桡动脉触诊定位方法、装置、电子设备和存储介质与流程

1.本技术涉及中医脉诊技术领域，具体而言，涉及一种桡动脉触诊定位方法、装置、电子设备和存储介质。


背景技术：

2.桡动脉脉象诊断是中医四大诊断原则中不可缺少的一部分。它能为患者的健康评估提供了丰富的生理信息，被认为是无创诊断实践中的重要工具。传统的中医脉诊过程中，是由医生通过手指感知患者的桡动脉处的脉搏跳动情况的，从而根据脉搏跳动情况进行病情诊断。但是，由于中医师存在经验积累的不同和细微感知的差异，导致传统中医脉诊存在标准化程度较低和脉象判断主观的现实问题。
3.为此，市场上出现了一些用于进行诊脉的自动诊脉装置，能够自动采集桡动脉处的脉搏波信号，对于这些自动诊脉装置，其采集脉搏波信号时对桡动脉位置的定位精度对采集到的脉搏波信号的准确性有较大影响。现有的自动诊脉装置的定位方法主要有：1）使用触觉或压力传感器阵列对手腕进行直接的包裹，通过力反馈来确定位置。这种方式的定位精度低，过于依赖于传感器的尺寸和一致性，而且需要与患者直接接触，对于存在烧伤或其它不适宜进行直接接触的情况的患者并不适用，使用场景大大受限；2）使用热成像方法定位桡动脉。这种方法是非接触式的定位方法，相对于前一种方法，其使用场景受限较小，但是这种方法的定位准确性极大地取决于红外热成像设备的灵敏度，同时由于存在腕部形状的个体差异性变化，最终不可避免的导致定位极易出现偏差。


技术实现要素：

4.本技术的目的在于提供一种桡动脉触诊定位方法、装置、电子设备和存储介质，可在无需与手腕直接接触的情况下实现对桡动脉的精确定位。
5.第一方面，本技术提供了一种桡动脉触诊定位方法，用于对被测者手腕处的桡动脉位置进行定位，包括步骤：a1.获取被测者手腕的近红外视频信息；a2.对所述近红外视频信息的各帧图像进行绿色信道图像的提取，得到单通道视频数据；a3.对所述单通道视频数据进行像素值归一化处理，得到待检测视频数据；a4.把所述待检测视频数据输入到预先训练好的三维卷积神经网络模型，得到所述被测者的桡动脉坐标。
6.由于被测者心室的收缩和舒张会产生有节奏的循环变化，这一变化会进一步导致手腕桡动脉处产生明显的周期跳动信号，该桡动脉触诊定位方法通过三维卷积神经网络模型可对手腕的视频数据进行时间和空间特征的提取，以完成视频数据到空间坐标的映射，从而实现无接触地对桡动脉的精准定位。
7.优选地，步骤a1包括：获取以预设帧率采集的预设时长的所述近红外视频信息；所述预设帧率为28 fps
ꢀ‑
32 fps，所述预设时长为4s-6s。
8.优选地，步骤a3包括：根据以下公式对所述单通道视频数据的各帧图像进行像素值归一化处理：；其中，为所述帧图像中的第i个像素点的归一化处理后的像素值，所述帧图像中的第i个像素点的归一化处理前的像素值，为所述帧图像的归一化处理前的最小像素值，为所述帧图像的归一化处理前的最大像素值。
9.对单通道视频数据进行像素值归一化处理，使单通道视频数据中的每个帧图像的像素值范围从[0,225]缩至[0,1]，可去除数据的单位限制，并可达到以下效果：减少模型（三维卷积神经网络模型）的计算量，提升模型收敛速度 ；减少数据分布的差异，能够提高模型的精度；数据归一化可以在模型的反向传播中防止模型梯度爆炸或者梯度消失。
[0010]
优选地，所述近红外视频信息的分辨率为2048*1088；所述三维卷积神经网络模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层、第二全连接层和输出层；所述第一卷积层、所述第二卷积层和所述第三卷积层的卷积核均为大小均为15*3*3的三维卷积核，且卷积处理时的窗口移动步长均为1，所述第一卷积层的卷积核个数为32，所述第二卷积层的卷积核个数为16，所述第三卷积层的卷积核个数为8；所述第一池化层、所述第二池化层和所述第三池化层的池化方法均为2*2*2的最大池化方法，且池化处理时的窗口移动步长均为2；所述第一全连接层和所述第二全连接层均为linear层。
