基于主成分分析和重疊直方圖統(tǒng)計(jì)的視頻信號(hào)心率測(cè)量

趙彥濤 付美玲 王 斌 張旭光 李小俚

(燕山大學(xué)電氣工程學(xué)院，河北 秦皇島 066004)

基于主成分分析和重疊直方圖統(tǒng)計(jì)的視頻信號(hào)心率測(cè)量

趙彥濤*付美玲 王 斌 張旭光 李小俚

(燕山大學(xué)電氣工程學(xué)院，河北 秦皇島 066004)

光電容積脈搏波描記法(PPG)原理指出，特定波長(zhǎng)的光強(qiáng)度在血液容積作用下呈現(xiàn)周期性變化，因此人面部的膚色會(huì)隨著脈搏的波動(dòng)發(fā)生微小的變化。根據(jù)該原理，可以實(shí)現(xiàn)低成本、無接觸、無電極的舒適的心率測(cè)量，對(duì)于遠(yuǎn)程醫(yī)療監(jiān)控等領(lǐng)域有很大的意義。使用普通攝像頭采集人臉視頻，通過主成分分析(PCA)對(duì)人臉的3個(gè)區(qū)域的綠色分量的均值提取主成分信號(hào)，消除部分外界噪聲的干擾；提取的主成分信號(hào)經(jīng)平滑處理后，進(jìn)行去趨勢(shì)化處理，然后經(jīng)過所提出的波峰檢測(cè)方法，提取其波峰，減少波峰的漏檢或多檢；此外，采用重疊直方圖統(tǒng)計(jì)的方法，計(jì)算心率信號(hào)的波峰間隔。在實(shí)驗(yàn)中，采用康泰CMS-50D指夾式脈搏血氧儀(測(cè)量樣本數(shù)174個(gè))和美國BIOPAC公司MP150多導(dǎo)生理記錄儀記錄的ECG(樣本數(shù)110個(gè))，分別與所提取結(jié)果通過Bland- Altman分析方法進(jìn)行對(duì)比。該方法與指夾式脈搏血氧儀測(cè)量結(jié)果的對(duì)比實(shí)驗(yàn)表明：疊加直方圖統(tǒng)計(jì)方法的引入，使一致性評(píng)估評(píng)估的標(biāo)準(zhǔn)差由12.4 次/min減小到8.0 次/min左右，提高約1/3；與ECG的一致性評(píng)估的結(jié)果均值為1.8次/min，標(biāo)準(zhǔn)差為3.2 次/min，兩者均較小，說明兩者結(jié)果具有很好的一致性。

主成分分析(PCA)；重疊直方圖統(tǒng)計(jì)；心率；視頻；Bland-Altman

引言

心率指心臟每分鐘搏動(dòng)的次數(shù), 能夠反映心臟的工作狀態(tài), 是人體重要的生理指標(biāo)[1]。正常成年人的心率一般在60～100次/min。在心血管監(jiān)測(cè)和慢性疾病的治療中，心血管功能規(guī)律性的測(cè)試和非接觸性評(píng)估是非常重要的。人在休息時(shí)的心率，作為最簡(jiǎn)單的心血管參數(shù)之一，與吸煙、血脂異?；蛘吒哐獕阂粯樱呀?jīng)被確定為一種獨(dú)立的危險(xiǎn)因素[2]。

目前，測(cè)量心率最準(zhǔn)確的方法有心電圖和脈搏血氧飽和度傳感器等。采用心電圖測(cè)心率要求被測(cè)試者佩帶胸帶或者在皮膚上粘貼電極，這樣很容易刺激患者皮膚或引起患者的不適。夾在被測(cè)試者指尖或耳垂上的脈搏血氧飽和度傳感器也存在同樣的問題，并且如果長(zhǎng)時(shí)間測(cè)量，彈簧夾可能會(huì)使患者感到疼痛，影響測(cè)量結(jié)果。所以，實(shí)現(xiàn)遠(yuǎn)程的、無接觸的心率信號(hào)等生理信號(hào)的測(cè)量具有很廣闊的發(fā)展前景。此外，在新生兒重癥監(jiān)護(hù)、長(zhǎng)期癲癇檢測(cè)、燒傷或外傷患者檢測(cè)、睡眠研究以及其他情況下，對(duì)心臟速率進(jìn)行連續(xù)測(cè)量時(shí)，這種技術(shù)也可以避免被測(cè)試者與電纜以及其他雜亂東西的接觸，減少被測(cè)試者的不適[3]。

