申请/专利权人：三峡大学

申请日：2024-02-26

公开（公告）日：2024-04-19

公开（公告）号：CN117898691A

主分类号：A61B5/024

分类号：A61B5/024;A61B5/00

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.07#实质审查的生效;2024.04.19#公开

摘要：本发明公开了一种基于KDN‑WTRFA的非接触心率检测方法。本发明中，采用了知识蒸馏网络为主体网络，使其避免了受到硬件的制约，在实际的部署和使用中，采用相对简单的网络结构来满足延迟、时间、功耗的要求，使用小波变换机制，小波变换能够分解图像的高频和低频部分，使得我们可以更好地理解数据的局部特征。在非接触心率检测中，可以使用小波变换作为一种预处理手段，提取图像或信号中的重要特征，以便更有效地进行后续任务。使用了RFAConv结构，感受野注意力机制使得网络更注重局部区域的特征，这对于处理序列图像数据中的局部结构非常重要。通过增强对局部特征的感知，网络能够更好地捕捉到输入数据的局部模式和结构，提升了网络对BVP信号转换的精度。

主权项：1.一种基于KDN-WTRFA的非接触心率检测方法，其特征在于：所述检测方法包括以下步骤：S1：进行数据预处理操作，主要包括时间相位选择、人脸检测和对齐以及图像大小归一化；一般来说，BVP表示是一个生理上受约束的分阶段序列；它包含一系列一般的时间相位，即开始、顶点、偏移和结束；不同人的面部血液变化几乎都呈现周期变化，所以表示动态变化的其他阶段可以用于从视频中获得区别特征；S2：将视频输入教师网络经过3*3*16的卷积，进行初步的特征提取；S3：经过小波变换，采用Haar小波作为二维离散小波分解的基准函数；Haar小波处理通过计算相邻元素的总和以及差分来处理数据；首先，对每一行像素值进行一维小波变换；该操作给出了平均值以及每一行的详细系数；然后，对于这些转换后的行，再次对每一列应用一维小波变换；S4：经过教师网络中的残差网络部分，进行准确的特征提取与识别，为后续学生网络的学习，提供准确的参数；S5：通过感受野注意力Receptive-FieldAttentionconvolutionaloperation，RFAConv，充分考虑了感受野中每个特征的重要性，并增强了空域特征图；S6：经过双分支卷积层，实现两个任务；任务1：进行面部AU单元的准确定位；任务2：完成BVP信号的提取；S7：将面部特征图输入学生网络，进行初步的训练，学习特征；S8：通过复合损失，将学生网络的性能逐步优化，最终达到更好效果的非接触心率检测，之后即可结束整个基于KDN-WTRFA的非接触心率检测过程。

全文数据：

权利要求：

百度查询： 三峡大学 一种基于KDN-WTRFA的非接触心率检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD