tjy/BloodPressure/README.md

基于rPPG的血压估计系统

该项目是一个基于远程光电容积脉搏波描记法（rPPG）的血压估计系统。它使用LSTM神经网络在多个rPPG数据集上进行训练，然后可以从视频中提取光学脉冲信号，并预测个体的收缩压（SBP）和舒张压（DBP）值。

核心文件

• BPApi.py： 包含BP估计模型的核心逻辑，如信号预处理、模型推理等。
• lstm.py： 定义了用于BP估计的LSTM神经网络架构。
• video.py： 视频处理、人脸检测和BP估计的主要脚本。
• best_model.pth： 在多个数据集上训练的最佳模型权重文件。

使用方法

1. 确保已安装所需的Python库，包括opencv-python、torch、numpy、scipy和pywavelets。
2. 运行video.py脚本。
3. 脚本将打开默认摄像头，开始人脸检测和BP估计。
4. 检测到的人脸区域将被提取用于BP估计，预测结果将显示在视频流窗口中。
5. 按q键退出程序。

模型介绍

该项目使用LSTM神经网络作为基础模型，使用大规模PPG信号数据集进行预训练，并进一步使用rPPG信号数据集进行微调，以预测个体的SBP和DBP值。模型输出包含两个值，分别对应SBP和DBP的预测值。

数据集介绍

该项目使用了以下三个公开的rPPG数据集进行训练：

1. MIMIC-III数据集： 包含9054000条PPG信号序列和对应的SBP/DBP标签。
2. UKL-rPPG数据集： 包含7851条rPPG信号序列和对应的SBP/DBP标签。
3. iPPG-BP数据集： 包含2120条rPPG信号序列和对应的SBP/DBP标签。

算法流程

1. 视频采集：

   • 使用OpenCV库初始化视频捕捉对象，并获取视频的帧率。

2. 人脸检测：

   • 在每一帧上使用Haar级联人脸检测器进行人脸检测。
   • 如果检测到人脸，获取人脸区域的边界框坐标。

3. 帧序列提取：

   • 维护一个固定长度（如250帧）的循环队列，用于存储最近的人脸帧序列。
   • 对于新检测到的人脸，将其添加到队列中。

4. 信号预处理：

   • 当队列满时，执行以下预处理步骤：
     • 从人脸帧序列中提取绿色通道信号。
     • 使用小波变换进行去趋势，消除基线漂移。
     • 使用带通滤波器去除高频和低频噪声，保留有效的脉搏频率范围。

5. 推理：

   • 将预处理后的绿色通道信号输入到LSTM神经网络模型中。
   • 模型输出SBP和DBP的预测值。

6. 可视化：

   • 在视频帧上绘制人脸边界框。
   • 在视频帧上显示预测的SBP和DBP值。

7. 持续循环：

   • 对新的视频帧重复执行步骤2-6，持续进行人脸检测、BP估计和可视化。

8. 退出：

   • 当用户按下特定按键（如'q'）时，退出程序，关闭视频捕捉对象和所有窗口。