光電容積脈搏波描記法(Photoplethysmography, PPG)指出，皮膚內(nèi)的血液容積隨心臟跳動(dòng)對(duì)光強(qiáng)的吸收呈現(xiàn)搏動(dòng)性變化，文獻(xiàn)[4]已經(jīng)實(shí)現(xiàn)了對(duì)這種面部顏色微小變化的放大。文獻(xiàn)[5]最早提出了基于紅外的心率監(jiān)測(cè)方法，不久之后文獻(xiàn)[6-7]通過分析面部熱視頻證實(shí)了這一想法。近幾年來，利用光電容積脈搏波描記原理(PPG)、根據(jù)反射光或者折射光變化測(cè)量心臟脈搏信號(hào)的研究越來越多，這種方法具有無接觸、低成本的優(yōu)點(diǎn)，如文獻(xiàn)[8-12]的報(bào)道。PPG起初是基于紅光或紅外光的，文獻(xiàn)[10-11]已經(jīng)實(shí)現(xiàn)了普通環(huán)境光下的脈搏測(cè)量。但是，PPG對(duì)外界環(huán)境光的變化比較敏感，文獻(xiàn)[3]提出了一種基于盲源分離的脈搏信號(hào)提取方法，取視頻人臉區(qū)域RGB的3個(gè)通道中像素點(diǎn)的像素均值，得到3個(gè)隨時(shí)間變化的信號(hào)，這3個(gè)信號(hào)做盲源分離，得到包含脈搏信號(hào)的獨(dú)立成分。由于綠光/黃光對(duì)血液脈動(dòng)產(chǎn)生的變化最明顯[12-13]，因此紅光和藍(lán)光包含的脈搏信息比較少，而且采用獨(dú)立成分分析得到的信號(hào)排序是隨機(jī)的，不能確定哪個(gè)才是計(jì)算出的脈搏信號(hào)。文獻(xiàn)[14]提出了一種提取脈搏信號(hào)波峰之間的間隔IBI(interbeat interval)來求均值計(jì)算心率的方法，對(duì)所有IBI取均值提取心率，但由于干擾的存在，波峰的漏檢或多檢會(huì)產(chǎn)生錯(cuò)誤的IBI，這降低了心率測(cè)量的準(zhǔn)確度。

本研究提出了一種基于人臉3個(gè)區(qū)域綠色通道的主成分分析(principal component analysis, PCA)來提取脈搏信號(hào)的方法，可提取出更準(zhǔn)確的脈搏信號(hào)，也消除了噪聲的影響。在計(jì)算心率時(shí)，提出了重疊界限直方圖統(tǒng)計(jì)的方法，最大程度地利用了脈搏波峰的信息，提高了心率計(jì)算的準(zhǔn)確度。

1 材料和方法

1.1 脈搏波提取

采用普通攝像頭錄制包含人臉的視頻，首先視頻的每一幀定位出人臉的區(qū)域，對(duì)該區(qū)域進(jìn)行分割，確定出感興趣區(qū)域ROI(regions of interest)，計(jì)算每個(gè)區(qū)域中像素點(diǎn)綠色通道像素值的平均值，得到3個(gè)區(qū)域綠色通道隨時(shí)間變化的信號(hào)；然后采用PCA分離出主成分，對(duì)其進(jìn)行處理，得到脈搏信號(hào)，計(jì)算出每個(gè)波峰之間的間隔IBI (interbeat interval)，最后通過直方圖進(jìn)行統(tǒng)計(jì)，確定出心動(dòng)周期，從而計(jì)算出心率(heart rate，HR)(見圖1)。

圖1 視頻信號(hào)心率測(cè)量流程Fig.1 Video signal flow chart of heart rate measurement

1.1.1 人臉定位并分區(qū)

