一种基于视频数据进行血压预测的系统

技术领域

本发明涉及信号处理技术领域，特别涉及一种基于视频数据进行血压预测的系统。

背景技术

光体积描计法，是借助光电手段在活体组织中检测血液容积变化的一种无创检测方法。心脏搏动会使得血管内单位面积的血流量形成周期性变化，与之对应的血液体积也相应发生变化，从而使得反映血液吸收光量的光体积描计信号也会发生周期性变化，常规光体积描计信号的周期性变化与心脏搏动、血压变化是密切相关的。对常规光体积描计信号进行心搏间期分析，可以获得心脏的心率数据；对常规光体积描计信号使用训练成熟的人工智能血压预测模型进行血压相关分析，可以获得血压的舒张压和收缩压数据。远程光体积描计信号，是皮肤对光吸收或反射产生的周期性信号。基于远程光体积描计信号进行心率计算和血压分析的方法与基于光体积描计信号的方法是一样的。但对常规光体积描计信号的采集，需要测试对象佩戴定制的采集装置(例如，指夹、耳夹等采集设备)，这既不便于测试对象对自身的即时检测，也不便于对测试对象进行持续监测。而要获得远程光体积描计信号，只需通过高清摄像头对皮肤表面进行拍摄，并对视频数据做进一步光通道数据转换即可。

发明内容

本发明的目的，就是针对现有技术的缺陷，本发明提供的一种基于视频数据进行血压预测的系统，包括第一设备与云服务器；使用该系统，无需佩戴任何特定的采集装置即可通过第一设备启动实时检测和持续监测，既能降低对测试对象进行血压实时检测和持续监测的实现难度，又可以丰富光体积描计法在监护领域的应用场景。

为实现上述目的，本发明提供了一种基于视频数据进行血压预测的系统，包括：第一设备和云服务器；

所述第一设备包括第一主控模块、第一摄像头、灯光模块、显示屏和第一通讯模块；

所述第一主控模块用于调用所述第一摄像头和所述灯光模块，对测试对象的表皮区域进行第一持续时间的拍摄处理，从而生成第一视频数据；

所述显示屏用于接收所述主控模块发送的所述第一视频数据，进行播放处理；

所述第一主控模块还用于根据光源信息，对所述第一视频数据进行光源通道数据提取处理，生成第一通道数据；然后对所述第一通道数据，进行远程光体积描计信号数据转换处理，生成第一信号数据；再根据显示时间长度将所述第一信号数据发送给所述显示屏进行信号波形显示处理；

所述第一主控模块还用于将所述第一信号数据、第一设备令牌信息、第一设备类型信息、所述测试对象的第一年龄信息、第一性别信息、第一身高信息和第一体重信息，根据第一协议封装成第一数据包，并利用所述第一通讯模块将所述第一数据包发送给所述云服务器；

所述云服务器包括第二主控模块、合法性校验模块、参数校验模块、数据预处理模块、人工智能血压预测模块和第二通讯模块；

所述第二主控模块用于将所述第一数据包按所述第一协议进行数据解析处理，得到第二信号数据、第二设备令牌信息、第二设备类型信息、第二年龄信息、第二性别信息、第二身高信息和第二体重信息；

所述合法性校验模块用于根据合法令牌列表，对所述第二设备令牌信息，进行合法性校验处理；

所述参数校验模块用于当所述合法性校验处理成功时，对所述第二信号数据、所述第二设备类型信息、所述第二年龄信息、所述第二性别信息、所述第二身高信息和所述第二体重信息，进行参数校验处理；

所述第二主控模块还用于当所述参数完整性校验处理成功时，根据所述第二信号数据，进行心率计算处理，生成心率数据；

所述数据预处理模块用于根据预测模型标识信息，对所述第二信号数据、所述第二年龄信息、所述第二性别信息、所述第二身高信息和所述第二体重信息，进行血压预测模型输入数据准备处理，生成模型输入数据；

所述人工智能血压预测模块用于根据所述预测模型标识信息，对所述模型输入数据，进行血压预测运算处理，生成舒张压数据和收缩压数据；

所述第二主控模块还用于设置状态码数据为正常状态码信息，然后根据所述心率数据、所述舒张压数据和所述收缩压数据组成返回数据，再将所述返回数据和所述状态码数据，根据所述第一协议封装成第二数据包，并利用所述第二通讯模块将所述第二数据包发送给所述第一设备；

所述第一主控模块还用于将所述第二数据包按所述第一协议进行数据解析处理，得到所述返回数据和所述状态码数据；当所述状态码数据为所述正常状态码信息时、从所述返回数据中获取所述心率数据、所述舒张压数据和所述收缩压数据；再将所述心率数据、所述舒张压数据和所述收缩压数据发送给所述显示屏进行心率及血压数据显示处理。

优选的，

所述第一主控模块具体用于调用所述灯光模块对所述测试对象的表皮区域进行照射，并在所述第一摄像头的镜头覆盖了所述表皮区域之后，利用所述第一摄像头对所述表皮区域进行所述第一持续时间的拍摄处理，从而生成所述第一视频数据。

