聲明

摘要

英文摘要

目錄

1緒論

1．1研究背景和意義

1．2遠程光電容積脈搏波描記法

1．2．1rPPG檢測心率原理

1．2．2rPPG測量算法流程

1．3國內(nèi)外研究現(xiàn)狀

1．3．1傳統(tǒng)rPPG心率信號檢測算法

1．3．2深度學習rPPG心率信號檢測算法

1．4論文研究內(nèi)容與結(jié)構(gòu)框架

2相關(guān)理論基礎(chǔ)介紹

2．1深度學習理論基礎(chǔ)

2．1．1神經(jīng)元和神經(jīng)網(wǎng)絡(luò)

2．1．2卷積神經(jīng)網(wǎng)絡(luò)

2．2注意力機制

2．2．1自注意力機制

2．2．2多頭注意力機制

2．2．3視覺Transformer架構(gòu)

2．2．4空間注意力機制

2．3多尺度金字塔機制

2．4輕量化網(wǎng)絡(luò)

2．4．1MobileNet

2．4．2GhostNet

2．4．3評估指標

2．5本章小結(jié)

3基于Transformer多尺度特征融合的心率信號測量

3．1整體架構(gòu)

3．2基于Transformer多尺度特征融合的心率信號測量網(wǎng)絡(luò)

3．2．1數(shù)據(jù)預(yù)處理

3．2．2分塊化處理

3．2．3淺層多尺度特征提取融合模塊

3．2．4深層時空差分特征建模階段

3．3實驗設(shè)置

3．3．1數(shù)據(jù)集

3．3．2損失函數(shù)

3．3．3評價指標

3．3．4實驗環(huán)境和平臺

3．4實驗結(jié)果與分析

3．4．1不同架構(gòu)網(wǎng)絡(luò)模型對比實驗

3．4．2不同網(wǎng)絡(luò)設(shè)計消融實驗

3．4．3跨數(shù)據(jù)集泛化實驗

3．5本章小結(jié)

4基于可學習門控時移及重參化的輕量化心率信號測量

4．1整體架構(gòu)

4．2基于可學習門控時移及重參化的輕量化心率信號測量網(wǎng)絡(luò)

4．2．1可學習門控時移模塊

4．2．2重參化深度特征提取姨塊

4．2．3基于PConv的空間注意力掩碼

4．3實驗設(shè)置

4．3．1數(shù)據(jù)集

4．3．2損失函數(shù)

4．3．3評價指標

4．3．4實驗環(huán)境和平臺

4．4實驗結(jié)果與分析

4．4．1不同架構(gòu)網(wǎng)絡(luò)模型對比實驗

4．4．2不同架構(gòu)網(wǎng)絡(luò)運算成本計算

4．4．3不同網(wǎng)絡(luò)設(shè)計消融實驗研究

4．4．4超參數(shù)實驗

4．5本章小結(jié)

5基于移動端的面部視頻生理信號檢測系統(tǒng)實現(xiàn)

5．1系統(tǒng)開發(fā)需求分析與框架設(shè)計

5．2系統(tǒng)邏輯結(jié)構(gòu)與模塊設(shè)計

5．3系統(tǒng)開發(fā)及運行環(huán)境

5．4系統(tǒng)各功能模塊實現(xiàn)

5．4．1用戶登錄及功能選擇

5．4．2人臉檢測模塊

5．4．3實時生理信號檢測模塊

5．4．4生理信號結(jié)果記錄模塊

5．4．5后臺信息管理模塊

5．5系統(tǒng)效果驗證與測試

5．6本章小結(jié)

6總結(jié)與展望

6．1論文總結(jié)

6．2論文展望

參考文獻

致謝

攻讀學位期間發(fā)表的學術(shù)論文

相關(guān)知識

輕量化的非接觸式多參數(shù)生理檢測方法及系統(tǒng)2025.pdf專利下載
視覺非接觸式生理監(jiān)測在臨床研究中的挑戰(zhàn)與展望,npj Digital Medicine
基于視頻的生理參數(shù)測量技術(shù)及研究進展
一種基于深度學習的生理指標檢測系統(tǒng)及方法與流程
基于深度學習的醫(yī)學影像識別與定位方法研究.pptx
360度視頻序列全景圖拼接系統(tǒng)的設(shè)計與實現(xiàn)
基于大數(shù)據(jù)與深度學習的穿戴式運動心率算法
中國團隊實現(xiàn)非接觸心臟活動監(jiān)測
打破傳統(tǒng)健康監(jiān)測手段桎梏——非接觸式健康監(jiān)測
基于深度學習的智能坐姿健康監(jiān)測

網(wǎng)址: 基于深度學習的非接觸面部視頻心率信號測量方法研究及系統(tǒng)實現(xiàn) http://www.gysdgmq.cn/newsview1392466.html