一种非接触式人体血氧饱和度检测方法、装置及设备

1.本发明涉及图像处理领域，特别涉及一种基于机器学习的非接触式人体血氧饱和度检测方法、装置及计算机设备。


背景技术：

2.血氧饱和度是一项人体重要的生命指标，是反映人体呼吸循环功能、衡量人体血液携氧能力的指标，血氧饱和度一旦降低意味着人的生命受到威胁。测定动脉血氧饱和度有两种方法，一种是抽取动脉血，利用血气分析仪测得动脉血氧分压(pao2)，再通过血红蛋白-氧离解曲线得到sao2，其缺点是观察病情变化需要反复抽血。另一种方法是采用脉搏血氧饱和度监护仪测定，它小巧灵便、无须抽取血液、精确度高，广泛应用于临床。但血氧饱和度监护仪是接触式测量，接触式测量会增加交叉传染的风险。所以，非接触式血氧饱和度的测量得到了广泛的关注。
3.现有的非接触血氧测量技术是基于彩色摄像头采集被测目标红色 (red)、绿色(green)和蓝色(blue)三个波段的数据。然后，采用 ratio of ratio算法，分别出计算红色和绿色(或者蓝色)波段交流分量和直流分量的比值，血氧饱和度与红色和绿色(或者)两个波段的比值成一定的比例关系。最后，通过一定数量的样本训练后，就可以准确地估计血氧饱和度。
4.现有技术有两个缺点：
5.其一：现有技术主要选择被测目标面部上的一个区域，提取整个区域的rgb信号进行处理并解算血氧饱和度。但由于面部血管分布不同，面部不同区域具有不同强度的血液脉动，有些区域的血液脉动很弱，如果将这些低信噪比区域加入血氧饱和度的计算，会降低血氧饱和度解算精度。
6.其二：现有技术只是使用红色和绿色(或者蓝色)两个波段ppg信号计算得到的ratio of ratio参数估计血氧饱和度，但是没有考虑到光的散射效应对血氧饱和度估计的影响。


技术实现要素：

7.有鉴于此，本发明实施例中提供一种基于机器学习的非接触式人体血氧饱和度检测方法、装置及计算机设备，提高血氧饱和度估计精度。
8.第一方面，本发明实施例提供了一种基于机器学习的非接触式人体血氧饱和度检测方法，包括：
9.获取目标人体的图像信息；
10.从所述图像信息中确定面部感兴趣区域roi区域；
11.将所述面部roi区域划分为多个子roi；
12.对所述子roi进行质量评价，将信噪比低的子roi剔除，对保留的roi信号进行加权平均；
13.在使用红色、绿色或者蓝色中任意两个波段ratio of ratio结果作为输入参数的基础上，增加roi内红色、绿色和蓝色通道灰度值作为血氧饱和度的输入参数，使用多参数进行机器学习训练得到血氧饱和度的估计值。
14.作为一种可选的方案，所述对所述子roi进行质量评价，将信噪比低的子roi剔除，对保留的roi信号进行加权平均，包括：
15.提取每个所述子roi的ppg信号，进行滤波后进行快速傅里叶fft 变换，在频域内对各个所述子roi进行质量评价，质量评价公式如下式所示：
[0016][0017]
式中，metrici为每个子roi的评价系数，[pr-b,pr b]为心跳频率附近的微小频率范围，[b1,b2]为带通滤光范围；
[0018]
确定出每个所述子roi的评价系数，将评价系数低于预设阈值的子roi剔除，保留下来的所有子roi建立roi子集。
[0019]
作为一种可选的方案，所述对保留的roi信号进行加权平均，包括：
[0020]
对roi子集进行加权平均得到用于进行血氧计算的ppg信号，令 roi子集为[roi1,roi2,...,roim]，对应的ppg信号和评价系数分别为 [ppg1,ppg2,...,ppgm]，[metric1,metric2,...,metricm]，其中，m为子roi 的数量，加权平均过程如下式所示：
[0021]
ppg
calc
＝metric1·
ppg1 metric2·
ppg2
…
metricm·
ppgmꢀꢀꢀ
(2)。
[0022]
作为一种可选的方案，所述在使用红色、绿色或者蓝色中任意两个波段ratio of ratio结果作为输入参数的基础上，增加roi内红色、绿色和蓝色通道灰度值作为血氧饱和度的输入参数，使用多参数进行机器学习训练得到血氧饱和度的估计值，包括：
[0023]
计算ratio of ratio结果，分别提取ppg
calc
的红色和绿色波段的时间序列，分别计算两个波段的交流信号ac和直流信号dc，得到ratio of ratio结果如公式(3)所示；
[0024][0025]
式中，ac
calc_red
和dc
calc_red
是红色通道roi
calc
区域平均值随着时间变化的交流分量和直流分量，ac
calc_green
和dc
calc_green
是绿色通道roi
calc
区域平均值随着时间变化的交流分量和直流分量；
[0026]
提取roi
calc
区域内加权平均ppg
calc
信号的red、green和blue三个通道的灰度值平均值gray
red
、gray
green
和gray
blue
，作为血氧饱和度计算的输入参量；
[0027]
以4个参量ratio of ratio结果、gray
red
、gray
green
和gray
blue
作为输入参量，通过机器学习算法，对一定量的样本进行训练，得到最终血氧饱和度的估计值。