优选的，

所述第一主控模块具体用于当所述光源信息为红光时，对所述第一视频数据进行红光通道数据提取处理，生成所述第一通道数据；当所述光源信息为绿光时，对所述第一视频数据进行绿光通道数据提取处理，生成所述第一通道数据；当所述光源信息为红绿光时，对所述第一视频数据进行红光通道数据提取处理生成第一红光通道数据，对所述第一视频数据进行绿光通道数据提取处理生成第一绿光通道数据，并将所述第一红光通道数据和所述第一绿光通道数据封装成所述第一通道数据。

优选的，

所述第一主控模块具体用于当所述光源信息为所述红光时，对所述第一视频数据进行帧图像提取处理，得到多个第一帧图像数据；在每个第一帧图像数据中，对像素值满足红光像素阈值范围的第一红色像素点的数量进行统计，生成第一总数，并对所有所述第一红色像素点进行像素值总和计算，生成第一像素值总和，再将所述第一像素值总和与所述第一总数的比值，做为与所述每个第一帧图像数据对应的第一帧红光通道数据；然后对所有所述第一帧红光通道数据，按时间先后顺序排列，生成所述第一通道数据；

所述第一主控模块具体用于当所述光源信息为所述绿光时，对所述第一视频数据进行帧图像提取处理，得到多个第二帧图像数据；在每个第二帧图像数据中，对像素值满足绿光像素阈值范围的第一绿色像素点的数量进行统计，生成第二总数，并对所有所述第一绿色像素点进行像素值总和计算，生成第二像素值总和，再将所述第二像素值总和与所述第二总数的比值，做为与所述每个第二帧图像数据对应的第一帧绿光通道数据；然后对所有所述第一帧绿光通道数据，按时间先后顺序排列，生成所述第一通道数据；

所述第一主控模块具体用于当所述光源信息为所述红绿光时，对所述第一视频数据进行视频帧图像提取处理，得到多个第三帧图像数据；在每个第三帧图像数据中，对像素值满足所述红光像素阈值范围的第二红色像素点的数量进行统计，生成第三总数，并对所有所述第二红色像素点进行像素值总和计算，生成第三像素值总和，再将所述第三像素值总和与所述第三总数的比值，做为与所述每个第三帧图像数据对应的第二帧红光通道数据，然后对所有所述第二帧红光通道数据，按时间先后顺序排列，生成所述第一红光通道数据；并在所述每个第三帧图像数据中，对像素值满足所述绿光像素阈值范围的第二绿色像素点的数量进行统计，生成第四总数，并对所有所述第二绿色像素点进行像素值总和计算，生成第四像素值总和，再将所述第四像素值总和与所述第四总数的比值，做为与所述每个第三帧图像数据对应的第二帧绿光通道数据，然后对所有所述第二帧绿光通道数据，按时间先后顺序排列，生成所述第一绿光通道数据；再对所述第一红光通道数据和所述第一绿光通道数据，进行多通道数据封装处理，生成所述第一通道数据。

优选的，

所述第一主控模块具体用于当所述光源信息为所述红光时，对所述第一通道数据进行远程光体积描计信号带通滤波处理，生成第一红光滤波数据，再对所述第一红光滤波数据进行远程光体积描计信号降噪处理，生成第一红光信号数据；

所述第一主控模块具体用于当所述光源信息为所述绿光时，对所述第一通道数据进行远程光体积描计信号带通滤波处理，生成第一绿光滤波数据，再对所述第一绿光滤波数据进行远程光体积描计信号降噪处理，生成第一绿光信号数据；

所述第一主控模块具体用于当所述光源信息为所述红绿光时，对所述第一通道数据进行红光通道数据提取处理，生成第二红光通道数据；并对所述第一通道数据进行绿光通道数据提取处理，生成第二绿光通道数据；再对所述第二红光通道数据和所述第二绿光通道数据，分别进行远程光体积描计信号带通滤波处理，生成第二红光滤波数据和第二绿光滤波数据；然后对所述第二红光滤波数据和所述第二绿光滤波数据，分别进行远程光体积描计信号降噪处理，生成第二红光信号数据和第二绿光信号数据。

优选的，

所述第一主控模块具体用于当所述光源信息为所述红光时，从所述第一红光信号数据中，截取最新的、长度为所述显示时间长度的数据段，生成第一红光显示数据；再对所述第一红光显示数据，进行波形图像数据转换处理，生成第一红光波形图像数据；然后将所述第一红光波形图像数据发送给所述显示屏进行第一红光波形显示处理；

所述第一主控模块具体用于当所述光源信息为所述绿光时，从所述第一绿光信号数据中，截取最新的、长度为所述显示时间长度的数据段，生成第一绿光显示数据；再对所述第一绿光显示数据，进行波形图像数据转换处理，生成第一绿光波形图像数据；然后将所述第一绿光波形图像数据发送给所述显示屏进行第一绿光波形显示处理；

所述第一主控模块具体用于当所述光源信息为所述红绿光时，从所述第二红光信号数据中，截取最新的、长度为所述显示时间长度的数据段，生成第二红光显示数据，再对所述第二红光显示数据，进行波形图像数据转换处理，生成第二红光波形图像数据；从所述第二绿光信号数据中，截取最新的、长度为所述显示时间长度的数据段，生成第二绿光显示数据，再对所述第二绿光显示数据，进行波形图像数据转换处理，生成第二绿光波形图像数据；然后将所述第二红光波形图像数据发送给所述显示屏进行第二红光波形显示处理，将所述第二绿光波形图像数据发送给所述显示屏进行第二绿光波形显示处理。