[0011]
该三维卷积神经网络模型通过三维卷积核可有效地对视频数据进行时间和空间特征的提取，以完成视频数据到空间坐标的映射，通过池化层降低输入视频数据的图像帧的尺寸，从而可快速且准确地实现对桡动脉的定位。
[0012]
优选地，所述三维卷积神经网络模型通过以下步骤训练得到：b1.采集多个不同受试者的手腕的近红外视频数据样本；其中，针对每个所述受试者采集多个所述近红外视频数据样本；b2.对所述近红外视频数据样本进行预处理后，按4：1：1划分成训练集、测试集和验证集；b3.基于预设的超参数，使用所述训练集对所述三维卷积神经网络模型进行训练；b4.使用所述测试集对训练好的所述三维卷积神经网络模型进行交叉验证及评估；b5.多次调整超参数，每次调节后通过所述验证集对所述三维卷积神经网络模型进行验证，以获取最优的三维卷积神经网络模型。
[0013]
优选地，步骤b2包括：
对所述近红外视频数据样本的各帧图像进行绿色信道图像的提取，得到单通道视频数据样本；对所述单通道视频数据样本中的桡动脉位置进行标定；对标定后的所述单通道视频数据样本进行像素值归一化处理。
[0014]
优选地，所述预设的超参数包括：批次大小，所述批次大小为8或16；动量参数，所述动量参数为0.95；学习率，所述学习率为动态学习率，其初始值为0.001；迭代次数，所述迭代次数为100。
[0015]
第二方面，本技术提供了一种桡动脉触诊定位装置，用于对被测者手腕处的桡动脉位置进行定位，包括：第一获取模块，用于获取被测者手腕的近红外视频信息；第一提取模块，用于对所述近红外视频信息的各帧图像进行绿色信道图像的提取，得到单通道视频数据；归一化处理模块，用于对所述单通道视频数据进行像素值归一化处理，得到待检测视频数据；定位模块，用于把所述待检测视频数据输入到预先训练好的三维卷积神经网络模型，得到所述被测者的桡动脉坐标。
[0016]
由于被测者心室的收缩和舒张会产生有节奏的循环变化，这一变化会进一步导致手腕桡动脉处产生明显的周期跳动信号，该桡动脉触诊定位方法通过三维卷积神经网络模型可对手腕的视频数据进行时间和空间特征的提取，以完成视频数据到空间坐标的映射，从而实现无接触地对桡动脉的精准定位。
[0017]
第三方面，本技术提供了一种电子设备，包括处理器和存储器，所述存储器存储有所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时，运行如前文所述桡动脉触诊定位方法中的步骤。
[0018]
第四方面，本技术提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如前文所述桡动脉触诊定位方法中的步骤。
[0019]
有益效果：本技术提供的桡动脉触诊定位方法、装置、电子设备和存储介质，通过获取被测者手腕的近红外视频信息；对所述近红外视频信息的各帧图像进行绿色信道图像的提取，得到单通道视频数据；对所述单通道视频数据进行像素值归一化处理，得到待检测视频数据；把所述待检测视频数据输入到预先训练好的三维卷积神经网络模型，得到所述被测者的桡动脉坐标；由于被测者心室的收缩和舒张会产生有节奏的循环变化，这一变化会进一步导致手腕桡动脉处产生明显的周期跳动信号，通过三维卷积神经网络模型可对手腕的视频数据进行时间和空间特征的提取，以完成视频数据到空间坐标的映射，从而可实现无接触的对桡动脉的精准定位。
[0020]
本技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术了解。
fps，所述预设时长为4s-6s。
[0033]
其中，可通过红外摄像头采集该近红外视频信息，在采集过程中需保持被测者手腕静止。
[0034]
其中，采集帧率（即预设帧率）可根据实际需要设置，优选为30fps；采样时长（即预设时长）可根据实际需要设置，优选为5s。
[0035]