[0028]
第二方面，本发明实施例提供了一种基于机器学习的非接触式人体血氧饱和度检测装置，包括：
[0029]
获取模块，用于获取目标人体的图像信息；
[0030]
确定模块，用于从所述图像信息中确定面部感兴趣区域roi区域；
[0031]
划分模块，用于将所述面部roi区域划分为多个子roi；
[0032]
评价模块，用于对所述子roi进行质量评价，将信噪比低的子 roi剔除，对保留的
roi信号进行加权平均；
[0033]
训练模块，用于在使用红色、绿色或者蓝色中任意两个波段ratioof ratio结果作为输入参数的基础上，增加roi内红色、绿色和蓝色通道灰度值作为血氧饱和度的输入参数，使用多参数进行机器学习训练得到血氧饱和度的估计值。
[0034]
作为一种可选的方案，所述评价模块具体用于：
[0035]
提取每个所述子roi的ppg信号，进行滤波后进行快速傅里叶fft 变换，在频域内对各个所述子roi进行质量评价，质量评价公式如下式所示：
[0036][0037]
式中，metrici为每个子roi的评价系数，[pr-b,pr b]为心跳频率附近的微小频率范围，[b1,b2]为带通滤光范围；
[0038]
确定出每个所述子roi的评价系数，将评价系数低于预设阈值的子 roi剔除，保留下来的所有子roi建立roi子集。
[0039]
作为一种可选的方案，所述评价模块具体用于：
[0040]
对roi子集进行加权平均得到用于进行血氧计算的ppg信号，令 roi子集为[roi1,roi2,...,roim]，对应的ppg信号和评价系数分别为 [ppg1,ppg2,...,ppgm]，[metric1,metric2,...,metricm]，其中，m为子roi 的数量，加权平均过程如下式所示：
[0041]
ppg
calc
＝metric1·
ppg1 metric2·
ppg2
…
metricm·
ppgmꢀꢀꢀꢀꢀꢀꢀ
(2)。
[0042][0043]
作为一种可选的方案，所述训练模块具体用于：
[0044]
计算ratio of ratio结果，分别提取ppg
calc
的红色和绿色波段的时间序列，分别计算两个波段的交流信号ac和直流信号dc，得到ratio of ratio结果如公式(3)所示；
[0045][0046]
式中，ac
calc_red
和dc
calc_red
是红色通道roi
calc
区域平均值随着时间变化的交流分量和直流分量，ac
calc_green
和dc
calc_green
是绿色通道roi
calc
区域平均值随着时间变化的交流分量和直流分量；
[0047]
提取roi
calc
区域内加权平均ppg
calc
信号的red、green和blue三个通道的灰度值平均值gray
red
、gray
green
和gray
blue
，作为血氧饱和度计算的输入参量；
[0048]
以4个参量ratio of ratio结果、gray
red
、gray
green
和gray
blue
作为输入参量，通过机器学习算法，对一定量的样本进行训练，得到最终血氧饱和度的估计值。
[0049]
第三方面，本发明实施例提供了一种计算机设备，包括：
[0050]
至少一个处理器；以及
[0051]
与所述至少一个处理器通信连接的存储器；其中，
[0052]
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的基于机器学习的非接触式人体血氧饱和度检测方法。
[0053]
第四方面，本发明实施例提供了一种存储有计算机指令的非瞬时计算机可读存储
介质，所述计算机指令用于使所述计算机执行上述的基于机器学习的非接触式人体血氧饱和度检测方法。
[0054]
本发明实施例中提供的基于机器学习的非接触式人体血氧饱和度检测方法、装置以及计算机设备，获取目标人体的图像信息，从图像信息中确定面部感兴趣区域roi区域，将面部roi区域划分为多个子roi，对面部子roi区域进行质量评价，将信噪比低的子roi 剔除，同时，对保留的roi信号进行加权平均，提高了血氧饱和度解算信号的信噪比。其次，除了传统算法使用的ratio of ratio参数，本发明还增加了red、green和blue三个通道的灰度值平均值作为输入参量一起进行机器学习训练，该方法除了考虑了皮肤对光的反射，同样考虑了光的散射对血氧饱和度估计的影响，提高了测量精度。
附图说明
[0055]
图1为本发明实施例中提供一种基于机器学习的非接触式人体血氧饱和度检测方法的流程图；
[0056]
图2为本发明实施例中提供另一种基于机器学习的非接触式人体血氧饱和度检测方法中的流程示意图；
[0057]
图3为本发明实施例中提供一种基于机器学习的非接触式人体血氧饱和度检测方法中roi分割效果的示意图；
[0058]
图4为本发明实施例中提供一种基于机器学习的非接触式人体血氧饱和度检测方法中roi质量评价过程的流程示意图；
[0059]
图5为本发明实施例中提供一种基于机器学习的非接触式人体血氧饱和度检测装置的结构框图；
[0060]
图6为本发明实施例中提供一种计算机设备的结构框图。
具体实施方式