优选的，

所述第一协议包括超文本传输协议HTTP和超文本传输安全协议HTTPS；

所述第二信号数据等于所述第一信号数据；所述第二设备令牌信息等于所述第一设备令牌信息；所述第二设备类型信息等于所述第一设备类型信息；所述第二年龄信息等于所述第一年龄信息；所述第二性别信息等于所述第一性别信息；所述第二身高信息等于所述第一身高信息；所述第二体重信息等于所述第一体重信息；

所述第一通讯模块具体用于通过移动通信网络、无线局域网络或有线局域网络接入互联网；

所述第二通讯模块具体用于通过移动通信网络、无线局域网络或有线局域网络接入互联网。

优选的，

所述合法性校验模块具体用于根据所述第二设备令牌信息，查询所述合法令牌列表，当所述第二设备令牌信息满足所述合法令牌列表时，所述合法性校验处理成功。

优选的，

所述参数校验模块具体用于检查所述第二信号数据、所述第二设备类型信息、所述第二年龄信息、所述第二性别信息、所述第二身高信息和所述第二体重信息是否全部不为空，当所述第二信号数据、所述第二设备类型信息、所述第二年龄信息、所述第二性别信息、所述第二身高信息和所述第二体重信息全部不为空时，所述参数校验处理成功。

优选的，

所述数据预处理模块包括多个子预处理模块；所述人工智能血压预测模块包括多个子血压预测模型；

所述数据预处理模块具体用于根据预测模型标识信息，选择对应的第一子预处理模块，对所述第二信号数据、所述第二年龄信息、所述第二性别信息、所述第二身高信息和所述第二体重信息，进行第一子血压预测模型输入数据准备处理，生成第一模型输入数据；

所述第一子预处理模块具体用于对所述第二信号数据进行消除基线漂移处理，生成第一过程信号数据，再对所述第一过程信号数据进行降噪处理，生成第二过程信号数据，然后对所述第二过程信号数据进行标准采样和归一化处理，生成标准信号数据；再按第一子血压预测模型的输入数据格式要求，将所述第二信号数据、所述第二年龄信息、所述第二性别信息、所述第二身高信息、所述第二体重信息和所述标准信号数据封装成所述第一模型输入数据；

所述人工智能血压预测模块具体用于根据所述预测模型标识信息，选择对应的第一子血压预测模型，对所述第一模型输入数据，进行第一血压预测运算处理，生成所述舒张压数据和所述收缩压数据。

本发明实施例提供的一种基于视频数据进行血压预测的系统，包括第一设备和云服务器。其中，第一设备使用第一摄像头对测试对象的表皮区域进行视频拍摄得到第一视频数据，再对第一视频数据进行远程光体积描计信号数据转换处理得到第一信号数据；云服务器则对第一信号数据进行心率分析得到心率数据，并使用人工智能血压预测模型，对结合了测试对象个性数据(年龄、性别、身高、体重等信息)和第一信号数据的模型输入数据，进行血压分析得到血压数据(收缩压、舒张压)；最后，云服务器将分析数据(心率数据、收缩压数据、舒张压数据)返回到第一设备进行显示。使用该系统，测试对象无需佩戴任何特定的采集装置，通过第一设备可随时启动对测试对象的实时检测或持续监测，降低了对测试对象进行血压实时检测或持续监测的难度，丰富了光体积描计法在监护领域的应用场景。

附图说明

图1为本发明实施例提供的一种基于视频数据进行血压预测的系统示意图；

图2为本发明实施例提供的拍摄方法示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，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它实施例，都属于本发明保护的范围。

本发明实施例提供的一种基于视频数据进行血压预测的系统，包括第一设备和云服务器；其中，第一设备包括第一主控模块、第一摄像头、显示屏和第一通讯模块；云服务器包括第二主控模块、合法性校验模块、参数校验模块、数据预处理模块、人工智能血压预测模块和第二通讯模块。

这里的第一设备，可以是能通过移动通信网络、局域网(有线或者无线接入方式)或广域网(有线或者无线接入方式)接入互联网的终端设备、电脑、笔记本、手机、平板电脑、移动终端或服务器等。这里的云服务器，可以是能通过移动通信网络、局域网(有线或者无线接入方式)或广域网(有线或者无线接入方式)接入互联网的终端设备、独立服务器、虚拟服务器或基于云架构的服务器。

在本发明实施例提供的一种基于视频数据进行血压预测的系统中，第一设备使用第一摄像头对测试对象的表皮区域进行视频拍摄得到第一视频数据，再对第一视频数据进行远程光体积描计信号数据转换处理得到第一信号数据；云服务器则对第一信号数据进行心率分析得到心率数据，并使用人工智能血压预测模型，对结合了测试对象个性数据(年龄、性别、身高、体重等信息)和第一信号数据的模型输入数据，进行血压分析得到血压数据(收缩压、舒张压)；最后，云服务器将分析数据(心率数据、收缩压数据、舒张压数据)返回到第一设备进行显示。

图1为本发明实施例提供的一种基于视频数据进行血压预测的系统示意图，如图1所示，本发明实施例提供的基于视频数据进行血压预测的系统包括：第一设备1和云服务器2。

第一设备1包括第一主控模块11、第一摄像头12、灯光模块13、显示屏14和第一通讯模块15。

例如，第一设备1具体为手机，则第一主控模块11为手机的控制单元，第一摄像头12为手机的主摄像头，灯光模块13为手机的闪光灯，显示屏14为手机的屏幕，第一通讯模块15为手机通讯单元。