在人臉的鼻翼兩側(cè)，上唇向上的部分，由于分布有面動(dòng)脈，因此這部分的皮膚隨心率變化而呈現(xiàn)的光強(qiáng)變化更明顯。本研究采用Adaboost算法、Cascade結(jié)構(gòu)的方法檢測(cè)人臉[15]，采用KLT特征點(diǎn)跟蹤人臉區(qū)域，可精確實(shí)現(xiàn)人臉定位及跟蹤，提高人臉定位的抗干擾性。取人臉區(qū)域?qū)挼?0%，將包含鼻子、嘴和下巴的部分作為感興趣區(qū)域 (regions of interest, ROI)，把ROI分離成3個(gè)部分。計(jì)算視頻每一幀ROI區(qū)域的3個(gè)分區(qū)綠色通道(G通道)的所有像素值的平均值，形成3個(gè)隨時(shí)間變化的信號(hào)。

1.1.2 主成分分析

主成分分析(principal component analysis, PCA)將多個(gè)變量通過線性變換，選出較少個(gè)數(shù)的重要變量，它是一種多元統(tǒng)計(jì)分析方法，是一種常見的線性特征提取方法[16]。

本研究應(yīng)用PCA方法的目的主要是對(duì)數(shù)據(jù)進(jìn)行降維處理，將通過視頻計(jì)算得出的3個(gè)信號(hào)進(jìn)行PCA運(yùn)算，并提取其主成分信號(hào)，可以去除干擾，更好地提取脈搏信號(hào)，圖2為主成分分析示意圖(為了保護(hù)被試者的隱私，人臉圖像遮住了眼睛)。

圖2 主成分分析Fig.2 Principal Component Analysis

然后，對(duì)PCA得到主成分信號(hào)進(jìn)行平滑處理，消除噪聲的影響。但是，由于環(huán)境光等外界因素和系統(tǒng)誤差的影響，外部環(huán)境光可能會(huì)影響周期性信號(hào)的獲取。為了更好地提取波峰，對(duì)該信號(hào)進(jìn)行去趨勢(shì)化處理，采用Mika等提出的基于平滑先驗(yàn)方法[17]的去趨勢(shì)化方法。該方法認(rèn)為，原始心率信號(hào)是由周期性的心動(dòng)信號(hào)和低頻的非周期性的趨勢(shì)信號(hào)組成，所以能夠?qū)⒌皖l的非周期的趨勢(shì)信號(hào)濾除，有效地保留周期信號(hào)的部分。

1.2 心率計(jì)算

1.2.1 波峰檢測(cè)

雖然預(yù)處理后的信號(hào)包含較為明顯的心率信息，但如果直接進(jìn)行傳統(tǒng)峰值檢測(cè)，可能會(huì)造成波峰的多檢。如圖3(a)所示，1、4區(qū)域所顯示的波峰很顯然是噪聲影響所產(chǎn)生的，2、3區(qū)域所顯示的同一個(gè)波形檢測(cè)出多個(gè)波峰，這些都會(huì)影響到本研究后續(xù)的心搏間期的計(jì)算，所以要對(duì)這些波峰進(jìn)行檢驗(yàn)，設(shè)定條件去除無效波峰。波峰提取需要滿足3個(gè)條件。

(1)

(2)

圖3 波峰檢測(cè)。(a)直接檢測(cè)；(b)檢測(cè)方法Fig.3 Peak detection. (a) Direct detection; (b) Detect method

1.2.2 計(jì)算心率

在本文第1.2.1節(jié)中檢測(cè)出波峰，其對(duì)應(yīng)的值為p1,p2,…,pi(i=1,2,3,…,n；n為波峰的個(gè)數(shù))，它對(duì)應(yīng)在時(shí)間軸上的位置為t1,t2,…,ti(i=1,2,3,…,n)。由于心臟每收縮和舒張一次構(gòu)成一個(gè)心動(dòng)周期，所以對(duì)于脈搏波信號(hào)來說，兩個(gè)波峰之間的間隔即為一個(gè)心動(dòng)周期。取相鄰波峰之間時(shí)間的差值，即相鄰波峰之間相差的視頻幀數(shù)(i=1,2,3,…,n；j=1,2,3,…,n-1)，得到差值數(shù)組T=T1,T2,…,Tj(j=1,2,…,n-1)，稱T為心動(dòng)周期差值數(shù)組，有

