打开文本图片集

摘要：本论文研究了一种基于人工智能技术的非接触式人脸检测和心率检测小程序。通过利用计算机视觉和深度学习算法，开发了一个能够从人脸图像中提取心率信息的系统，无需任何物理接触。采用了不同的数据集和实验设计来验证系统的性能和准确性。研究结果表明，该小程序在实际应用中具有潜在的价值，可以用于监测个体的生理状况。

关键词：人工智能；人脸图像；非接触式

中图分类号：TP391 文献标识码：A

0引言

人工智能在医疗领域的应用和意义日益凸显，为改善医疗保健提供了创新性的解决方案。在疾病诊断和筛查方面，人工智能可以利用大数据和深度学习技术，对医学图像（如X射线、CT扫描、MRI等）进行快速而准确的分析，帮助医生诊断疾病，如癌症、心脏病、眼疾等。

非接触式生理参数检测在医疗、健康监测和科学研究领域具有重要作用。其重要作用主要体现在非侵入性、实时性和连续性。非侵入性的检测方法可以减少被检测者痛苦和不适，提高被检测者的接受度和合作度。实时和连续的非接触式生理参数检测可以在不干扰被检测者正常生活的情况下进行，这种连续性的监测对于监测慢性疾病、生理变化趋势以及早期发现异常情况非常重要。例如，心率、呼吸率和体温的连续监测可以提供及时的健康警示。此外，在医疗环境中，非接触式生理参数检测有助于减少交叉感染的风险。传统的体温测量需要使用接触式温度计，容易传播疾病。而非接触式红外体温测量可以降低交叉感染的风险，特别是在传染病暴发期间。本文在非接触式心率监测领域进行了研究，通过搭建人脸视频心率检测系统，为大众提供更舒适的检测体验，这对于病人、婴儿、老年人以及对触摸敏感的个体尤为重要。

现有的非接触式心率测量方法有基于毫米波雷达检测[1]，基于卷积神经网络测量[2]以及基于振动相位信号分解检测[3]。本文提出的心率测量则是基于皮肤光学模型进行非接触式心率测量，简单易用，所需硬件设备仅为一颗普通的摄像头即可，为此我们将此功能封装为微信小程序，用户可以随时随地方便的测量心率，并围绕心率构建个人健康数据中心，该小程序的系统架构如图1所示。

1 系统架构

1.1微应用系统设计方案

结合用户需求和系统运行环境，本系统以微信小程序的形式进行搭建，用户可在微信中访问，即用即走，不造成额外开销，降低用户使用成本。

系统采用 Vite-Vue 构建，使用流行的bootstrap 进行系统界面设计，创建各个页面的组件，添加必要的功能，例如用户身份验证、数据可视化、实时心率监测和数据上传等，并且建立监控系统，以追踪系统性能，及时检测和解决问题。同时，定期更新系统，以应对新的技术和用户需求。用户使用该系统进行查询历史测试数据、即时检测、查看健康报告分析等等功能。本系统功能复杂操作较少，界面设计风格以易用、耐看、简洁、舒适为标准。

1.2云系统设计方案

基于大众的需求以及微应用系统的需要，系统在云端统一完成用户请求的实际业务流程。为此在整个项目的层面上选择了通过微服务架构实现主要业务，但人脸识别、心率测量等需要较高系统性能的需求将采用单独云计算服务进行模型的训练。本地微服务架构将使用流行的 SpringBoot 框架进行微服务开发及接口调用。SpringBoot 服务将通过 HTTP 请求调用远程训练之后的模型进行人脸识别、心率测量等功能。

针对上述架构和模块的设计，本系统还设计了用户服务模块和数据服务模块。用户服务模块的关键职责在于满足用户相关需求，而数据服务模块则承担了数据的持久化和缓存管理任务。这两个模块确保了系统的稳定性、可扩展性以及功能的完整性。