第一主控模块11用于调用第一摄像头12和灯光模块13，对测试对象的表皮区域进行第一持续时间的拍摄处理，从而生成第一视频数据。

此处，表皮区域为预设的测试对象的皮肤区域，第一持续时间为预设的持续拍摄时间。

在本实施例提供的一个具体实现方式中，第一主控模块11具体用于调用灯光模块13对测试对象的表皮区域进行照射，并在第一摄像头12的镜头覆盖了表皮区域之后，利用第一摄像头12对表皮区域进行第一持续时间的拍摄处理，从而生成第一视频数据。

例如，表皮区域为指尖皮肤区域，第一持续时间为26秒，则如图2为本发明实施例提供的拍摄方法示意图所示，测试对象使用闪光灯对指尖皮肤进行照射，同时将主摄像头完全覆盖在指尖皮肤上，手机控制单元使用主摄像头对指尖皮肤进行拍摄得到的一条长度为26秒的第一视频数据。

显示屏14用于接收主控模块发送的第一视频数据，进行播放处理。

例如，在26秒的拍摄过程中，显示屏上会实时播放正在拍摄的第一视频数据。常规情况下，测试对象应将主摄像头近距离贴在指尖皮肤上，所以正在显示的第一视频画面应为全红。

第一主控模块11还用于根据光源信息，对第一视频数据进行光源通道数据提取处理，生成第一通道数据；然后对第一通道数据，进行远程光体积描计信号数据转换处理，生成第一信号数据；再根据显示时间长度将第一信号数据发送给显示屏14进行信号波形显示处理。

此处，光源信息包括红光、绿光和红绿光。

这里，采集常规光体积描计信号只能在红光或红外光源条件下采集；本发明实施例支持在普通光源环境(例如日光环境)下拍摄，不仅支持识别红光信号转换为远程光体积描计信号、识别绿光信号转换为远程光体积描计信号，还支持同时识别红绿光信号。

在本实施例提供的另一个具体实现方式中，第一主控模块11具体用于当光源信息为红光时，对第一视频数据进行红光通道数据提取处理，生成第一通道数据；当光源信息为绿光时，对第一视频数据进行绿光通道数据提取处理，生成第一通道数据；当光源信息为红绿光时，对第一视频数据进行红光通道数据提取处理生成第一红光通道数据，对第一视频数据进行绿光通道数据提取处理生成第一绿光通道数据，并将第一红光通道数据和第一绿光通道数据封装成第一通道数据。

此处，第一主控模块11具体用于当光源信息为红光时，对第一视频数据进行红光通道数据提取处理，生成第一通道数据，的具体实现方式为：

第一主控模块11具体用于当光源信息为红光时，对第一视频数据进行帧图像提取处理，得到多个第一帧图像数据；在每个第一帧图像数据中，对像素值满足红光像素阈值范围的第一红色像素点的数量进行统计，生成第一总数，并对所有第一红色像素点进行像素值总和计算，生成第一像素值总和，再将第一像素值总和与第一总数的比值，做为与每个第一帧图像数据对应的第一帧红光通道数据；然后对所有第一帧红光通道数据，按时间先后顺序排列，生成第一通道数据。

这里，每个第一帧图像都是一个二维位图，其内部由多个像素点组成，每个像素点有一个对应的像素值，第一帧图像数据就是第一帧图像内所有像素点的像素值集合；红光像素阈值范围是一个像素值范围，像素值符合该范围的像素点，被识别为红色像素点。

例如，1秒视频数据可以提取24张帧图像，从长度为26秒的第一视频数据中，可以提取26*24＝624个第一帧图像数据；第1个第一帧图像数据中，第一红色像素点的数量为第一总数N

此处，当光源信息为绿光时，对第一视频数据进行绿光通道数据提取处理，生成第一通道数据，的具体实现方式为：

第一主控模块11具体用于当光源信息为绿光时，对第一视频数据进行帧图像提取处理，得到多个第二帧图像数据；在每个第二帧图像数据中，对像素值满足绿光像素阈值范围的第一绿色像素点的数量进行统计，生成第二总数，并对所有第一绿色像素点进行像素值总和计算，生成第二像素值总和，再将第二像素值总和与第二总数的比值，做为与每个第二帧图像数据对应的第一帧绿光通道数据；然后对所有第一帧绿光通道数据，按时间先后顺序排列，生成第一通道数据。

这里，每个第二帧图像都是一个二维位图，其内部由多个像素点组成，每个像素点有一个对应的像素值，第二帧图像数据就是第二帧图像内所有像素点的像素值集合；绿光像素阈值范围是一个像素值范围，像素值符合该范围的像素点，被识别为绿色像素点。

例如，1秒视频数据可以提取24张帧图像，从长度为26秒的第一视频数据中，可以提取26*24＝624个第二帧图像数据；第1个第二帧图像数据中，第一绿色像素点的数量为第二总数N

此处，当光源信息为红绿光时，对第一视频数据进行红光通道数据提取处理生成第一红光通道数据，对第一视频数据进行绿光通道数据提取处理生成第一绿光通道数据，并将第一红光通道数据和第一绿光通道数据封装成第一通道数据，的具体实现方式为：

