买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜成都锦城学院申请的专利一种基于深度学习的非接触式生命体征检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119230141B 。

龙图腾网通过国家知识产权局官网在2025-03-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411764981.7，技术领域涉及：G16H80/00；该发明授权一种基于深度学习的非接触式生命体征检测方法是由陈虹君;罗福强;向军莲;赵力衡;马磊;杨刘一;李瑶;周钰杰设计研发完成，并于2024-12-04向国家知识产权局提交的专利申请。

本一种基于深度学习的非接触式生命体征检测方法在说明书摘要公布了：本发明涉及人工智能的医疗保健信息技术领域，具体公开了一种基于深度学习的非接触式生命体征检测方法，包括对人体面部可见光视频分帧处理；获取彩色脸图及帧差图；多通道输入提取彩色脸图和帧差图，并形成堆叠特征图；提取空间特征；对空间特征图进行赋权处理；将赋权空间特征图进行通道变换融合处理；将融合特征图维度变换为特征图的向量；将特征图向量按顺序存放；分别捕捉rPPG信号中的心率时序特征、呼吸率时序特征、血氧饱和度时序特征。本发明大幅度地降低了参数，节省了计算参数量与所耗内存，具有分析过程较为简单、易于实现、计算响应速度快的技术特点。

本发明授权一种基于深度学习的非接触式生命体征检测方法在权利要求书中公布了：1.一种基于深度学习的非接触式生命体征检测方法，其特征在于，所述检测方法包括：步骤1.获取人体面部可见光视频，将视频分帧处理获得图像帧序列；步骤2.逐帧获得若干三维矩阵的彩色脸图，并存入脸图队列中；将各帧彩色脸图依次进行灰度化处理，并将相邻两帧灰度化脸图依次进行差分处理，获得对应的帧差图，并存入帧差队列中；步骤3.S_Net架构按照先进先出的顺序，以多通道输入方式分批次从脸图队列中和帧差队列中同步提取相对应的彩色脸图和帧差图，并形成堆叠特征图；步骤4.S_Net架构中的S_Conv神经网络，对输入的堆叠特征图进行空间特征提取，获得空间特征图；步骤5.S_Net架构中的空间自注意力机制，对S_Conv神经网络所提取的空间特征图进行重要空间特征关注的赋权处理；步骤6.S_Net架构中的1x1卷积机制，将赋权后的空间特征图进行通道变换融合处理；步骤7.S_Net架构中的形状调整机制，将融合特征图维度变换为特征图的向量；步骤8.S_Net架构中的特征序列集合机制，将特征图向量按照时间位置信息进行存放；步骤9.S_Net架构中的预测rPPG机制，通过长短时记忆网络LSTM1捕捉rPPG信号中的心率时序特征、以获得预测心率值P_HR，通过长短时记忆网络LSTM2捕捉rPPG信号中的呼吸率时序特征、以获得预测呼吸率值P_RR，通过长短时记忆网络LSTM3捕捉rPPG信号中的血氧饱和度时序特征、以获得预测血氧饱和度值P_SPO2；所述预测rPPG机制对获取预测用rPPG信号任务的模型，按照视频帧的输入批次进行迭代处理；每批次视频帧的迭代处理都包含一个预测计算过程与一个以损失减小为目标的训练过程；输入视频的损失是其所有批次的平均损失，由各批次的损失求平均值获得，输入视频的损失满足如下关系式： 式中，LOSS表示输入视频的损失；T表示第T个批次的视频帧序列，0≤T＜N2； 其中，N2表示输入视频的分批次后的批次总量，N表示总视频帧的长度，B表示每批次提取视频帧的设定数量；LossT表示第T个批次帧序列的总模型融合损失函数，满足如下关系式：LossT＝∝.L_rPPGT+β.L_HRT+γ.L_RRT+θ.L_SPO2T；式中，∝、β、γ、θ分别是设定的对应权重系数，总和为1；L_rPPGT表示第T个批次帧序列获取rPPGt信号的S_Net架构损失值；L_HRT表示第T个批次帧序列获取心率值P_HRt的LSTM1模型损失值；L_RRT表示第T个批次帧序列获取呼吸率值P_RRt的LSTM2模型损失值；L_SPO2T表示第T个批次帧序列获取血氧饱和度值P_SPO2t的LSTM3模型损失值；所述预测rPPG机制，对L_rPPGT损失值的训练，满足如下关系式： 式中，B表示每批次提取视频帧的设定数量；t表示第T个批次的第t帧；P_rPPGTt表示第T个批次帧序列的第t帧预测rPPGt信号；T_rPPGTt表示第T个批次帧序列的第t帧真实rPPGt信号；所述预测rPPG机制，对L_HRT损失值的训练，满足如下关系式： 式中，B表示每批次提取视频帧的设定数量；t表示第T个批次的第t帧；P_HRTt表示第T个批次帧序列的第t帧预测心率值；T_HRTt表示第T个批次帧序列的第t帧标注心率值；所述预测rPPG机制，对L_RRT损失值的训练，满足如下关系式： 式中，B表示每批次提取视频帧的设定数量；t表示第T个批次的第t帧；P_RRTt表示第T个批次帧序列的第t帧预测呼吸率值；T_RRTt表示第T个批次帧序列的第t帧标注呼吸率值；所述预测rPPG机制，对L_SPO2T损失值的训练，满足如下关系式： 式中，B表示每批次提取视频帧的设定数量；t表示第T个批次的第t帧；P_SPO2Tt表示表示第T个批次帧序列的第t帧预测血氧饱和度值；T_SPO2Tt表示表示第T个批次帧序列的第t帧标注血氧饱和度值；且，所述预测rPPG机制通过对预测的各序列P_HRTt求均值，获得最终的预测心率值P_HR；预测心率值P_HR的获得，满足如下关系式： 式中，P_HR表示预测心率值；N2表示输入视频的分批次后的批次总量；B表示每批次提取视频帧的设定数量；T表示第T个批次的视频帧序列，0≤T＜N2；t表示第T个批次的第t帧；P_HRTt表示第T个批次帧序列的第t帧预测的心率值；所述预测rPPG机制通过对预测的各序列P_RRTt求均值，获得最终的预测呼吸率值P_RR；预测呼吸率值P_RR的获得，满足如下关系式： 式中，P_RR预测呼吸率值；N2表示输入视频的分批次后的批次总量；B表示每批次提取视频帧的设定数量；T表示第T个批次的视频帧序列，0≤T＜N2；t表示第T个批次的第t帧；P_RRTt表示第T个批次帧序列的第t帧预测的呼吸率值；所述预测rPPG机制通过对预测的各序列P_SPO2Tt求均值，获得最终的预测血氧饱和度值P_SPO2；预测血氧饱和度值P_SPO2的获得，满足如下关系式： 式中，P_SPO2预测血氧饱和度值；N2表示输入视频的分批次后的批次总量；B表示每批次提取视频帧的设定数量；T表示第T个批次的视频帧序列，0≤T＜N2；t表示第T个批次的第t帧；P_SPO2Tt表示表示第T个批次帧序列的第t帧预测的血氧饱和度值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人成都锦城学院，其通讯地址为：611731 四川省成都市高新西区西源大道1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。