(3)

采用波峰檢測(cè)方法雖然可以減少一些漏檢和多檢，但有時(shí)仍會(huì)出現(xiàn)漏檢或者多檢測(cè)出波峰的現(xiàn)象。為了解決這一問題，相隔波峰之間取一個(gè)間隔Tk(k=1,2,…,n)，并且將該間隔除以2，即Tk/2，也計(jì)入心動(dòng)周期差值數(shù)組，有

(4)

(5)

式中，fs為采樣頻率，F(xiàn)為每分鐘心跳次數(shù)，f為心動(dòng)間隔。

正常人的心率一般在40～140次/min，由式(4)計(jì)算出正常人的心動(dòng)周期差值數(shù)組中的數(shù)值應(yīng)該在13～45之間。對(duì)心動(dòng)周期差值數(shù)組進(jìn)行濾波，將不在該范圍的數(shù)值濾除。

通過上述方法計(jì)算出的心動(dòng)周期差值數(shù)組，由于干擾的存在，檢測(cè)出的心動(dòng)周期包含不良心動(dòng)數(shù)據(jù)。為了找到符合被測(cè)試者心率的心動(dòng)周期，對(duì)心動(dòng)周期差值數(shù)組進(jìn)行直方圖統(tǒng)計(jì)，將數(shù)據(jù)出現(xiàn)頻數(shù)最大的那個(gè)范圍內(nèi)的數(shù)作為心率計(jì)算的依據(jù)。

直方圖中分組的個(gè)數(shù)稱為組數(shù)，每一個(gè)組的兩個(gè)端點(diǎn)的差稱為組距，數(shù)據(jù)落在組中的數(shù)量稱為頻數(shù)。在本研究中，心動(dòng)周期的最小分辨率為1，如果組距太小，頻數(shù)太分散，組距取太大，對(duì)應(yīng)的心動(dòng)周期范圍增大，會(huì)影響結(jié)果，所以取組數(shù)在5～8之間、其對(duì)應(yīng)的組距在4～6之間的直方圖進(jìn)行統(tǒng)計(jì)。

在直接采用分組直方圖統(tǒng)計(jì)時(shí)，如果心動(dòng)周期出現(xiàn)在兩組交界處，心率計(jì)算的精度會(huì)大大降低。所以，筆者提出了一種重疊區(qū)域的直方圖統(tǒng)計(jì)方法，即采用固定組距，每次往后平移一個(gè)單位，然后進(jìn)行統(tǒng)計(jì)。以組距為6為例，對(duì)差值數(shù)組做直方圖統(tǒng)計(jì)，得到頻數(shù)如圖4所示，然后進(jìn)行組距為6的重疊直方圖統(tǒng)計(jì)，即對(duì)第1～6個(gè)的頻數(shù)求和、第2～7個(gè)的頻數(shù)求和，以此類推，得到頻數(shù)之和的最大值所對(duì)應(yīng)的6個(gè)數(shù)，根據(jù)其每個(gè)數(shù)對(duì)應(yīng)的頻數(shù)求加權(quán)平均值，就是心動(dòng)周期。

圖4 重疊區(qū)域的直方圖統(tǒng)計(jì)Fig.4 Histogram overlap region

得到心率周期后，根據(jù)下式就可以計(jì)算出心率，有

(6)