第一主控模块11具体用于当光源信息为红绿光时，对第一视频数据进行视频帧图像提取处理，得到多个第三帧图像数据；在每个第三帧图像数据中，对像素值满足红光像素阈值范围的第二红色像素点的数量进行统计，生成第三总数，并对所有第二红色像素点进行像素值总和计算，生成第三像素值总和，再将第三像素值总和与第三总数的比值，做为与每个第三帧图像数据对应的第二帧红光通道数据，然后对所有第二帧红光通道数据，按时间先后顺序排列，生成第一红光通道数据；并在每个第三帧图像数据中，对像素值满足绿光像素阈值范围的第二绿色像素点的数量进行统计，生成第四总数，并对所有第二绿色像素点进行像素值总和计算，生成第四像素值总和，再将第四像素值总和与第四总数的比值，做为与每个第三帧图像数据对应的第二帧绿光通道数据，然后对所有第二帧绿光通道数据，按时间先后顺序排列，生成第一绿光通道数据；再对第一红光通道数据和第一绿光通道数据，进行多通道数据封装处理，生成第一通道数据。

例如，1秒视频数据可以提取24张帧图像，从长度为26秒的第一视频数据中，可以提取26*24＝624个第三帧图像数据；第1个第三帧图像数据中，第二红色像素点的数量为第三总数N'

在本实施例提供的另一个具体实现方式中，第一主控模块11具体用于当光源信息为红光时，对第一通道数据进行远程光体积描计信号带通滤波处理，生成第一红光滤波数据，再对第一红光滤波数据进行远程光体积描计信号降噪处理，生成第一红光信号数据。

例如，光源信息为红色，第一通道数据由红光通道数据组成，手机的控制单元预置了一个远程光体积描计信号带通滤波频率阈值范围，则控制单元将第一通道数据视作一段信号数据，并计算第一通道数据中各信号数据点的信号频率，再基于带通滤波原理，将第一通道数据中信号频率低于或高于该频率阈值范围的信号数据对应的红光通道数据删除，得到第一红光滤波数据；这里，带通滤波频率阈值范围常见的为0.5赫兹到10赫兹；在某些手机上进行带通滤波处理时，考虑到手机的处理能力有限，这里使用有限长单位冲激响应((Finite Impulse Response，FIR)滤波模块也可以；再对第一红光滤波数据进行远程光体积描计信号降噪处理的过程与带通滤波处理过程近似，可视为二次滤波。最终得到具体为第一红光信号数据的第一信号数据。

在本实施例提供的另一个具体实现方式中，第一主控模块11具体用于当光源信息为绿光时，对第一通道数据进行远程光体积描计信号带通滤波处理，生成第一绿光滤波数据，再对第一绿光滤波数据进行远程光体积描计信号降噪处理，生成第一绿光信号数据。

例如，光源信息为绿色，第一通道数据由绿光通道数据组成，手机的控制单元将第一通道数据视作一段信号数据，并计算第一通道数据中各信号数据点的信号频率，再基于带通滤波原理，将第一通道数据中信号频率低于或高于远程光体积描计信号带通滤波频率阈值范围的信号数据对应的绿光通道数据删除，得到第一绿光滤波数据的；再对第一红光滤波数据进行远程光体积描计信号降噪处理，最终得到具体为第一绿光信号数据的第一信号数据。

在本实施例提供的另一个具体实现方式中，第一主控模块11具体用于当光源信息为红绿光时，对第一通道数据进行红光通道数据提取处理，生成第二红光通道数据；并对第一通道数据进行绿光通道数据提取处理，生成第二绿光通道数据；再对第二红光通道数据和第二绿光通道数据，分别进行远程光体积描计信号带通滤波处理，生成第二红光滤波数据和第二绿光滤波数据；然后对第二红光滤波数据和第二绿光滤波数据，分别进行远程光体积描计信号降噪处理，生成第二红光信号数据和第二绿光信号数据。

例如，光源信息为绿色，第一通道数据由红光通道数据与绿光通道数据组成，手机的控制单元如前文所述，分别对红光通道数进行滤波、降噪处理得到第二红光信号数据和第二绿光信号数据，最终得到的第一信号数据具体由第二红光信号数据和第二绿光信号数据组成。

在本实施例提供的另一个具体实现方式中，第一主控模块11具体用于当光源信息为红光时，从第一红光信号数据中，截取最新的、长度为显示时间长度的数据段，生成第一红光显示数据；再对第一红光显示数据，进行波形图像数据转换处理，生成第一红光波形图像数据；然后将第一红光波形图像数据发送给显示屏14进行第一红光波形显示处理。

此处，显示时间长度为用于显示的最新波形的时长。

例如，显示时间长度为1秒，光源信息为红色，第一信号数据为第一红光信号数据，则手机的控制单元会从第一红光信号数据中截取最近一段时长为1秒的信号数据作为第一红光显示数据，对应的第一红光波形图像数据为一个1秒长度的显示波形，该波形会由手机的屏幕进行显示，这里可以在显示的时候将波形颜色设定为红色。