用户服务模块负责维护与用户账号安全、用户订阅推送服务列表、用户操作记录等与用户主体相关的需求（如图1所示）。本模块将会被其他模块所依赖，本模块所产生的正确无误的数据是其他模块正确运行的基础。

数据服务模块负责将其他模块所产生的数据进行持久化或将热点数据放入 Redis 缓存以供使用。本模块是其他模块与真实数据交互的中间层，其他模块不可绕过本模块直接的访问数据，本模块具有维护数据稳定性以及维护数据持久化层的扩展性的功能。

1.3 AI模型训练

在云端，系统预置了经过训练的心率监测模型。在系统搭建之前，团队收集了大量的心率数据。这些数据可以是心电图信号，也可以是从可穿戴设备或手机应用程序中获取的实时心率数据。然后，将收集到的数据对模型进行训练。在训练过程中，模型会学习如何从心率信号中识别出心跳的模式。在模型训练完成后，需要对其进行验证和测试，以评估其性能。这可以通过将模型的预测结果与实际心跳频率和强度进行比较来完成。最后，将训练好的模型部署到非接触式心率检测小程序中，实现实时的心率检测。

本系统还预置了基于深度学习的SENet-LSTM模型，该模型结合了SE-Net、CNN和LSTM模型的优势，设计一种网络结构，能做到放大某一部分的特征，而忽略一些不相关的特征，充分利用现有的卷积层而不再增加网络的深度，并用来对心电图进行分析，现对于7种不同的心脏疾病分类任务已达到了98%的准确率。

1.4存储

为便于用户持续管理健康信息，所有数据存储在云端。存储的数据包括心率信号数据、模型参数、训练日志等。这些数据可以通过数据库或者文件系统进行存储，以便后续的分析和处理。其中模型参数、训练日志等业务类型数据采用MySQL数据库进行存储，因其需要强调数据一致性和事务支持、进行复杂的查询和分析、具有严格的结构和关系，使用MySQL更加易于处理。而心率信号数据是指从心率监测设备中获取到的实时或历史心率数据，这些数据通常是半结构化或非结构化的，因为它们可能包含各种不同类型的数据，如时间序列数据、文本注释等，因此本系统采用MongoDB存储心率数据，MongoDB是文档型数据库，支持动态模式，能够容纳不同结构的数据，还具有横向扩展性和高性能读写能力，且支持索引、聚合和查询时间戳数据，这对于灵活存储心率信号数据非常有利。

2功能设计与实现

2.1程序界面

在设计界面时，需确保界面布局合理，颜色和字体易于阅读，操作流程直观，并提供必要的反馈，以确保用户可以轻松地上手学习使用该应用进行心率检测。此外，应考虑不同设备屏幕尺寸和方向的适应性，以确保应用在不同情境下都能正常运行。

本程序界面在页面的顶部放置一个标题栏，显示应用的名称和标志或徽标。实时心率数据显示在主屏幕的右侧，显示实时的心率数据，以大字体和醒目的颜色显示。这个区域还包括心率数值和心率图表。在屏幕的底部有一个大按钮，用户可以点击它来启动心率检测过程。

2.2心率测量

在本系统中，使用了基于视频分析的方法来获取原始的rPPG（反射式光学脉搏测量）信号，通过分析面部视频中皮肤区域的像素值，并借助计算提取这一信号[4]。首先，我们进行了滤波和信号预处理，以消除可能的噪音和干扰。接着，我们对这一信号进行进一步的分析或放大，以确保获得准确的心率信息。这个过程最终使我们能够成功地获取被测者的心率信息，为后续的研究和应用提供了有力支持。

2.3监测历史数据分析

本程序可以通过分析心率的变化趋势（如图3），了解用户的健康状况和生活习惯。其采用基于深度学习的SENet-LSTM模型，对人体的心电信号进行分类，判断用户心跳是否正常，或患有什么样的心脏疾病，然后将分析结果反馈给用户。也可以通过比较不同活动量的心率数据，了解用户在不同运动强度下的心率变化情况。这有助于用户了解自己的运动能力和健康状况，并制定更科学的运动计划。