步骤a2中，对近红外视频信息的各帧图像进行绿色信道图像的提取得到多个绿色信道图像，这些绿色信道图像按原始的近红外视频信息中对应的各帧原始图像的排序排列形成新的图像序列，即为单通道视频数据。其中，对图像进行绿色信道图像的提取的方法为现有技术，此处不对其进行详述。
[0036]
在一些实施方式中，步骤a3包括：根据以下公式对单通道视频数据的各帧图像进行像素值归一化处理：；其中，为帧图像中的第i个像素点的归一化处理后的像素值，帧图像中的第i个像素点的归一化处理前的像素值，为帧图像的归一化处理前的最小像素值（即帧图像的各像素点的像素值中的最小值），为帧图像的归一化处理前的最大像素值（即帧图像的各像素点的像素值中的最大值）。
[0037]
需要说明的是，针对单通道视频数据的每个帧图像执行以上步骤，对应不同的帧图像，其和值肯能不同。
[0038]
对单通道视频数据进行像素值归一化处理，使单通道视频数据中的每个帧图像的像素值范围从[0,225]缩至[0,1]，可去除数据的单位限制，并可达到以下下效果：减少模型（三维卷积神经网络模型）的计算量，提升模型收敛速度 ；减少数据分布的差异，能够提高模型的精度；数据归一化可以在模型的反向传播中防止模型梯度爆炸或者梯度消失。
[0039]
在本实施例中，见图4，近红外视频信息的分辨率为2048*1088；三维卷积神经网络模型包括依次连接的输入层90、第一卷积层91、第一池化层92、第二卷积层93、第二池化层94、第三卷积层95、第三池化层96、第一全连接层97、第二全连接层98和输出层99；第一卷积层91、第二卷积层93和第三卷积层95的卷积核均为大小均为15*3*3的三维卷积核，且卷积处理时的窗口移动步长均为1，第一卷积层91的卷积核个数为32，第二卷积层93的卷积核个数为16，第三卷积层95的卷积核个数为8；第一池化层92、第二池化层94和第三池化层96的池化方法均为2*2*2的最大池化方法，且池化处理时的窗口移动步长均为2；第一全连接层97和第二全连接层98均为linear层（线性层）。
[0040]
该三维卷积神经网络模型通过三维卷积核可有效地对视频数据进行时间和空间特征的提取，以完成视频数据到空间坐标的映射，通过池化层降低输入视频数据的图像帧的尺寸，从而可快速且准确地实现对桡动脉的定位。参考图6，为利用本实施例的三维卷积
神经网络模型对一示例性的待检测视频数据进行桡动脉定位时，各层卷积层输出的图像数据；图5为利用与本实施例的三维卷积神经网络模型具有同样数据网络条件的二维卷积神经网络模型（其卷积核为二维卷积核，其它数据网络条件与本实施例的三维卷积神经网络模型相同）对该示例性的待检测视频数据进行桡动脉定位各层卷积层输出的图像数据；从而图5和图6可以看到，对于同样的数据网络条件下，本实施例的三维卷积神经网络模型对于数据的特征提取效果相对较佳。
[0041]
需要说明的是，近红外视频信息的分辨率不限于是2048*1088，对于其它分辨率的近红外视频信息，该三维卷积神经网络模型中的卷积核大小和各卷积层的卷积核个数需相应调整。
[0042]
优选地，该三维卷积神经网络模型通过以下步骤训练得到：b1.采集多个不同受试者的手腕的近红外视频数据样本；其中，针对每个受试者采集多个近红外视频数据样本；b2.对近红外视频数据样本进行预处理后，按4：1：1划分成训练集、测试集和验证集；b3.基于预设的超参数，使用训练集对三维卷积神经网络模型进行训练；b4.使用测试集对训练好的三维卷积神经网络模型进行交叉验证及评估；b5.多次调整超参数，每次调节后通过验证集对所述三维卷积神经网络模型进行验证，以获取最优的三维卷积神经网络模型。
[0043]
其中，步骤b1中，对于每个受试者，优选采集不少于10个近红外视频数据样本，且每采集完一个近红外视频数据样本后手腕的姿态需做调整，包括位置（前、后、左、右位置）调整、方位角度调整（通过前臂左右摆动进行调整）、翻滚角度（即手腕周向的角度）调整中的至少一项。在现有的实验条件下，想要获取大量的图像数据集比较困难，而使用深度学习技术训练一个模型需要一定数量的数据集，因此通过对同一名受试者的采集数据进行多次采集，包括反转，旋转等，可以当前有限的数据进行扩充，从而丰富有神经网络训练模型的训练集数据量，增强模型的鲁棒性。
