买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉合肥工业大学申请的专利一种基于CardiA2Net的心率检测系统及方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118902424B 。

龙图腾网通过国家知识产权局官网在2025-09-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410600014.0，技术领域涉及：A61B5/024；该发明授权一种基于CardiA2Net的心率检测系统及方法是由孙晓;檀仁宇;董露露;崔丰麒设计研发完成，并于2024-05-15向国家知识产权局提交的专利申请。

本一种基于CardiA2Net的心率检测系统及方法在说明书摘要公布了：本发明涉及计算机视觉技术、rppg心率检测技术领域，具体是一种基于CardiA2Net心率检测方法，本发明采用CardiA2Net，将一个自注意力卷积混合网络ACmix网络与一个基于注意力的长短期记忆ALSTM网络相结合，从原始数据中进行增强的特征提取，并改善了带有集成注意机制的时间序列学习。同时本发明提出了一整套对于人脸视频数据集的预处理方法，有效减少人脸视频的噪声干扰，提高心率检测的准确性，本发明通过人脸视频分析计算出心率，同时针对视频中的噪声进行处理，有效降低非接触心率检测难度，提高非接触式心率检测的精确度。

本发明授权一种基于CardiA2Net的心率检测系统及方法在权利要求书中公布了：1.一种基于CardiA2Net的心率检测方法，其特征在于，通过ACMix网络和ALSTM网络对数据进行增强的特征提取和心率分析，具体按照如下步骤进行： （1）收集含有人脸的视频，并对视频进行预处理： （1.1）使用开源模型对数据集中人脸视频进行逐帧检测人脸的68个关键点； （1.2）根据步骤（1.1）所检测到的关键点，从视频的每一帧中裁剪出人脸区域，之后使用SkinSegmentationModel提取人脸中真正有意义的皮肤区域，并转换到YUV颜色空间； （1.3）对于步骤（1.2）所获得的皮肤区域裁剪出的ROI区域； （1.4）根据步骤（1.3）所获取的预定义的ROI将人脸图像划分为n个网格，然后对网格内的像素信号经过计算合并后得到PixelMap； （1.5）对PixelMap的所有时间序列应用一系列操作，得到STMap； （2）构建CardiA2Net神经网络，该神经网络是由自注意力卷积混合网络ACmix网络与一个基于注意力的长短期记忆ALSTM网络组成，其中： （2.1）将步骤（1）中所计算得到的STMap作为输入，通过ACMix网络进行特征提取，之后得出心率预测结果； （2.2）在步骤（2.1）的计算出预测心率的结果后，一个全连接层将ACMix的输出转换成符合后续ALSTM网络输入要求的形式； （2.3）根据步骤（2.2）所得到的符合要求的输入格式传给ALSTM网络，最后通过ALSTM网络从输入中学习并建模相邻心率测量之间的依赖关系，从而提高心率估计的准确性； 所述步骤（2.1）中，对将步骤（1）中所计算得到的STMap作为输入，首先通过ACMix网络进行特征处理，具体包括： （2.1.1）ACMix专门设计用来从STMap中提取复杂的特征表示，ACMix能够根据这些特征对每一帧心率进行独立预测的结果，ACMix利用多个并行的具有不同核大小的卷积路径，捕获STMap里包含的广泛的上下文信息，ACMix注意力模块对卷积分支和自注意分支分别得到的输出进行并行操作，分支中强度分别由标量控制，公式如下所示： （4） 其中，、分别为自注意力分支输出结果、卷积分支输出结果，为最终分支的输出结果， 逐帧心率预测阶段的相关公式： ACMix输出的结果表示为： （5） 其中，为ACmix网络处理STMap后的输出； 所述步骤（2.2）中，对在步骤（2.1）的特征提取后，一个全连接层将ACMix的输出转换成符合后续ALSTM网络输入要求的形式，具体包括： 全连接层的处理表示为： （6） 其中，W和b分别代表全连接层的权重和偏置，x是全连接层的输出； 所述步骤（2.3）中，对根据步骤（2.2）所得到的符合要求的输入格式传给ALSTM网络，最后通过ALSTM网络从输入中学习并建模相邻心率测量之间的依赖关系，从而提高心率估计的准确性，具体包括： （2.3.1）ALSTM模型内置了一个集成的注意机制，ALSTM的架构由序列层组成，首先通过一个全连接层和激活函数对输入维度进行对齐，然后是捕获数据中的依赖关系的LSTM层，倒数第二个阶段涉及到一个注意力驱动层对不同时间步的输出进行权重分配，然后是一个最后的线性输出层， ALSTM的相关公式： ALSTM的输出表示为： （7） 其中，为经过ALSTM处理后，再从全连接层输出x， 其中关键的注意力机制，其计算过程表示为以下公式： （8） 其中，为LSTM的隐状态，和是在训练期间要学习的投影参数，是注意力机制的加权隐藏向量，其中和是层的参数，且保证了注意力分数的和为1， 然后，经过注意力权重调节的LSTM输出表示为： （9） 其中是经过注意力权重调节后的LSTM输出，表示注意力机制计算得到的权重； 最终的输出是使用全连接层结合了LSTM的最后一个状态和注意力输出： （10） 其中是ALSTM最后的输出结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人合肥工业大学，其通讯地址为：230601 安徽省合肥市蜀山区丹霞路485号(合肥工业大学翡翠湖校区)；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。