2.4其他健康数据记录

除了测量心率状况之外，本系统还提供用户记录其他健康数据的功能，以帮助用户全面跟踪他们的健康状况。用户可记录体重和身高数据，有助于跟踪自身体重变化，并计算身体质量指数（BMI）。用户可以定期记录这些数据，以评估他们的健康状况和体重管理进度。用户可以还可以每日记录他们的睡眠时间和睡眠质量。这有助于用户了解自身的睡眠模式，是否存在睡眠问题，以及改善睡眠质量的方法。这些额外的健康数据记录可以使用户更全面地了解自身的健康状况，并与心率数据等其他信息一起，为他们的健康管理提供更多的支持和洞察。这些数据还可以用于生成个性化的健康建议和计划，以帮助用户实现他们的健康目标。

2.5健康资讯推送

该程序可以根据用户的身体状况和运动记录，提供个性化的运动计划和建议，以帮助用户达到健康目标并改善身体状况。对于一些有心脏疾病或其他慢性疾病的用户，程序可以提供低强度、低风险的运动方案，以避免过度劳累和加重病情。对于一些需要减肥或塑形的用户，程序可以提供高强度、高消耗的运动方案，以加速代谢并燃烧脂肪。

3应用场景

本系统旨在通过非接触式心率检测小程序服务平台，建立一个立体、全面的个人健康管理服务模式。该系统将提供心率健康监测功能，以实时追踪和分析用户的心率变化，帮助用户及时发现心脏问题并采取相应措施。同时，系统还将进行个人健康评估，根据用户提供的健康数据和生活习惯，生成个性化的健康报告和建议。此外，系统还支持健康计划制定，用户可以根据自己的需求和目标，设定饮食、运动、睡眠等方面的计划，并通过系统的提醒和指导逐步实现这些目标。最后，系统还将提供健康干预指导，针对用户的亚健康状况或潜在健康问题，提供专业的干预方案和建议。我们的目标是改善国民健康，促进日常生活中的心率监测，让人们有足够的精力面对高压快节奏的现代城市生活，摆脱亚健康状况的影响。

4结语

本论文介绍了一种基于人工智能技术的非接触式心率检测小程序。该小程序利用计算机视觉和深度学习算法，实现了从人脸图像中提取心率信息的功能，无需任何物理接触。通过不同的数据集和实验设计，验证了系统的性能和准确性，结果显示这个小程序在实际应用中具有潜在的价值，可以用于监测个体的生理状况。

改善健康状况，摆脱亚健康状态。该系统为心率健康管理领域的发展提供了一个多端、科学、高效的服务平台，有望在医疗和健康监测领域产生积极影响。

参考文献

[1]邹永洋.基于毫米波雷达的非接触式心率检测方法研究.2022.浙江理工大学，MA thesis.

[2]王盼孺.基于卷积神经网络的非接触式心率检测方法.2022.合肥工业大学，MA thesis.

[3]宋正伟，et al."基于振动相位信号分解的非接触式心率检测." 计算机系统应用 30.10（2021）：171-179. doi：10.15888/j.cnki.csa.008125.

[4]张盼盼. 基于人脸视频的非接触式心率信号测量技术研究[D].西北大学，2023.DOI：10.27405/d.cnki.gxbdu.2022.001367.

[5]李光发，胡国清，陈佳等.基于移动端的非接触心率检测系统研究与设计[J].计算机测量与控制，2023，31（07）：35-41.DOI：10.16526/j.cnki.11-4762/tp.2023.07.006.

作者简介：李成杰，2004年出生，男，汉族，江苏徐州人，本科生，在读，研究方向：软件工程

项目来源：2023 年江苏省大学生创新创业训练项目

项目名称：非接触式健康检测智能终端

项目编号：202313988001Y