基于深度图像的非接触呼吸频率检测方法

为便捷且有效地实现对人体呼吸频率的日常检测，提出基于深度图像的非接触式呼吸频率检测方法。利用Real-Sense相机获取的人体及背景的深度图像信息，根据提出的最大距离限制法与最大外轮廓提取算法分别消除空洞噪声和近距离干扰物体的影响，凸出人体深度图像；通过Zhang-Suen细化算法提取人体骨架，结合骨架关节信息实现对胸腔呼吸区域的定位；利用主成分分析算法(PCA)提取胸腔区域深度图像包含的呼吸信号数据，进一步通过峰值检测法求解人体呼吸频率。实验结果表明，该方法可有效实现对人体呼吸频率的非接触式检测，具有良好的准确性。     

基于ARM的非接触式睡眠呼吸监测

为了进一步提高睡眠呼吸监测的便捷性,本文提出一种基于ARM的非接触式睡眠呼吸监测方法及系统。在现有的毫米波模块的基础上,通过频率、相位等信息计算出呼吸的频率。把呼吸心跳信号从毫米波回波信号中分离出来,再结合心率判断呼吸暂停。睡眠呼吸实验结果与多导睡眠监测仪进行比对,有较高的相关性。对非接触式呼吸监测有较好的应用价值。     

无人机平台的人体呼吸率检测

使用无人机载相机进行呼吸率检测是一种新兴的伤情评估手段,然而现有的视频呼吸率检测算法只适用于固定相机。在基于空间相位的呼吸信号提取技术基础上,提出一种基于无人机载视频的人体呼吸率非接触式测量方法,使用复可控金字塔提取出每一帧图像的空间相位,按时间顺序排列得到相位序列;接着采用经验模态分解从相位序列中拆解出多个模态分量,并设计频率变异性分析模型从中选择出具有稳定频率的分量,也即目标呼吸信号;利用峰值检测方法检测出人体呼吸率。实验结果表明,该方法在无人机晃动干扰下的呼吸率检测平均准确率能够达到98%以上,优于现有检测方法。     

基于Kinect的非接触式呼吸检测系统

利用Kinect的深度传感器功能,获取景深图像,并对图像进行信号处理和分析,检测人体的呼吸率和呼吸状态,从而实现非接触式呼吸检测.该系统免除了传统接触式呼吸检测仪安装和测试带来的不便,实现高效准确的实时呼吸监测.     

基于IR-UWB雷达的非接触式呼吸检测方法

为消除脉冲超宽带（IR-UWB）雷达系统采集的人体呼吸回波信息中的干扰信号,并准确估计出人体呼吸频率和到达时间（TOA）范围,提出一种基于IR-UWB雷达的非接触式呼吸检测方法。对IR-UWB雷达回波信号进行线性趋势消除与滤波得到平滑的回波信号,在每个慢时间域上对回波信号使用傅里叶变换估计出人体呼吸频率,并设计基于回波信号均方根和超值峰度的EK-RMS算法确定TOA范围,同时将人体呼吸频率与TOA范围进行信息比对,最终得到受试目标的呼吸频率。实验结果表明,与Phase-Based、FFT和WT-Window算法相比,EK-RMS算法在低信噪比条件下具有更高的呼吸频率检测准确率和更强的鲁棒性,且对干扰信号有明显的抑制或消除作用。     

基于欧拉影像放大的非接触式心率测量方法

针对目前非接触式心率测量存在操作不便、心率同频段噪声干扰大和受环境温度影响较大等问题,提出一种基于欧拉影像放大技术的非接触式心率测量方法。首先,运用欧拉影像放大技术实现手腕处桡动脉微小跳动的动作放大;然后,对脉搏跳动视频帧的像素点亮度值在时域上进行亮度方差统计,同时在YCrCb颜色空间中分割出皮肤区域;其次,根据亮度方差统计和皮肤分割结果,结合图像形态学处理方法提取视频中桡动脉跳动区域;最后,对所提取桡动脉部位时域上亮度信号采用傅里叶变换进行时频分析,实现心率非接触式测量。实验结果表明该方法与独立成分分析法（ICA）和脉搏交流信号分析法相比,均方根误差（RMSE）分别下降50.5%和32.6%;与小波滤波法相比,平均绝对误差下降12%。非接触式心率测量方法测量结果与脉搏血氧仪测量法具有很好一致性,满足中国医药行业标准,可用于日常保健和远程医疗的心率监测。     