[0044]
其中在采集近红外视频数据样本时，以预设帧率采集预设时长的近红外视频数据样本；预设帧率为28 fps
ꢀ‑
32 fps，预设时长为4s-6s。
[0045]
其中，可通过红外摄像头采集该近红外视频数据样本，在采集每个红外视频数据样本的过程中需保持被测者手腕静止。
[0046]
其中，采集帧率（即预设帧率）可根据实际需要设置，优选为30fps；采样时长（即预设时长）可根据实际需要设置，优选为5s。
[0047]
在一些优选实施方式中，可对采集到的近红外视频数据样本进行数据增强处理，以获得更多的近红外视频数据样本；从而，三维卷积神经网络模型训练的步骤还包括：对采集到的近红外视频数据样本进行数据增强处理。
[0048]
其中，可通过对采集得到的近红外视频数据样本进行旋转、翻转、缩放等操作（至少一项）以得到不同的近红外视频数据样本，从而可大大地扩充近红外视频数据样本集合，增强训练后的三维卷积神经网络模型的泛化能力。其中，对采集到的近红外视频数据样本进行数据增强处理的步骤可在步骤b1之后和步骤b2之前执行。
[0049]
在本实施例中，步骤b2包括：
对近红外视频数据样本的各帧图像进行绿色信道图像的提取，得到单通道视频数据样本；对单通道视频数据样本中的桡动脉位置进行标定；对标定后的单通道视频数据样本进行像素值归一化处理；把像素值归一化处理后的单通道视频数据样本按4：1：1划分成训练集、测试集和验证集。
[0050]
其中，在对单通道视频数据样本中的桡动脉位置进行标定时，可由人工对单通道视频数据样本中的每个帧图像进行标定（一般由专家进行人工标定），也可由人工对其中部分帧图像进行标定后，再根据标定结果对单通道视频数据样本中的其它帧图像进行自动标定。对于后一种方式，例如可包括以下步骤：获取单通道视频数据样本中由人工标定后的各第一图像中的标定位置的坐标数据；其中，各第一图像是该单通道视频数据样本中的在时序上等间隔分布的帧图像（即在进行人工标定时，每隔预设数量的帧图像就进行一次标定）；根据各第一图像中的标定位置的坐标数据拟合标定位置的横坐标随图像的排序序号（帧图像在单通道视频数据样本中的排序序号）变化的第一曲线，并拟合标定位置的纵坐标随图像排序序号变化的第二曲线；根据各第二图像的排序序号和第一曲线获取各第二图像的待标定位置的横坐标数据，并根据各第二图像的排序序号和第二曲线获取各第二图像的待标定位置的纵坐标数据；该第二图像为该单通道视频数据样本中的除第一图像外的帧图像；根据各第二图像的待标定位置的横坐标数据和待标定位置的纵坐标数据，在各第二图像的对应位置进行标定。
[0051]
通过该方式进行自动标定，可大大地降低操作人员的工作量，降低劳动强度并提高工作效率。而且通过拟合曲线实现自动标定，即使受试者的手腕在近红外视频数据样本采集过程中有移动，也能比较准确地实现桡动脉位置的标定。
[0052]
优选地，也可在完成对单通道视频数据样本中的桡动脉位置标定和像素值归一化处理后，再对处理后的单通道视频数据样本进行数据增强处理，完成数据增强处理后再划分成训练集、测试集和验证集。与在步骤b1之后和步骤b2之前进行数据增强处理的方式相比，由于无需再另外对数据增强处理得到的样本进行桡动脉位置标定和像素值归一化处理，可大大减少工作量，提高工作效率。
[0053]
在一些优选实施方中，步骤b3中，预设的超参数包括：批次大小（batch size），批次大小为8或16；动量参数（momentum），动量参数为0.95；学习率（learning rate），学习率为动态学习率，其初始值为0.001；迭代次数（epoch），迭代次数为100。
[0054]
