论文部分内容阅读
与传统接触式血压测量方法相比,非接触式血压测量可以让人们摆脱由各种接触式传感器带来的负担和不适,更可以实现在对人们正常生活不干扰的情况下进行远程血压监测,对于高血压的早期诊断和有效预防具有非常重要的意义。现阶段的非接触式血压测量方法大多数对测量设备要求较高,并且无法彻底摆脱对接触式传感器的依赖。因此,本文基于成像式光电容积描记(Imaging Photoplethysmography,IPPG)原理,通过彩色CCD摄像机采集人体不同部位的肤色图像,然后经过基于改进的Adaboost(Adaptive Boosting)算法进行肤色的分割和提取,再通过改进的欧拉放大技术处理肤色图像并从中获得人体双路脉搏波信号,最终建立基于改进的BP神经网络的双重血压预测模型完成对人体血压的测量。本文主要工作如下:第一,深入了解IPPG的工作原理以及其优势,为了实现人体双路脉搏波信号的获取,设计了一套采集人体肤色图像的硬件平台,并且为了提取原始图像中的肤色部分,在研究Adaboost算法的基础上,给出了改进的Adaboost算法对人脸和手掌图像进行识别和提取。第二,只有从人体肤色图像中获得准确的IPPG信号才能实现后续血压模型的建立。本文对提取后的肤色图像采用改进的欧拉放大方法对肤色图像中包含的脉搏波信号进行提取,并对脉搏波信号进行分析处理,进行脉搏波特征值和心率信号的获取。第三,在血压的测量阶段,建立了双重血压预测模型实现对血压的测量。首先,通过脉搏波传导时间(Pulse Transmit Time,PTT)建立其与血压的线性关系,根据被测目标相关信息实现对血压的模糊估计。然后,利用训练好的带参数库的改进型BP神经网络实现对血压的精确预测。实验结果表明,通过改进的Adaboost算法对人脸和手掌的正确识别率达到了92.5%,基于欧拉放大的肤色颜色增强算法所获得的脉搏波,与标准脉搏波信号有着非常好的一致性,通过其计算的心率信号准确率达到97.25%。同时,血压预测模型的预测准确度总体达到了 93.6%,能够对异常血压数据做到准确的判断,并且对个人血压的追踪趋势实现较好的跟随性。