基于多源异构成像和深度学习的复杂环境下人体生理信号测量研究

The non-contact measurement of physiological signals can indirectly obtain the complex life mechanism of human body in various environments, and has the important significance for exploring life mechanism. In terms of application value, it can significantly improve people's life quality and medical standards. Existing imaging techniques and analytical methods perform well under controlled ideal conditions. The performance will rapidly deteriorate under complex and diverse environments. Therefore, measuring weak physiological signals with high reliability under complex environments is a scientific problem to be solved. Based on previous researches, this study will use the multi-source heterogeneous imaging and the deep learning framework to explore a state-of-the-art method for the non-contact measurement of physiological signals under complex environments. The proposed multi-source heterogeneous imaging system contains visible, far-infrared and biospectral imaging modules. The research contents are listed as follows: 1) to reduce the Log-average Miss Rate (MR) compared with the most advanced detection methods, we propose a human target detection algorithm based on the temporal-spatial characteristics of physiological signals of human body and the multi-source convolutional neural network; and 2) to achieve the high measurement reliability of respiratory rate and heart rate, we propose a physiological index measurement algorithm based on the physiological signal mechanism model and the multi-source recurrent neural network. The results obtained by this study can provide the reference for detecting other types of weak signals hidden in various complex environments.

采用非接触方式测量人体生理信号可以间接获得各种环境下人体的复杂生命机制，对探索生命机理有重要研究意义，并能显著提高人们的生活质量和医疗水平。现有的成像技术和分析方法在受控理想环境下表现较好，但在复杂多样的环境下会造成测量可靠性的急剧下降。因此，复杂环境下微弱生理信号的高可靠性测量是亟待解决的科学问题。结合前期研究基础，本项目借助多源异构成像技术（包括可见光、远红外、激光生物散斑），引入深度学习模型，探索一种非接触生理信号测量的新方法，拟开展下述研究：1）提出基于生理信号时空特征和多源卷积神经网络融合的人体目标检测方法，与目前最先进的检测方法相比，有更低的检测遗漏率，且性能优于单传感器；2）提出基于生理信号机理模型和多源递归神经网络的生理指标测量方法，以期提高呼吸速率和心率测量可靠性，并能满足实际应用的需求。本项目研究结果能为多维度信号分析技术在其他各种复杂环境下微弱信号的检测研究提供参考。

采用非接触方式测量人体生理信号可以间接获得各种环境下人体的复杂生命机制，对探索生命机理有重要研究意义，并能显著提高人们的生活质量和医疗水平。现有的成像技术和分析方法在受控理想环境下表现较好，但在复杂多样的环境下会造成测量可靠性的急剧下降。因此，复杂环境下微弱生理信号的高可靠性测量是亟待解决的科学问题。本项目借助多源异构成像技术（包括可见光、远红外、深度相机），探索非接触生理信号测量的新方法，开展了下述研究：1）构建复杂环境下人体目标检测模型。将生理信号引入检测过程，使模型性能在室内和室外场景分别提升30%和16%。该研究对于智慧救援和智慧安防的发展具有重要意义。2）构建远程多人异常呼吸模式实时监控系统。实验结果表明该模型的准确率、精确率、召回率和 F1值分别为 94.5%，94.4%，95.1%和94.8%，其模型性能也得到上海软件测试中心的认证。3）构建便携式异常呼吸模式实时监测系统，可满足疫情常态化下多场景的呼吸监测需求。相比现有的红外线测温手段，该技术方案可以减少接触带来的疾病传播风险，对呼吸道等传染病的防治有积极作用，具有重大社会意义。4）探索基于热成像相机的微弱信号检测机制。建立人体热量在不同介质中、不同环境下的热消散模型，简化热痕迹模型建立时间，为后续相关模型构建奠定基础。5）构建基于彩色相机的呼吸状态评估技术及便携式系统，可应用于工作、午休、健身、骑行等场景。6）开创人体走向相机时的呼吸模式识别技术。该方法未来可以扩展到公共场所，为那些可能有生理或情绪困扰的人提供及时的帮助。7）构建基于相机的阻塞性睡眠呼吸暂停综合征自动检测模型。8）多光谱成像系统在生理信号检测方面有较大优点，但现有的多光谱成像系统成本高，操作复杂。因此，开发了便携式多光谱成像系统，可以满足多光谱成像系统在生理信号检测领域大规模推广使用的需求。

内容获取失败，请点击重试