其中，批次大小设置较大容易使网络加速收敛，但是过大的批次大小容易导致内存运算不足，把批次大小设置为8或16，网络加速收敛较快且对内存运算能力的要求比较适中。
[0055]
其中，动量参数会影响梯度下降到最优值的速度，把动量参数设置为0.95可保证梯度下降到最优值的速度比较快。
[0056]
其中，学习率决定着权值更新的速度，在本技术中，把学习率设为动态学习率，其初始值为0.001，随后根据损失函数的变化而动态减少。在本实施例中，步骤b3中在训练过程中选用mse（均方误差）为损失函数。
[0057]
在实际应用中，可通过以下公式对神经网络模型的桡动脉定位准确率进行计算：其中，为第i个测试样本，为测试样本的标签坐标（即桡动脉标定点的坐标），为模型对测试样本的桡动脉位置的预测点，为像素阈值（其表示需要达到的定位精度），为测试集总个数，为测试集中预测点和桡动脉标定点距离小于阈值的个数，为桡动脉定位准确率。
[0058]
基于该桡动脉定位准确率，对比同样测试集（其中，输入图像的分辨率为2048*1088）条件下的本技术的三维卷积神经网络模型（3dcnn模型）与现有的二维卷积神经网络模型（alexnet模型、vgg16模型和vgg19模型）的桡动脉定位准确率，对比结果如下表所示：从上表可以看到，本技术的三维卷积神经网络模型在2048*1088的图像分辨率下，当要求定位精度在50像素内时，桡动脉定位准确率达到87%，比其它几种模型的桡动脉定位准确率高；当要求定位精度在40像素内时，桡动脉定位准确率达到61%，比其它几种模型的桡动脉定位准确率高；当要求定位精度在30像素内时，桡动脉定位准确率达到45%，比其它几种模型的桡动脉定位准确率高；当要求定位精度在20像素内时，桡动脉定位准确率达到27%，比其它几种模型的桡动脉定位准确率高。可见，本技术的三维卷积神经网络模型对桡动脉的定位效果远高于其他普通二维卷积神经网络模型，具有较大的应用潜力，可应用于真实的腕部触诊定位场景，为脉搏诊断带来关键的便利。
[0059]
由上可知，该桡动脉触诊定位方法，通过获取被测者手腕的近红外视频信息；对近红外视频信息的各帧图像进行绿色信道图像的提取，得到单通道视频数据；对单通道视频数据进行像素值归一化处理，得到待检测视频数据；把待检测视频数据输入到预先训练好的三维卷积神经网络模型，得到被测者的桡动脉坐标；从而可实现无接触的对桡动脉的精准定位。
[0060]
请参考图2，本技术提供了一种桡动脉触诊定位装置，用于对被测者手腕处的桡动脉位置进行定位，包括：第一获取模块1，用于获取被测者手腕的近红外视频信息；
第一提取模块2，用于对近红外视频信息的各帧图像进行绿色信道图像的提取，得到单通道视频数据；归一化处理模块3，用于对单通道视频数据进行像素值归一化处理，得到待检测视频数据；定位模块4，用于把待检测视频数据输入到预先训练好的三维卷积神经网络模型，得到被测者的桡动脉坐标。
[0061]
由于被测者心室的收缩和舒张会产生有节奏的循环变化，这一变化会进一步导致手腕桡动脉处产生明显的周期跳动信号，该桡动脉触诊定位装置通过三维卷积神经网络模型可对手腕的视频数据进行时间和空间特征的提取，以完成视频数据到空间坐标的映射，从而实现无接触的对桡动脉的精准定位。
[0062]
具体地，第一获取模块1用于在获取被测者手腕的近红外视频信息的时候，执行：获取以预设帧率采集的预设时长的近红外视频信息；预设帧率为28 fps
ꢀ‑
32 fps，预设时长为4s-6s。
[0063]
其中，可通过红外摄像头采集该近红外视频信息，在采集过程中需保持被测者手腕静止。
[0064]
其中，采集帧率（即预设帧率）可根据实际需要设置，优选为30fps；采样时长（即预设时长）可根据实际需要设置，优选为5s。
[0065]
第一提取模块2对近红外视频信息的各帧图像进行绿色信道图像的提取得到多个绿色信道图像，这些绿色信道图像按原始的近红外视频信息中对应的各帧原始图像的排序排列形成新的图像序列，即为单通道视频数据。其中，对图像进行绿色信道图像的提取的方法为现有技术，此处不对其进行详述。