中强地震的相关性与周期性研究

地震活动存在着高度的复杂性和非线性关系,难以挖掘出隐含的相关地震区域,为此提出将极值理论和地震时间序列匹配相结合用于地震趋势研究的基本方法。该方法基于形态的时间-震级二维相似性匹配算法,运用极值理论对相似区域的地震目录进行统计研究,从而验证区域之间存在相关性。对给定区域的历史数据应用该方法,结果证明其能对未来地震趋势做出判断。     

面向健康物联网的非接触式连续心电监测系统

随着人口老龄化程度的提高,远程健康监测系统和服务的需求日益增长。采用 PVDF压电薄膜传感器、研发信号采集与处理的现场检测主机,构建非接触式人体生理参数检测的床垫系统,设计滤波器和自适应差分阈值方法,提取人体心率、 呼吸率参数,基于云平台和物联网技术,设计了具有监测数据的存储、共享及APP终端访问等功能的心电监测系统,完成了整个系统的硬件和软件设计与调试,并进行了实物测试。实验结果表明,与标准医用仪器相比,心率和呼吸率监测结果基本一致,满足长期健康监测应用中对数据准确度的要求。     

数字图像处理在桥梁结构变形检测的应用研究

针对大型桥梁在施工阶段和运营期间发生结构变形问题,目前缺乏自动化、高频、实时与长期并且精确的检测手段.在数字图像处理与深度学习理论基础下,提出一种适用于大型桥梁结构变形的非接触式检测方法,并以此方法研发系统,可以对桥梁多个 目标结构进行同步动态监测.该方法首先通过高分辨率摄影设备获取桥梁结构的动态视频序列图像;其次对图...     

基于分步子空间映射的无标记膈肌运动预测算法

呼吸会引起体内器官和肿瘤的运动, 这会显著影响放射治疗的过程和效果. 人体内部膈肌和胸腹部外表面是当前两种与呼吸系统高度相关的结构, 本文对其进行系统研究, 提出了一种新的分步子空间映射(Two-step subspace mapping, TSSM)算法, 通过对体外胸腹部表面的测量, 来预测体内膈肌的运动. 首先采用三维图像分割技术对4D CT图像进行分割, 在不使用标记物的情况下, 准确测量体内膈肌和体外胸腹部表面的位移. 为了解决跨空间的预测问题, TSSM首先构造特征子空间, 并将膈肌数据和胸腹外表面数据分别映射到各自的子空间中, 以减少数据的相关性和冗余信息; 然后通过线性岭回归优化过程, 对两个子空间进行二次映射, 从而有效地捕获跨空间数据之间的相关性. 根据训练得到的相关模型, 通过体外胸腹部外表面的运动情况, 对体内膈肌的运动情况进行准确的预测. 为了研究数据之间的非线性关系, 进一步将TSSM推广到了基于核的TSSM (kTSSM)算法. 实验表明, 该方法可以根据腹腔外表面的运动情况, 准确地对体内膈肌位移进行预测, 优于经典的线性模型和ANN模型. 给出了优化算法的解析解, 其运算速度快, 将有助于提高放射治疗中门控技术和跟踪技术的效率和精度.     

非入侵式睡眠呼吸监测系统的设计与实现

根据养老院、医院等特殊区域人群的睡眠呼吸监护需求,设计了非入侵式柔性压感睡眠呼吸监测系统。系统通过硬件电路设计,采集人体睡眠时的呼吸信号,并进行消噪、去趋势等预处理。在硬件终端中通过呼吸信号的幅度和周期的特征区分呼吸类别,并实时判断是否发生了呼吸暂停,记录暂停的时刻与持续时长,并将数据通过蓝牙传至手机,在手机APP上可绘制实时波形,手机把数据上传至云平台。PC端软件可从云平台获取数据,绘制拟合呼吸信号曲线,判定记录睡眠数据。经实验测试,系统判定呼吸次数与实际基本一致,并可准确判断呼吸暂停情况,满足长程实现睡眠呼吸监测的要求。     

一种基于压力传感器的穿戴式呼吸监测系统设计

为指导慢性阻塞性肺疾病( COPD)患者完成标准的呼吸操康复训练,设计了一种穿戴式呼吸监测系统,系统包括呼吸波传感器、数据采集电路板和手机APP软件.通过该系统,患者能实时观测自身呼吸波形和各项呼吸参数,通过比对标准呼吸曲线,根据同步提示音修正并完成标准呼吸操.临床实验表明:患者使用该系统锻炼可增加肺部通气量,改善肺功能.     