式中，HR為心率，F(xiàn)r為視頻的幀率，T為心動(dòng)周期。

用本方法所計(jì)算出的心率，就是每個(gè)視頻時(shí)間長(zhǎng)度內(nèi)的平均心率。

1.3 算法驗(yàn)證

心率測(cè)量采用普通攝像頭錄制視頻，大小為640像素×480像素,其中人臉?biāo)急壤恍∮谡麄€(gè)畫面的1/3,幀率為30 幀/s，計(jì)算視頻中300幀內(nèi)的平均心率。為了驗(yàn)證所提出的方法，采用了兩種實(shí)驗(yàn)對(duì)比方案：一是采用康泰CMS-50D指夾式脈搏血氧，(其測(cè)量精度為±2次/min)測(cè)量心率和本方法進(jìn)行對(duì)比，在該方案中，實(shí)驗(yàn)采集了174個(gè)視頻，其中包含了4名測(cè)試者(男女各2名)在一天不同時(shí)間、不同光照環(huán)境下采集的視頻，部分視頻中人臉有移動(dòng)；二是采用ECG心電測(cè)試儀記錄的心電數(shù)據(jù)與本方法進(jìn)行對(duì)比，采集了14名測(cè)試者在不同時(shí)間、不同光照條件下的共110個(gè)視頻，在視頻采集過程中計(jì)算采集時(shí)間內(nèi)ECG測(cè)量心率的平均值。兩種方案均采用Bland- Altman分析方法，對(duì)本方法和儀器測(cè)量的結(jié)果進(jìn)行一致性評(píng)估，Bland-Altman分析方法用來表示兩種測(cè)量方法之間的差異，橫軸為每個(gè)被觀察對(duì)象測(cè)量得到的均值，縱軸為兩種測(cè)量方法間的差異值。

2 結(jié)果

傳統(tǒng)的視頻提取心率的方法是采用人臉部分綠色通道的像素平均值提取心率信號(hào)，本研究把人臉分為3個(gè)區(qū)域后，采用PCA的方法提取心率信號(hào)。對(duì)比兩種方法提取的心率信號(hào)(見圖5)，采用的PCA方法提取出的主成分信號(hào)去除了大部分噪聲，包含更為明顯的脈搏信號(hào)。

圖5 PCA提取信號(hào)與文獻(xiàn)[3]所用綠色通道信號(hào)對(duì)比。(a)PCA提取信號(hào)； (b)綠色通道提取信號(hào)Fig.5 The comparison between signal extracted by PCA and the green channel in literature [3]. (a)Signal extracted by PCA; (b) Signal extracted by green channel

實(shí)驗(yàn)首先將采用PCA提取出的信號(hào)進(jìn)行去趨勢(shì)化處理。圖6為去趨勢(shì)化后的結(jié)果，其中(a)為PCA分解后得到的波形，(b)為去趨勢(shì)化后的波形，可見經(jīng)去趨勢(shì)化后得到的信號(hào)具有較明顯的周期性。

圖6 預(yù)處理。 (a)平滑后的曲線； (b)去趨勢(shì)化Fig.6 Signal Preprocessing. (a) Result by smoothing;(b) Graph after detrending fluctuation analysis

圖7 所提取的心率信號(hào)與ECG信號(hào)對(duì)比Fig.7 Comparison between the heartbeat signal extracted in this paper and ECG signals

此外，實(shí)驗(yàn)用去趨勢(shì)化后的信號(hào)與采用美國BIOPAC公司MP150多導(dǎo)生理記錄儀記錄的ECG (electrocardiogram，心電圖)信號(hào)進(jìn)行對(duì)比，如圖7所示。其中，細(xì)線為采用心電測(cè)試儀測(cè)得的心電信號(hào),粗線為本實(shí)驗(yàn)提取出的信號(hào)?？梢姡捎帽痉椒ㄌ崛〕龅男盘?hào)與心電信號(hào)在周期上具有較明顯的一致性，說明本方法提取出的信號(hào)可用來計(jì)算心率。

通過所提出的波峰檢測(cè)方法，對(duì)圖4(a)進(jìn)行波峰檢測(cè)，結(jié)果如圖8所示?？梢?，本方法可保留大部分的有效波峰，剔除無效波峰，達(dá)到了很好的波峰檢測(cè)的目的，為下一步計(jì)算波峰之間的間隔提供了便利。

圖8 波峰檢驗(yàn)結(jié)果Fig.8 Result of peak detection

圖9 本方法與CMS-50D測(cè)量結(jié)果Bland-Altman 統(tǒng)計(jì)圖。 (a)直方圖統(tǒng)計(jì)；(b)重疊直方圖組距為4； (c) 重疊直方圖組距為5； (d) 重疊直方圖組距為6Fig.9 Statistics of histogram of Bland-Altman between the results of the method in this paper and CMS-50D. (a)Histogram group at 4; (b) Histogram overlap region group at 4(c) Histogram overlap region group at 5; (d) Histogram overlap region group at 6