在本实施例提供的另一个具体实现方式中，第一主控模块11具体用于当光源信息为绿光时，从第一绿光信号数据中，截取最新的、长度为显示时间长度的数据段，生成第一绿光显示数据；再对第一绿光显示数据，进行波形图像数据转换处理，生成第一绿光波形图像数据；然后将第一绿光波形图像数据发送给显示屏14进行第一绿光波形显示处理。

例如，显示时间长度为1秒，光源信息为绿色，第一信号数据为第一绿光信号数据，则手机的控制单元会从第一绿光信号数据中截取最近一段时长为1秒的信号数据作为第一绿光显示数据，对应的第一绿光波形图像数据为一个1秒长度的显示波形，该波形会由手机的屏幕进行显示，这里可以在显示的时候将波形颜色设定为绿色。

在本实施例提供的另一个具体实现方式中，第一主控模块11具体用于当光源信息为红绿光时，从第二红光信号数据中，截取最新的、长度为显示时间长度的数据段，生成第二红光显示数据，再对第二红光显示数据，进行波形图像数据转换处理，生成第二红光波形图像数据；从第二绿光信号数据中，截取最新的、长度为显示时间长度的数据段，生成第二绿光显示数据，再对第二绿光显示数据，进行波形图像数据转换处理，生成第二绿光波形图像数据；然后将第二红光波形图像数据发送给显示屏14进行第二红光波形显示处理，将第二绿光波形图像数据发送给显示屏14进行第二绿光波形显示处理。

例如，显示时间长度为1秒，光源信息为绿色，第一信号数据包括了第二红光信号数据和第二绿光信号数据，则手机的控制单元会分别从第二红光信号数据和第二绿光信号数据中，各截取最近一段时长为1秒的信号数据作为第二红光显示数据和第二绿光显示数据，对应的，第二红光显示数据和第二绿光显示数据各自为一个1秒长度的显示波形，这两个波形会由手机的屏幕进行显示，为方便区分，这里可以在显示的时候，将第二红光显示数据的显示波形设定为红色，将第二绿光显示数据的显示波形设定为绿色。

第一主控模块11还用于将第一信号数据、第一设备令牌信息、第一设备类型信息、测试对象的第一年龄信息、第一性别信息、第一身高信息和第一体重信息，根据第一协议封装成第一数据包，并利用第一通讯模块15将第一数据包发送给云服务器2。

此处，第一设备令牌信息为对第一设备分配的合法设备令牌信息，第一设备类型信息为第一设备的具体设备类型信息，第一年龄信息、第一性别信息、第一身高信息和第一体重信息分别为测试对象的年龄、性别、身高和体重信息，第一协议为超文本传输协议(Hyper Text Transfer Protocol，HTTP)或超文本传输安全协议(Hyper Text TransferProtocol over Secure Socket Layer，HTTPS)。

此处，第一通讯模块15具体用于通过移动通信网络、无线局域网络或有线局域网络接入互联网。

云服务器2包括第二主控模块21、合法性校验模块22、参数校验模块23、数据预处理模块24、人工智能血压预测模块25和第二通讯模块26。

例如，云服务器2具体为采用.NET内核叠加Tensorflow框架的云平台，则第二主控模块21为云平台的管理单元，合法性校验模块22为云平台的第一业务处理单元，参数校验模块23为云平台的第二业务处理单元，数据预处理模块24为云平台的数据处理单元，人工智能血压预测模块25为云平台的计算单元，第二通讯模块26具体为云平台的服务器通讯处理单元。

这里，.NET内核是一个通用的开放源代码开发平台，它由微软公司开发并提供，可以适配多种不同架构的处理器(诸如，美国英特尔公司x86与x64架构、英国ARM公司的ARM32与ARM64架构)，可以适配多种操作系统(诸如，视窗操作系统Windows、苹果电脑操作系统macOS和用户网络操作系统Linux)；TensorFlow是一个开源的人工智能模型学习框架，它由谷歌公司开发并提供，在图形分类、音频处理、推荐系统和自然语言处理等场景下有着丰富的应用，是目前主流的人工智能模型学习框架。

第二主控模块21用于将第一数据包按第一协议进行数据解析处理，得到第二信号数据、第二设备令牌信息、第二设备类型信息、第二年龄信息、第二性别信息、第二身高信息和第二体重信息。

此处，第二信号数据等于第一信号数据；第二设备令牌信息等于第一设备令牌信息；第二设备类型信息等于第一设备类型信息；第二年龄信息等于第一年龄信息；第二性别信息等于第一性别信息；第二身高信息等于第一身高信息；第二体重信息等于第一体重信息。

合法性校验模块22用于根据合法令牌列表，对第二设备令牌信息，进行合法性校验处理。

此处，合法令牌列表为一个存储了所有合法设备令牌信息的向量表。

在本实施例提供的另一个具体实现方式中，合法性校验模块22具体用于根据第二设备令牌信息，查询合法令牌列表，当第二设备令牌信息满足合法令牌列表时，合法性校验处理成功。

例如，第一业务处理单元从数据库中获得合法令牌列表，再对合法令牌列表中的所有合法设备令牌信息进行轮询，当发现第二设备令牌信息存在于合法令牌列表中时，合法性校验处理成功。

