技术特征：
1.一种基于高效时空建模的非接触生理信号检测方法，其特征在于，包括以下步骤：s1：获取原视频流，对所述原视频流进行预处理，获得预处理后的图像序列；s2：获取所述图像序列，将所述图像序列输入基于三维中心差分卷积算子的深度神经网络中，结合卷积层的注意掩膜机制，提取时空信息；s3：基于所述时空信息以及ε-insensitive huber loss损失函数，构建多任务损失函数对所述深度神经网络进行优化；s4：采用二阶巴特沃斯滤波器过滤优化后的深度神经网络，同时输出心率与呼吸率，完成基于高效时空建模的非接触生理信号检测。2.根据权利要求1所述的方法，其特征在于，所述s1中，获取原视频流，对所述原视频流进行预处理，获得预处理后的图像序列，包括：将原始视频流分别进行时域归一化差值和下采样处理，获得预处理后的图像序列；其中，根据下述公式（1）进行时域归一化差值的计算：其中表示第个皮肤像素在时间的rgb值，为时间变化值。3.根据权利要求2所述的方法，其特征在于，所述图像序列包括：时域归一化差值图像序列以及下采样图像序列。4.根据权利要求3所述的方法，其特征在于，所述步骤s2中，获取所述图像序列，将所述图像序列输入基于三维中心差分卷积算子的深度神经网络中，结合卷积层的注意掩膜机制，提取时空信息，包括：s21：将时域归一化差值图像序列作为运动分支，输入基于三维中心差分卷积算子的深度神经网络中；将下采样图像序列作为外观分支，输入基于三维中心差分卷积算子的深度神经网络中；s22：通过注意掩膜机制，基于外观分支的建模皮肤感兴趣区域，协助运动分支提取时空信息；s23：重复步骤s21-s22，进行时空信息的提取，将所述时空信息传至全连接层。5.根据权利要求4所述的方法，其特征在于，所述步骤s21中，包括：根据下述公式（2）获得三维中心差分卷积算子：其中，是输入特征图，表示局部感受野立方体，是可学习的权重，表示特征图上的当前位置，表示对感受野和相邻时间步中位置的枚举，超参数用于平衡空间强度和梯度。6.根据权利要求5所述的方法，其特征在于，所述步骤s22中，包括：
根据下述公式（3）获得注意掩膜机制的函数公式：其中，是外观分支第层卷积层的特征图；是运动分支第层卷积层的特征图；和是第层卷积层特征图的高和宽；表示sigmoid函数，是卷积核权重，是卷积核偏置，是l1范数，表示按元素乘积。7.根据权利要求1所述的方法，其特征在于，所述步骤s3中，基于所述时空信息以及ε-insensitive huber loss 损失函数，构建多任务损失函数对所述深度神经网络进行优化，包括：根据下述公式（4）ε-insensitive huber loss 损失函数计算脉搏波和呼吸波的强度损失：其中表示真值，表示输入经过函数映射后的预测值，是huber loss的超参数，默认值为1，是ε-insensitive loss的超参数，默认值为0.1；结合下述公式（5）构建多任务损失函数：其中和为损失函数权重；通过反向传播损失函数值优化深度神经网络权重，在损失函数不再下降后停止优化，选择训练过程中损失函数值最低的深度神经网络的模型。8.根据权利要求5所述的方法，其特征在于，所述步骤s4中，采用二阶巴特沃斯滤波器过滤优化后的深度神经网络，同时输出心率与呼吸率，完成基于高效时空建模的非接触生理信号检测，包括：采用二阶巴特沃斯滤波器所述深度神经网络，同时输出心率与呼吸率；其中，心率的截止频率为0.75hz和2.5hz，呼吸频率的截止频率分别为0.08hz和0.5hz；其中，选择滤波信号获得的功率谱中最高峰值的位置作为心率及呼吸率输出，完成基于高效时空建模的非接触生理信号检测。9.一种基于高效时空建模的非接触生理信号检测系统，其特征在于，所述系统适用于上述权利要求1-8中任意一项的方法，系统包括：数据采集模块，用于获取原视频流，对所述原视频流进行预处理，获得预处理后的图像
序列；时空信息提取模块，用于获取所述图像序列，将所述图像序列输入基于三维中心差分卷积算子的深度神经网络中，结合卷积层的注意掩膜机制，提取时空信息；模型优化模块，用于基于所述时空信息以及ε-insensitive huber loss 损失函数，构建多任务损失函数对所述深度神经网络进行优化；数据输出模块，用于采用二阶巴特沃斯滤波器过滤优化后的深度神经网络，同时输出心率与呼吸率，完成基于高效时空建模的非接触生理信号检测。10.根据权利要求9所述的系统，其特征在于，所述数据采集模块，进一步用于将原始视频流分别进行时域归一化差值和下采样处理，获得预处理后的图像序列；其中，根据下述公式（1）进行时域归一化差值的计算：其中表示第个皮肤像素在时间的rgb值，为时间变化值。
技术总结
本发明提供了一种基于高效时空建模的非接触生理信号检测方法及系统，涉及智能数据处理技术领域。包括获取原视频流，对原视频流进行预处理，获得预处理后的图像序列；获取图像序列，将图像序列输入基于三维中心差分卷积算子的深度神经网络中，结合卷积层的注意掩膜机制，提取时空信息；基于时空信息以及ε-insensitive Huber loss损失函数，构建多任务损失函数对深度神经网络进行优化；采用二阶巴特沃斯滤波器过滤优化后的深度神经网络，同时输出心率与呼吸率。基于三维中心差卷积注意力网络的精确非接触生理信号测量方法，利用的三维中心差分卷积算子可以通过聚集时间差异信息来提取脉搏波信息，进行了跨数据库评估和消融研究，证明了所提出方法的有效性和鲁棒性。证明了所提出方法的有效性和鲁棒性。证明了所提出方法的有效性和鲁棒性。
技术研发人员：邹博超 马惠敏
受保护的技术使用者：北京科技大学
技术研发日：2022.11.17
技术公布日：2023/1/19