因?yàn)樵趯?shí)驗(yàn)1中，組距為5時(shí)測(cè)量的效果較好，因此在實(shí)驗(yàn)2中，組距選擇5，采用Bland-Altman分析方法對(duì)兩種測(cè)量結(jié)果進(jìn)行一致性評(píng)估，如圖10所示。兩種測(cè)量結(jié)果偏差的均值為1.818 5，標(biāo)準(zhǔn)差為3.183 2(見表2)，可見采用本方法和采用ECG心電測(cè)試儀測(cè)量，兩者測(cè)量結(jié)果的整體差異以及分散程度都較小，說明兩種方法具有很好的一致性。

表1 與CMS-50D測(cè)量Bland-Altman統(tǒng)計(jì)對(duì)比

Tab.1 Bland-Altman Histogram statistics between the presented method and CMS-50D method

直方圖統(tǒng)計(jì)方式均值d-(次/min)標(biāo)準(zhǔn)差SD(次/min)直方圖0.512.4重疊直方圖(組距=4)-1.48.9重疊直方圖(組距=5)-2.18.0重疊直方圖(組距=6)-2.97.0

圖10 本方法與ECG測(cè)量結(jié)果的Bland-Altman統(tǒng)計(jì)Fig.10 Statistics of histogram of Bland-Altman between the results of the method in this paper and ECG

Tab.2 Bland-Altman Histogram statistics between the presented method and CMS-50D method

均值標(biāo)準(zhǔn)差一致性評(píng)估1.81853.1832

通過測(cè)量結(jié)果和Bland-Altman一致性分析可以看出，所有的測(cè)量結(jié)果均在95%的置信區(qū)間內(nèi)，兩種測(cè)量結(jié)果偏差的均值比較接近于0，而且標(biāo)準(zhǔn)差的測(cè)量結(jié)果較為準(zhǔn)確，本方法和ECG測(cè)量結(jié)果的接近程度好于和指夾式脈搏血氧的接近程度。這可能是由于ECG測(cè)量結(jié)果為該段測(cè)量時(shí)間內(nèi)的平均值，本研究也是采用重疊直方圖統(tǒng)計(jì)計(jì)算在該段時(shí)間內(nèi)的測(cè)量結(jié)果，而采用CMS-50D測(cè)量時(shí)，讀取的是該段時(shí)間內(nèi)某一時(shí)刻的顯示值。

3 討論

在人臉的視頻圖像中，圖像中的綠色和紅色對(duì)血液脈動(dòng)產(chǎn)生的變化最明顯[12,14]，因此紅色和藍(lán)色分量包含的心率信息較少，在本課題實(shí)現(xiàn)過程中也說明了這一點(diǎn)，即圖像中綠色分量帶有更多的心率信息。文獻(xiàn)[3]通過對(duì)人臉圖像數(shù)據(jù)分別提取紅色、綠色、藍(lán)色分量，并進(jìn)行獨(dú)立向量分析，提取心率信號(hào)。本研究將人臉分為3個(gè)區(qū)域，并分別對(duì)該區(qū)域的綠色分量進(jìn)行主成分分析。采用獨(dú)立向量分析提取心率時(shí)，由于噪聲的存在，心率所在的獨(dú)立分量會(huì)改變，并且具有隨機(jī)性，需要首先確定采用哪個(gè)分量提取心率[3]，而采用主向量分析的方法直接從其主向量成分提取心率即可。此外，由于本課題中所提取的3個(gè)區(qū)域的綠色分量，其相對(duì)于紅、藍(lán)分量，帶有更強(qiáng)的心率信息，而通過主成分分析得到的主成分濾除了其他的噪聲，也能夠最大限度地保留心率周期信號(hào)。

