇偶索引划分ppg信号。最后将划分完成的ppg信号和含噪脉搏信号融合，形成卷积神经网络模型的输入数据集。以真实的心率值作为数据集的标签。18、进一步地，一维卷积神经网络最优模型需要我们根据最终的测量值和真实值对比、损失值、收敛速度等数据来对神经网络模型中的超参数进行不断地修正。当损失值达到最小时候并且收敛，或者达到训练批次后一维卷积神经模型训练完成。19、进一步地，将通过视频采集到的含噪脉搏信号和ppg信号经过预处理作为测试集，将测试集输入到我们训练好的模型当中，输出得到测量的心率值。20、与现有技术相比，本发明所达到的有益效果：21、本发明通过多源数据融合，将ppg信号和bvp信号融合，构建数据集，这样两种信号可以很好地弥补之间的不足，传感器采集bvp信号的时候可能会由于摄像头距离的原因采集的图片不清晰，得到的bvp信号效果不好，这时候通过接触式的传感器可以避免这一缺点。并且神经网络拥有自动学习丰富且具有判别力的特征，可以有效地减小运动、表情变化、灯光等原因所产生的干扰。可以准确实时的监测心率。