[0061]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0062]
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0063]
结合图1所示，本发明实施例提供了一种基于机器学习的非接触式人体血氧饱和度检测方法，包括：
[0064]
s101、获取目标人体的图像信息，例如通过读入视频信号；
[0065]
s102、从所述图像信息中确定面部感兴趣区域roi区域，根据人脸识别算法识别的特征点，选择合适的面部roi区域；
[0066]
s103、将所述面部roi区域划分为多个子roi；
[0067]
s104、对所述子roi进行质量评价，将信噪比低的子roi剔除，对保留的roi信号进行加权平均；
[0068]
s105、在使用红色、绿色或者蓝色中任意两个波段ratio of ratio 结果作为输入参数的基础上，增加roi内红色、绿色和蓝色通道灰度值作为血氧饱和度的输入参数，使用多参数进行机器学习训练得到血氧饱和度的估计值。
[0069]
本发明实施例中提供的基于机器学习的非接触式人体血氧饱和度检测方法，获取目标人体的图像信息，从图像信息中确定面部感兴趣区域roi区域，将面部roi区域划分为多个子roi，对面部子roi 区域进行质量评价，将信噪比低的子roi剔除，同时，对保留的roi 信号进行加权平均，提高了血氧饱和度解算信号的信噪比。其次，除了传统算法使用的ratio of ratio参数，本发明还增加了red、green和 blue三个通道的灰度值平均值作为输入参量一起进行机器学习训练，该方法除了考虑了皮肤对光的反射，同样考虑了光的散射对血氧饱和度估计的影响，提高了测量精度。
[0070]
结合图2和图3所示，本发明实施例中提供的另一种基于机器学习的非接触式人体血氧饱和度检测方法，包括：
[0071]
获取目标人体的图像信息，从所述图像信息中确定面部感兴趣区域roi区域，将所述面部roi区域划分为多个子roi，如图2所示。
[0072]
提取每个子roi的ppg信号，进行滤波后进行快速傅里叶fft变换，在频域内对各个所述子roi进行质量评价，如图3所示，质量评价公式如下式所示：
[0073][0074]
式中，metrici为每个子roi的评价系数，[pr-b,pr b]为心跳频率附近的微小频率范围，[b1,b2]为带通滤光范围；
[0075]
确定出每个所述子roi的评价系数，将评价系数低于预设阈值的子roi剔除，保留下来的所有子roi建立roi子集。
[0076]
对roi子集进行加权平均得到用于进行血氧计算的ppg信号，令 roi子集为[roi1,roi2,...,roim]，对应的ppg信号和评价系数分别为 [ppg1,ppg2,...,ppgm]，[metric1,metric2,...,metricm]，其中，m为子roi 的数量，加权平均过程如下式所示：
[0077]
ppg
calc
＝metric1·
ppg1 metric2·
ppg2
…
metricm·
ppgmꢀꢀꢀ
(2)。
[0078]
计算ratio of ratio结果，分别提取ppg
calc
的红色和绿色波段的时间序列，分别计算两个波段的交流信号ac和直流信号dc，得到ratio of ratio结果如公式(3)所示；
[0079][0080]
式中，ac
calc_red
和dc
calc_red
是红色通道roi
calc
区域平均值随着时间变化的交流分量和直流分量，ac
calc_green
和dc
calc_green
是绿色通道roi
calc
区域平均值随着时间变化的交流分量和直流分量；
[0081]
提取roi
calc
区域内加权平均ppg
calc
信号的red、green和blue三个通道的灰度值平均值gray
red
、gray
green
和gray
blue
，作为血氧饱和度计算的输入参量；
[0082]
以4个参量ratio of ratio结果、gray
red
、gray
green
和gray
blue
作为输入参量，通过机器学习算法，对一定量的样本进行训练，得到最终血氧饱和度的估计值。
[0083]
结合图2和4所示，本发明实施例提供了一种基于机器学习的非接触式人体血氧饱和度检测方法，所述方法包括以下步骤：
[0084]
步骤1：读入视频信号，根据人脸识别算法识别的特征点，选择合适的面部roi区域；
[0085]
步骤2：将面部roi划分为n个子roi；
[0086]
步骤3：提取每个子roi的ppg信号，进行滤波后进行fft变换，在频域内对各个子roi进行质量评价，质量评价公式如下式所示：
[0087][0088]
式中，metrici为每个子roi的评价系数；[pr-b,pr b]为心跳频率附近的微小频率范围，[b1,b2]为带通滤光范围。
[0089]
计算出每个子roi的评价系数之后，将评价系数低于阈值的roi 剔除，保留下来的所有roi建立roi子集；
[0090]
步骤4：对roi子集进行加权平均得到用于后续血氧计算的ppg信号。假设roi子集为[roi1,roi2,...,roim]，对应的ppg信号和评价系数分别为[ppg1,ppg2,...,ppgm]，[metric1,metric2,...,metricm]，其中，m 为子roi的数量，加权平均过程如下式所示：