文獻(xiàn)[14]對(duì)所有心率信號(hào)波峰間隔取均值提取心率，但由于干擾的存在，波峰的漏檢或多檢會(huì)產(chǎn)生錯(cuò)誤的波峰間隔，從而影響測(cè)量精度，但通過本研究提出的波峰檢測(cè)方法(見本文第1.2.1節(jié))，可減少波峰的漏檢及多檢，從而提高心率的測(cè)量精度。此外，由于噪聲的存在，波峰的提取仍不可避免地出現(xiàn)漏檢或多檢的問題，如果直接通過均值的方法提取心率，漏檢或多檢的波峰帶來的偏差會(huì)影響心率測(cè)量的精度。但是，由于錯(cuò)檢或多檢的波峰畢竟屬于少數(shù)，大部分提取的波峰是沒問題的，因此可通過統(tǒng)計(jì)大多數(shù)波峰，只從提取的正確波峰中提取心率，從而剔除漏檢或多檢波峰帶來的影響，提高測(cè)量精度。因此，采用直方圖疊加的統(tǒng)計(jì)方法來提取心率，實(shí)驗(yàn)結(jié)果也說明直方圖疊加的統(tǒng)計(jì)方法的引入，可以提高心率測(cè)量的精度；本方法與ECG的一致性評(píng)估結(jié)果的均值為1.81次/min，標(biāo)準(zhǔn)差為3.18次/min，兩者都較小，說明兩者結(jié)果具有很好的一致性。

在實(shí)驗(yàn)中，采用的攝像頭的采集幀率為30幀/s，計(jì)算心率采用的視頻長(zhǎng)度為300幀(10 s)，如果想提高測(cè)量精度，提高攝像頭的采集幀率是一種有效手段；但提高視頻幀率，待處理數(shù)據(jù)量急劇上升，在算法一定的情況下，會(huì)影響心率測(cè)量的實(shí)時(shí)性。另外，在心率穩(wěn)定的情況下，增加視頻幀長(zhǎng)度可提高心率的測(cè)量精度，但會(huì)降低心率測(cè)量的動(dòng)態(tài)特性。

本研究采取了平滑和去趨勢(shì)化來減少環(huán)境光的改變對(duì)測(cè)量結(jié)果的影響，但測(cè)量過程中環(huán)境光的改變?nèi)詴?huì)影響測(cè)量精度，應(yīng)用中可考慮采用特定光源作為環(huán)境光或者采用光源進(jìn)行光照補(bǔ)償來提高測(cè)量精度。此外，在實(shí)際應(yīng)用中，實(shí)時(shí)視頻采集的幀率可能會(huì)與攝像頭的幀率設(shè)置不同，會(huì)影響心率測(cè)量的精度，因此通過確定視頻采集時(shí)相鄰幀間確定的時(shí)間間隔，并用于心率計(jì)算，從而提高心率的測(cè)量精度。

4 結(jié)論

基于視頻信號(hào)的心率檢測(cè)方法，可以實(shí)現(xiàn)實(shí)時(shí)、無接觸、舒適的心率測(cè)量，可用于遠(yuǎn)程醫(yī)療以及睡眠監(jiān)控等領(lǐng)域。

本研究采用PCA，對(duì)人臉視頻中人臉3個(gè)區(qū)域綠色通道的均值隨時(shí)間變化的信號(hào)進(jìn)行處理，找出主成分信號(hào)，然后進(jìn)行去趨勢(shì)化處理、波峰檢測(cè)，最后采用重疊直方圖進(jìn)行統(tǒng)計(jì)，計(jì)算出心率。采用PCA的方法，提取人臉區(qū)域綠色通道隨心率變化的信息，去除外界噪聲的影響。此外，由于噪聲影響，去趨勢(shì)化后的信號(hào)波峰不一定是心率的波峰，直接檢測(cè)極值點(diǎn)可能會(huì)出現(xiàn)多檢或者漏檢的情況。本研究采用提出的波峰檢測(cè)方法，可去除距離較近的波峰引起的波峰多檢；采用直方圖統(tǒng)計(jì)的方法檢測(cè)心率，利用統(tǒng)計(jì)的信息，可有效地濾除與被測(cè)試者心動(dòng)周期不符的數(shù)據(jù)，提高心率計(jì)算的準(zhǔn)確性。

[1] 金晶晶, 王旭, 楊丹. 基于體震信號(hào)的心率測(cè)量方法[J]. 東北大學(xué)學(xué)報(bào), 2009(2): 176- 179.

[2] Cook S, Togni M, Schaub MC, et al. High heart rate: a cardiovascular risk factor? [J]. European Heart Journal, 2006, 27(20), 2387-2393.

[3] Poh MZ, McDuff DJ, Picard RW, Non-contact, automated cardiac pulse measurements using video imaging and blind source separation [J].Optics Express, 2010,18: 10762-10774.