[0066]
在一些实施方式中，归一化处理模块3用于在对单通道视频数据进行像素值归一化处理，得到待检测视频数据的时候，执行：根据以下公式对单通道视频数据的各帧图像进行像素值归一化处理：；其中，为帧图像中的第i个像素点的归一化处理后的像素值，帧图像中的第i个像素点的归一化处理前的像素值，为帧图像的归一化处理前的最小像素值（即帧图像的各像素点的像素值中的最小值），为帧图像的归一化处理前的最大像素值（即帧图像的各像素点的像素值中的最大值）。
[0067]
需要说明的是，针对单通道视频数据的每个帧图像执行以上步骤，对应不同的帧图像，其和值肯能不同。
[0068]
对单通道视频数据进行像素值归一化处理，使单通道视频数据中的每个帧图像的像素值范围从[0,225]缩至[0,1]，可去除数据的单位限制，并可达到以下下效果：减少模型（三维卷积神经网络模型）的计算量，提升模型收敛速度 ；减少数据分布的差异，能够提高模型的精度；数据归一化可以在模型的反向传播中防止模型梯度爆炸或者梯度消失。
[0069]
在本实施例中，见图4，近红外视频信息的分辨率为2048*1088；三维卷积神经网络模型包括依次连接的输入层90、第一卷积层91、第一池化层92、第二卷积层93、第二池化层94、第三卷积层95、第三池化层96、第一全连接层97、第二全连接层98和输出层99；第一卷积层91、第二卷积层93和第三卷积层95的卷积核均为大小均为15*3*3的三维卷积核，且卷积处理时的窗口移动步长均为1，第一卷积层91的卷积核个数为32，第二卷积层93的卷积核个数为16，第三卷积层95的卷积核个数为8；第一池化层92、第二池化层94和第三池化层96的池化方法均为2*2*2的最大池化方法，且池化处理时的窗口移动步长均为2；第一全连接层97和第二全连接层98均为linear层（线性层）。
[0070]
该三维卷积神经网络模型通过三维卷积核可有效地对视频数据进行时间和空间特征的提取，以完成视频数据到空间坐标的映射，通过池化层降低输入视频数据的图像帧的尺寸，从而可快速且准确地实现对桡动脉的定位。参考图6，为利用本实施例的三维卷积神经网络模型对一示例性的待检测视频数据进行桡动脉定位时，各层卷积层输出的图像数据；图5为利用与本实施例的三维卷积神经网络模型具有同样数据网络条件的二维卷积神经网络模型（其卷积核为二维卷积核，其它数据网络条件与本实施例的三维卷积神经网络模型相同）对该示例性的待检测视频数据进行桡动脉定位各层卷积层输出的图像数据；从而图5和图6可以看到，对于同样的数据网络条件下，本实施例的三维卷积神经网络模型对于数据的特征提取效果相对较佳。
[0071]
需要说明的是，近红外视频信息的分辨率不限于是2048*1088，对于其它分辨率的近红外视频信息，该三维卷积神经网络模型中的卷积核大小和各卷积层的卷积核个数需相应调整。
[0072]
优选地，该三维卷积神经网络模型通过以下步骤训练得到：b1.采集多个不同受试者的手腕的近红外视频数据样本；其中，针对每个受试者采集多个近红外视频数据样本；b2.对近红外视频数据样本进行预处理后，按4：1：1划分成训练集、测试集和验证集；b3.基于预设的超参数，使用训练集对三维卷积神经网络模型进行训练；b4.使用测试集对训练好的三维卷积神经网络模型进行交叉验证及评估；b5.多次调整超参数，每次调节后通过验证集对所述三维卷积神经网络模型进行验证，以获取最优的三维卷积神经网络模型。
[0073]
其中，步骤b1中，对于每个受试者，优选采集不少于10个近红外视频数据样本，且每采集完一个近红外视频数据样本后手腕的姿态需做调整，包括位置（前、后、左、右位置）调整、方位角度调整（通过前臂左右摆动进行调整）、翻滚角度（即手腕周向的角度）调整中的至少一项。在现有的实验条件下，想要获取大量的图像数据集比较困难，而使用深度学习技术训练一个模型需要一定数量的数据集，因此通过对同一名受试者的采集数据进行多次采集，包括反转，旋转等，可以当前有限的数据进行扩充，从而丰富有神经网络训练模型的训练集数据量，增强模型的鲁棒性。