[0091]
ppg
calc
＝metric1·
ppg1 metric2·
ppg2
…
metricm·
ppgmꢀꢀꢀ
(2)
[0092]
步骤5：计算ratio of ratio信号。分别提取ppg
calc
的红色和绿色波段的时间序列，分别计算两个波段的交流信号(ac)和直流信号(dc)，就可以得到ratio of ratio结果如公式(3)所示；
[0093][0094]
式中，ac
calc_red
和dc
calc_red
是红色通道roi
calc
区域平均值随着时间变化的交流分量和直流分量，ac
calc_green
和dc
calc_green
是绿色通道roi
calc
区域平均值随着时间变化的交流分量和直流分量。
[0095]
步骤6：提取roi
calc
区域内加权平均ppg
calc
信号的red、green和 blue三个通道的灰度值平均值gray
red
、gray
green
和gray
blue
，作为后续计算的输入参量。
[0096]
步骤7：以步骤5和步骤6得到的4个参量ratio of ratio、gray
red
、 gray
green
和gray
blue
作为输入参量，通过机器学习算法，机器学习算法可以采用多元线性回归，对一定量的样本进行训练，以得到最终血氧饱和度的估计值。
[0097]
本发明实施例中提供的基于机器学习的非接触式人体血氧饱和度检测方法，获取目标人体的图像信息，从图像信息中确定面部感兴趣区域roi区域，将面部roi区域划分为多个子roi，对面部子roi 区域进行质量评价，将信噪比低的子roi剔除，同时，对保留的roi 信号进行加权平均，提高了血氧饱和度解算信号的信噪比。其次，除了传统算法使用的
ratio of ratio参数，本发明还增加了red、green和 blue三个通道的灰度值平均值作为输入参量一起进行机器学习训练，该方法除了考虑了皮肤对光的反射，同样考虑了光的散射对血氧饱和度估计的影响，提高了测量精度。
[0098]
结合图5，本发明实施例提供了一种基于机器学习的非接触式人体血氧饱和度检测装置，包括：
[0099]
获取模块501，用于获取目标人体的图像信息；
[0100]
确定模块502，用于从所述图像信息中确定面部感兴趣区域roi 区域；
[0101]
划分模块503，用于将所述面部roi区域划分为多个子roi；
[0102]
评价模块504，用于对所述子roi进行质量评价，将信噪比低的子roi剔除，对保留的roi信号进行加权平均；
[0103]
训练模块505，用于在使用红色、绿色或者蓝色中任意两个波段 ratio of ratio结果作为输入参数的基础上，增加roi内红色、绿色和蓝色通道灰度值作为血氧饱和度的输入参数，使用多参数进行机器学习训练得到血氧饱和度的估计值。
[0104]
所述评价模块404具体用于：
[0105]
提取每个所述子roi的ppg信号，进行滤波后进行快速傅里叶fft 变换，在频域内对各个所述子roi进行质量评价，质量评价公式如下式所示：
[0106][0107]
式中，metrici为每个子roi的评价系数，[pr-b,pr b]为心跳频率附近的微小频率范围，[b1,b2]为带通滤光范围；
[0108]
确定出每个所述子roi的评价系数，将评价系数低于预设阈值的子 roi剔除，保留下来的所有子roi建立roi子集。
[0109]
在一些可能的实施例中，所述对评价模块404具体用于：
[0110]
对roi子集进行加权平均得到用于进行血氧计算的ppg信号，令 roi子集为[roi1,roi2,...,roim]，对应的ppg信号和评价系数分别为 [ppg1,ppg2,...,ppgm]，[metric1,metric2,...,metricm]，其中，m为子roi 的数量，加权平均过程如下式所示：
[0111]
ppg
calc
＝metric1·
ppg1 metric2·
ppg2
…
metricm·
ppgmꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)。
[0112][0113]
在一些可能的实施例中，所述训练模块405具体用于：
[0114]
计算ratio of ratio结果，分别提取ppg
calc
的红色和绿色波段的时间序列，分别计算两个波段的交流信号ac和直流信号dc，得到ratio of ratio结果如公式(3)所示；
[0115][0116]
式中，ac
calc_red
和dc
calc_red
是红色通道roi
calc
区域平均值随着时间变化的交流分量和直流分量，ac
calc_green
和dc
calc_green
是绿色通道roi
calc
区域平均值随着时间变化的交流分量和直流分量；
[0117]
提取roi
calc
区域内加权平均ppg
calc
信号的red、green和blue三个通道的灰度值平均值gray
red
、gray
green
和gray
blue
，作为血氧饱和度计算的输入参量；