适用于昼夜环境的呼吸率视频检测

目的 呼吸率是呼吸疾病检测的敏感指标,基于视频的呼吸率检测方法因成本低、使用限制少等特点成为近年医疗健康领域的研究热点。针对现有方法在噪声抑制及夜间信号获取方面存在的问题,提出一种适用于昼夜环境且抗噪性能高的呼吸率视频检测方法。方法 该方法只需使用夜视功能的摄像头即可实现昼夜呼吸率检测。首先,采用人脸检测确定人脸区域,并结合人体几何关系规范呼吸区域;然后,结合空间尺度及相位差异,采用基于相位的视频处理方法对呼吸区域进行时空相位处理,在突出呼吸区域的同时有效抑制了噪声干扰。采用最大似然法进行呼吸初估计,并结合初估计频率对原信号平滑滤波以优化波形;最后应用峰值检测完成呼吸率的二次估计。结果 通过室内有无光源两种环境的实验可知,稳定光源下呼吸率平均误差为0.54次/min,无光源下平均误差为0.62次/min。本文方法与真实呼吸率有良好一致性,与传统呼吸率检测方法相比,鲁棒性更好。结论 提出一种适用于昼夜环境的呼吸率视频检测方法。采用红外摄像机实现夜间视频采集,并通过胸部定位、基于相位的视频放大技术进行时空相位处理,在拓展空间分辨率的同时有效抑制噪声放大,提高呼吸检测的精度与鲁棒性。     

基于RFID标签阵列的睡眠期间呼吸量连续监测系统

睡眠期间连续且准确的呼吸量监测有助于推断用户的睡眠阶段以及提供一些慢性疾病的线索。现有工作主要针对呼吸频率进行感知和监测,缺乏对呼吸量进行连续监测的手段。针对上述问题提出了一种基于商用无线射频识别(RFID)标签的无线感知用户睡眠期间呼吸量的系统——RF-SLEEP。RF-SLEEP通过阅读器连续收集附着在胸部表面的标签阵列返回的相位值及时间戳数据,计算出呼吸引起的胸部不同点的位移量,基于广义回归神经网络(GRNN)构建胸部不同点的位移量与呼吸量之间的关系模型,从而实现对用户睡眠期间呼吸量的评估。RF-SLEEP通过在用户肩膀处附着双参考标签,消除用户睡眠期间翻转身体对胸部位移计算造成的误差。实验结果表明,RFSLEEP对不同用户睡眠期间的呼吸量连续监测的平均精确度为92.49%。     

Use of genetic programming to diagnose venous thromboembolism in the emergency department

Pulmonary thromboembolism as a cause of respiratory complaints is frequently undiagnosed and requires expensive imaging modalities to diagnose. The objective of this study was to determine if genetic programming could be used to classify patients as having or not having pulmonary thromboembolism using exhaled ventilatory and gas indices as genetic material. Using a custom-built exhaled oxygen and carbon dioxide analyzer; exhaled flows, volumes, and gas partial pressures were recorded from patients for a series of deep exhalation and 30 s tidal volume breathing. A diagnosis of pulmonary embolism was made by contrast-enhanced computerized tomography angiography of the chest and indirect venography supplemented by 90-day follow-up. Genetic programming developed a series of genomes comprising genes of exhaled CO₂, O₂, flow, volume, vital signs, and patient demographics from these data and their predictions were compared to the radiological results. We found that 24 of 178 patients had pulmonary embolism. The best genome consisted of four genes: the minimum flow rate during the third 30 s period of tidal breathing, the average peak exhaled CO₂ during the first 30 s period of tidal breathing, the average peak of the exhaled O₂ during the first 30 s period of tidal breathing, and the average peak exhaled CO₂ during the fourth period of tidal breathing, which immediately followed a deep exhalation. This had 100% sensitivity and 91% specificity on the construction population and 100% and 82%, respectively when tested on the separate validation population. Genetic programming using only data obtained from exhaled breaths was very accurate in classifying patients with suspected pulmonary thromboembolism.     