参数校验模块23用于当合法性校验处理成功时，对第二信号数据、第二设备类型信息、第二年龄信息、第二性别信息、第二身高信息和第二体重信息，进行参数校验处理。

在本实施例提供的另一个具体实现方式中，参数校验模块23具体用于检查第二信号数据、第二设备类型信息、第二年龄信息、第二性别信息、第二身高信息和第二体重信息是否全部不为空，当第二信号数据、第二设备类型信息、第二年龄信息、第二性别信息、第二身高信息和第二体重信息全部不为空时，参数校验处理成功。

例如，第二业务处理单元在检查到第二信号数据、第二设备类型信息、第二年龄信息、第二性别信息、第二身高信息和第二体重信息是否全部不为空，当第二信号数据、第二设备类型信息、第二年龄信息、第二性别信息、第二身高信息和第二体重信息等均不为空时，参数完整性校验处理成功。

第二主控模块21还用于当参数完整性校验处理成功时，根据第二信号数据，进行心率计算处理，生成心率数据。

例如，第二信号数据为长度为26秒的信号数据，管理单元将第二信号数据视为连续波形数据，依次提取该连续波形数据的波峰值的时间点作为信号时间点，将相邻信号时间点间的数据段作为间期数据段，统计26秒内的间期数据段的总数n，最终得到心率数据＝n*60/26(次/秒)。

数据预处理模块24用于根据预测模型标识信息，对第二信号数据、第二年龄信息、第二性别信息、第二身高信息和第二体重信息，进行血压预测模型输入数据准备处理，生成模型输入数据。

此处，预测模型标识信息至少包括第一卷积神经网络模型标识和第二卷积神经网络模型标识；数据预处理模块24包括多个子预处理模块。

在本实施例提供的另一个具体实现方式中，数据预处理模块24具体用于根据预测模型标识信息，选择对应的第一子预处理模块，对第二信号数据、第二年龄信息、第二性别信息、第二身高信息和第二体重信息，进行第一子血压预测模型输入数据准备处理，生成第一模型输入数据。

例如，预测模型标识信息为第一卷积神经网络模型标识，则数据处理单元选择具体为第一卷积神经网络模型预处理模块的第一子预处理模块，对第二信号数据、第二年龄信息、第二性别信息、第二身高信息和第二体重信息，进行第一卷积神经网络模型输入数据准备处理，生成具体为第一卷积神经网络模型输入数据的第一模型输入数据。

又例如，预测模型标识信息为第二卷积神经网络模型标识，则数据处理单元选择具体为第二卷积神经网络模型预处理模块的第一子预处理模块，对第二信号数据、第二年龄信息、第二性别信息、第二身高信息和第二体重信息，进行第二卷积神经网络模型输入数据准备处理，生成具体为第二卷积神经网络模型输入数据的第一模型输入数据。

在本实施例提供的另一个具体实现方式中，第一子预处理模块具体用于对第二信号数据进行消除基线漂移处理，生成第一过程信号数据，再对第一过程信号数据进行降噪处理，生成第二过程信号数据，然后对第二过程信号数据进行标准采样和归一化处理，生成标准信号数据；再按第一子血压预测模型的输入数据格式要求，将第二信号数据、第二年龄信息、第二性别信息、第二身高信息、第二体重信息和标准信号数据封装成第一模型输入数据。

此处，第一子预处理模块中，消除基线漂移处理可以采用多项拟合滤波、中值滤波、无限脉冲响应(Infinite Impulse Response，IIR)滤波、快速傅里叶变换(fastFourier transform，FFT)滤波或小波变换滤波等处理手段；降噪处理可以采用FFT滤波、带通滤波或带阻滤波等处理手段；归一化处理常见的是采用线性归一化方式；在做归一化处理之前需要对信号数据做一次标准采样，标准采样的采样频率与预处理子模块对应的血压预测模型的输入数据格式要求有关。

例如，预测模型标识信息为第一卷积神经网络模型标识，第一子预处理模块为第一卷积神经网络模型预处理模块，则第一子预处理模块采用多项拟合滤波、中值滤波、无限脉冲响应滤波、快速傅里叶变换滤波或小波变换滤波等处理手段对第二信号数据进行消除基线漂移处理生成第一过程信号数据；再采用快速傅里叶变换滤波、带通滤波或带阻滤波等处理手段对第一过程信号数据进行降噪处理生成第二过程信号数据；再采用与第一卷积神经网络模型对应的采样频率对第二过程信号数据进行标准采样，然后通过线性归一化方式对采样后数据进行归一化处理生成标准信号数据；最后按第一卷积神经网络模型的输入数据格式要求，将第二信号数据、第二年龄信息、第二性别信息、第二身高信息、第二体重信息和标准信号数据封装成具体为第一卷积神经网络模型输入数据的第一模型输入数据。

又例如，预测模型标识信息为第二卷积神经网络模型标识，第一子预处理模块为第二卷积神经网络模型预处理模块，则第一子预处理模块采用多项拟合滤波、中值滤波、无限脉冲响应滤波、快速傅里叶变换滤波或小波变换滤波等处理手段对第二信号数据进行消除基线漂移处理生成第一过程信号数据；再采用快速傅里叶变换滤波、带通滤波或带阻滤波等处理手段对第一过程信号数据进行降噪处理生成第二过程信号数据；再采用与第二卷积神经网络模型对应的采样频率对第二过程信号数据进行标准采样，然后通过线性归一化方式对采样后数据进行归一化处理生成标准信号数据；最后按第二卷积神经网络模型的输入数据格式要求，将第二信号数据、第二年龄信息、第二性别信息、第二身高信息、第二体重信息和标准信号数据封装成具体为第二卷积神经网络模型输入数据的第一模型输入数据。