[0118]
以4个参量ratio of ratio结果、gray
red
、gray
green
和gray
blue
作为输入参量，通过机器学习算法，对一定量的样本进行训练，得到最终血氧饱和度的估计值。
[0119]
本发明实施例中提供的基于机器学习的非接触式人体血氧饱和度检测装置，获取目标人体的图像信息，从图像信息中确定面部感兴趣区域roi区域，将面部roi区域划分为多个子roi，对面部子roi 区域进行质量评价，将信噪比低的子roi剔除，同时，对保留的roi 信号进行加权平均，提高了血氧饱和度解算信号的信噪比。其次，除了传统算法使用的ratio of ratio参数，本发明还增加了red、green和 blue三个通道的灰度值平均值作为输入参量一起进行机器学习训练，该方法除了考虑了皮肤对光的反射，同样考虑了光的散射对血氧饱和度估计的影响，提高了测量精度。
[0120]
相应地，根据本发明的实施例，本发明还提供了一种计算机设备、一种可读存储介质和一种计算机程序产品。
[0121]
图6为本发明实施例中提供的一种计算机设备12的结构示意图。图6示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图6显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0122]
如图6所示，计算机设备12以通用计算设备的形式表现。计算机设备12旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0123]
计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28 和处理单元16)的总线18。
[0124]
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa 总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
[0125]
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0126]
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存存储器32。计算机设备12 可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom、dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
[0127]
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及
程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
[0128]
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan)，广域网 (wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid 系统、磁带驱动器以及数据备份存储系统等。
[0129]
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的基于机器学习的非接触式人体血氧饱和度检测方法。
[0130]
本发明实施例中还提供一种存储有计算机指令的非瞬时计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时本技术所有发明实施例提供的基于机器学习的非接触式人体血氧饱和度检测方法。
[0131]
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质的更具体的例子(非穷举的列表) 包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器 (eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0132]
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0133]
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(lan)或广域网(wan)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0134]
本发明实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序在
被处理器执行时实现根据上述的基于机器学习的非接触式人体血氧饱和度检测方法。
[0135]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明公开的技术方案所期望的结果，本文在此不进行限制。
[0136]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。