基于光体积描述记成像技术的非接触低成本生理信息的检测

在最近几十年,人们对低成本、非接触和普适方法测量生理信息(心率、心率变异性、血氧饱和度等)产生了浓厚的兴趣。传统的临床测量生理信息的方法包括Ag/AgCl电极测量心率和心率变异性,二氧化碳分析仪测量呼吸率状态,脉搏血氧饱和度仪测量血氧饱和度。这些方法虽然可以获得完美的信号,但是他们价格昂贵、使用麻烦、不方便。基于光体积描述记成像技术检测生理信息提供了一个人体生理健康检测的新方法。血流速度、血流量和血压可间接地评估血容量,反过来,血容量间接反映了这些生理参数的变换。光在人体组织的反射或透射可以得到血容量的变化。使用电脑摄像头或手机摄像头扑捉的人体皮肤表面成像,通过对成像光信号的处理和分析,获得一些生理信息,如心率、呼吸率、心率变异性和血氧饱和度等。在本文中,我们回顾使用光体积描述记成像技术在非接触健康检测领域里的最新发展,论述面临的挑战和将来的发展方向。     

高精度电容式小孔孔径自动测量系统的研究

提出了一种新型的非接触电容式小孔孔径测量方法,设计了专用测头,组建了小孔孔径自动测量系统。该系统采用视觉CCD和二维微调整机构,实现了精确的定位。用VC＋＋6．0开发了应用软件,用来控制系统的自动运行,并完成标定、数据采集和数据处理。实验结果表明：此系统分辨率可以达到0．5μm,重复性实验标准差可以达到0．81μm。     

基于声音采集方案的睡眠呼吸监测系统设计

睡眠-呼吸暂停综合症危及人体呼吸睡眠质量,影响人体血液氧含量,加重人体大脑、肌肉等组织缺氧风险。临床上,传统呼吸暂停综合征治疗中,由于时间和场地限制,医生往往只能根据病人或其家属口述判断病情,无法对患者的呼吸状况及治疗方案效果做出直观的评价。为了方便记录患者睡眠呼吸状况,提出了一种基于声音采集方案的睡眠呼吸监测系统,以驻极体式声音传感器为采样前端,结合STM32平台和Fatfs文件系统实现呼吸声音的采集和存储,采用阈值分割法借助Matlab进行数据处理。结果表明,本系统可实现对监测数据的存储、读取、分析和波形显示。该系统便于使用、精度高、工作稳定可靠,可直观的反映出病人睡眠呼吸状况,呼吸频率计算值与实际值误差在10%以内,具有较高的临床应用价值。     

基于快速人脸检测的实时呼吸测量系统的设计

提出一种基于快速人脸检测的呼吸测量方法,通过普通摄像头捕捉人体呼吸所带来的胸口轮廓的变化规律,提取人体呼吸波信号,计算实时呼吸率。系统采用基于肤色的人脸检测方法,可以快速检测出摄像头获取的图像中人脸位置,根据人脸和胸口的一般化距离,实现胸口定位,获得此后所获取的每一帧图像中胸口区域的灰度值,对数据进行小波去噪等一系列处理,通过算法获得实时呼吸率。通过实际测量实验和对比实验表明,该系统具有很好的准确性和实用价值。     

Multi-task learning neural networks for breath sound detection and classification in pervasive healthcare

With the emergence of many grave Chronic obstructive pulmonary diseases (COPDs) and the COVID-19 pandemic, there is a need for timely detection of abnormal respiratory sounds, such as deep and heavy breaths. Although numerous efficient pervasive healthcare systems have been proposed for tracking patients, few studies have focused on these breaths. This paper presents a method that supports physicians in monitoring in-hospital and at-home patients by monitoring their breath. The proposed method is based on three deep neural networks in audio analysis: RNNoise for noise suppression, SincNet - Convolutional Neural Network, and Residual Bidirectional Long Short-Term Memory for breath sound analysis at edge devices and centralized servers, respectively. We also developed a pervasive system with two configurations: (i) an edge architecture for in-hospital patients; and (ii) a central architecture for at-home ones. Furthermore, a dataset, named BreathSet, was collected from 27 COPD patients being treated at three hospitals in Vietnam to verify our proposed method. The experimental results demonstrated that our system efficiently detected and classified breath sounds with F1-scores of 90% and 91% for the tiny model version on low-cost edge devices, and 90% and 95% for the full model version on central servers, respectively. The proposed system was successfully implemented at hospitals to help physicians in monitoring respiratory patients in real time¹.