[0074]
其中在采集近红外视频数据样本时，以预设帧率采集预设时长的近红外视频数据
样本；预设帧率为28 fps
ꢀ‑
32 fps，预设时长为4s-6s。
[0075]
其中，可通过红外摄像头采集该近红外视频数据样本，在采集每个红外视频数据样本的过程中需保持被测者手腕静止。
[0076]
其中，采集帧率（即预设帧率）可根据实际需要设置，优选为30fps；采样时长（即预设时长）可根据实际需要设置，优选为5s。
[0077]
在一些优选实施方式中，可对采集到的近红外视频数据样本进行数据增强处理，以获得更多的近红外视频数据样本；从而，三维卷积神经网络模型训练的步骤还包括：对采集到的近红外视频数据样本进行数据增强处理。
[0078]
其中，可通过对采集得到的近红外视频数据样本进行旋转、翻转、缩放等操作（至少一项）以得到不同的近红外视频数据样本，从而可大大地扩充近红外视频数据样本集合，增强训练后的三维卷积神经网络模型的泛化能力。其中，对采集到的近红外视频数据样本进行数据增强处理的步骤可在步骤b1之后和步骤b2之前执行。
[0079]
在本实施例中，步骤b2包括：对近红外视频数据样本的各帧图像进行绿色信道图像的提取，得到单通道视频数据样本；对单通道视频数据样本中的桡动脉位置进行标定；对标定后的单通道视频数据样本进行像素值归一化处理；把像素值归一化处理后的单通道视频数据样本按4：1：1划分成训练集、测试集和验证集。
[0080]
其中，在对单通道视频数据样本中的桡动脉位置进行标定时，可由人工对单通道视频数据样本中的每个帧图像进行标定（一般由专家进行人工标定），也可由人工对其中部分帧图像进行标定后，再根据标定结果对单通道视频数据样本中的其它帧图像进行自动标定。对于后一种方式，例如可包括以下步骤：获取单通道视频数据样本中由人工标定后的各第一图像中的标定位置的坐标数据；其中，各第一图像是该单通道视频数据样本中的在时序上等间隔分布的帧图像（即在进行人工标定时，每隔预设数量的帧图像就进行一次标定）；根据各第一图像中的标定位置的坐标数据拟合标定位置的横坐标随图像的排序序号（帧图像在单通道视频数据样本中的排序序号）变化的第一曲线，并拟合标定位置的纵坐标随图像排序序号变化的第二曲线；根据各第二图像的排序序号和第一曲线获取各第二图像的待标定位置的横坐标数据，并根据各第二图像的排序序号和第二曲线获取各第二图像的待标定位置的纵坐标数据；该第二图像为该单通道视频数据样本中的除第一图像外的帧图像；根据各第二图像的待标定位置的横坐标数据和待标定位置的纵坐标数据，在各第二图像的对应位置进行标定。
[0081]
通过该方式进行自动标定，可大大地降低操作人员的工作量，降低劳动强度并提高工作效率。而且通过拟合曲线实现自动标定，即使受试者的手腕在近红外视频数据样本采集过程中有移动，也能比较准确地实现桡动脉位置的标定。
[0082]
优选地，也可在完成对单通道视频数据样本中的桡动脉位置标定和像素值归一化处理后，再对处理后的单通道视频数据样本进行数据增强处理，完成数据增强处理后再划
memory, 简称rom），磁存储器，快闪存储器，磁盘或光盘。
[0090]
在本技术所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0091]
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0092]
再者，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0093]
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
[0094]
以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。