人工智能血压预测模块25用于根据预测模型标识信息，对模型输入数据，进行血压预测运算处理，生成舒张压数据和收缩压数据。

此处，人工智能血压预测模块25包括多个子血压预测模型。

这里，人工智能血压预测模块25至少提供2种血压预测模型：第一卷积神经网络模型和第二卷积神经网络模型：

(一)第一卷积神经网络模型：包括多层卷积神经网络层和全连接层，每层卷积神经网络层包括1层卷积层和1层池化层；卷积层负责对模型输入数据进行血压特征提取计算，池化层则是对卷积层的提取结果进行降采样，每一层卷积神经网络层的输出结果作为下一层卷积神经网络层的输入，最后的卷积神经网络层计算结果输入到全连接层进行回归计算，得到收缩压数据和舒张压数据；

(二)第二卷积神经网络模型：包括二维卷积层、最大池化层、批量均一化层、激活层、相加层、全局平均池化层、随机丢弃层和全连接层，二维卷积层可以包含多个子卷积层，负责对模型输入数据进行多次卷积计算，二维卷积层输出的卷积结果包含多个一维向量，最大池化层在每个一维向量里以取最大值的方式对卷积结果进行采样起到降低数据量的作用，批量均一化层是对由最大池化层的输出结果进行数据均一化处理，激活层采用非线性激活函数对批量均一化层的输出结果进行神经网络连接，相加层对激活层输出结果进行加权相加计算，全局平均池化层对相加层输出结果进行全数据加权平均计算，随机丢弃层按随机性将全局平均池化层的输出结果进行裁剪，最终使用全连接层对裁剪后的随机丢弃层输出结果进行二分类回归计算输出舒张压数据和收缩压数据。

在本实施例提供的另一个具体实现方式中，人工智能血压预测模块25具体用于根据预测模型标识信息，选择对应的第一子血压预测模型，对第一模型输入数据，进行第一血压预测运算处理，生成舒张压数据和收缩压数据。

例如，预测模型标识信息为第一卷积神经网络模型标识，第一模型输入数据为第一卷积神经网络模型输入数据，计算单元选择具体为第一卷积神经网络模型的第一子血压预测模型，对第一卷积神经网络模型输入数据，进行第一卷积神经网络血压预测运算处理，生成舒张压数据和收缩压数据。

又例如，预测模型标识信息为第二卷积神经网络模型标识，第一模型输入数据为第二卷积神经网络模型输入数据，计算单元选择具体为第二卷积神经网络模型的第一子血压预测模型，对第二卷积神经网络模型输入数据，进行第二卷积神经网络血压预测运算处理，生成舒张压数据和收缩压数据。

第二主控模块21还用于设置状态码数据为正常状态码信息，然后根据心率数据、舒张压数据和收缩压数据组成返回数据，再将返回数据和状态码数据，根据第一协议封装成第二数据包，并利用第二通讯模块26将第二数据包发送给第一设备。

在本实施例提供的另一个具体实现方式中，第二通讯模块26具体用于通过移动通信网络、无线局域网络或有线局域网络接入互联网。

例如，心率数据为76次/分，舒张压数据为85毫米汞柱，收缩压数据为112毫米汞柱，则云平台的管理单元将状态码数据设置为正常状态码信息，设置返回数据由心率数据+舒张压数据+收缩压数据组成，并按HTTP或HTTPS数据打包格式对返回数据和状态码数据进行打包，生成第二数据包；并利用云平台的通讯处理单元向手机发送第二数据包。

第一主控模块11还用于将第二数据包按第一协议进行数据解析处理，得到返回数据和状态码数据；当状态码数据为正常状态码信息时、从返回数据中获取心率数据、舒张压数据和收缩压数据；再将心率数据、舒张压数据和收缩压数据发送给显示屏14进行心率及血压数据显示处理。

例如，手机的控制单元在解析完第二数据包之后，得到心率数据为76次/分，舒张压数据为85毫米汞柱，收缩压数据为112毫米汞柱；手机的屏幕在接收到控制单元发送的数据之后，对以下信息进行显示：“心率：76次/分”、“舒张压：85毫米汞柱”和“收缩压：112毫米汞柱”。

本发明实施例提供的一种基于视频数据进行血压预测的系统，包括第一设备和云服务器。其中，第一设备使用第一摄像头对测试对象的表皮区域进行视频拍摄得到第一视频数据，再对第一视频数据进行远程光体积描计信号数据转换处理得到第一信号数据；云服务器则对第一信号数据进行心率分析得到心率数据，并使用人工智能血压预测模型，对结合了测试对象个性数据(年龄、性别、身高、体重等信息)和第一信号数据的模型输入数据，进行血压分析得到血压数据(收缩压、舒张压)；最后，云服务器将分析数据(心率数据、收缩压数据、舒张压数据)返回到第一设备进行显示。使用该系统，测试对象无需佩戴任何特定的采集装置，通过第一设备可随时启动对测试对象的实时检测或持续监测，降低了对测试对象进行血压实时检测或持续监测的难度，丰富了光体积描计法在监护领域的应用场景。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。