[4] Wu Haoyu, Rubinstein M,Shih E, et al. Eulerian video magnification for revealing subtle changes in the world[J]. ACM Transactions on Graphics,2012,31(4):13-15.

[5] Pavlidis I, Dowdall J, Sun NC, et al. Interacting with human physiology[J].Comput Vis Image Underst, 2007,108(1-2):150-170.

[6] Garbey M, Sun N, Merla A, et al. Contact-free measurement of cardiac pulse based on the analysis of thermal imagery [J].IEEE Trans Biomed Eng,2007,54(8):1418-1426.

[7] Fei Jin, Pavlidis I. Thermistor at a Distance: unobtrusive measurement of breathing[J]. IEEE Trans Biomed Eng,2010,57(4): 988-998.

[8] Wieringa FP, Mastik F, Van AF, et al. Contactless multiple wavelength photoplethysmographic imaging: a first step toward “SPO2camera” technology[J].Ann Biomed Eng,2005, 33(8): 1034-1041.

[9] Humphreys K, Ward T, Markham C. Noncontact simultaneous dual wavelength photoplethysmography: A further step toward noncontact pulse oximetry[J].Rev Sci Instrum,2007, 78(4): 044304.

[10] Takano C, Ohta Y. Heart rate measurement based on a time-lapse image[J].Med Eng Phys,2007, 29(8): 853-857.

[11] Hu Sijung, Zheng Jia, Chouliaras V, et al. Feasibility of imaging photoplethysmography[C]//Hua Zhang, Zhanji Gui, eds. Proceedings of IEEE Conference on BioMedical Engineering and Informatics. Sanya: IEEE,2008:72-75. [12] Verkruysse W, Svaasand LO, Nelson JS. Remote plethysm-ographic imaging using ambient light[J].Opt Express,2008,16(26):21434-21445.

[13] Cui WeiJia, Ostrander LE, Lee BY.Invivoreflectance of blood and tissue as a function of light wavelength[J]. IEEE Trans Biomed Eng,1990, 37(6): 632-639.

[14] Poh MZ, McDuff DJ, Picard RW. Advancements in noncontact, multi-parameter physiological measurements using a webcam [J]. IEEE Trans Biomed Eng,2011,58(1):7-11.

[15] Cheng Wenchang, Jhan Dingmao. A cascade classifier using Adaboost algorithm and support vector machine for pedestrian detection [C]//Tunstel E,Nahavandi S.IEEE International Conference on Systems, Man, and Cybernetics. Anchorage: IEEE, 2011:1430-1435.

[16] 王建明，劉鑫璐.基于聲表面波傳感器陣列的氣體鑒別算法研究[ J].測(cè)控技術(shù)，2013,32(11):63-67.

[17] Mika PT, Perttu OR, Pasi AK. An advanced detrending method with application to HRV analysis [J]. IEEE Transactions on Biomedical Engineering. 2002, 49(2): 172-175.

Heart Rate Measurements Using Principal Component Analysis and Overlapping Histgram Based on Video Signal

Zhao Yantao*Fu Meiling Wang Bin Zhang Xuguang Li Xiaoli

(SchoolofElectricalEngineering,YanshanUniversity,Qinhuangdao066004,China)

The technique photo plethysmo graphy (PPG) shows that the light intensity has a periodical change with the change of blood volume. So the facial skin color will change a little along with the pulse. The technique can be used to measuring heart rate with many advantages, such as low cost, no contact and no electrode. This is helpful to remote medical monitoring and other fields. In this paper ordinary camera was used to collect human face videos. The principle components was extracted by calculating average values of green components on the three face regions through principal component analysis (PCA),and the noise was eliminated. The smoothing methods was used after PCA, and the detrending method was utilized in this paper. The peaks of signal were detected by the peak detecting method that was proposed in this work, which reduced detection of wrong peaks. Then the method of overlapping histogram statistics was used to get heart rate through calculating the intervals between peaks of the pulse signal. The proposed method was compared with results obtained from CMS-50D Finger clip type pulse oximeter of CONTEC company(measurement samples was 170)and MP150 multi-channel physiological recorder of BIOPAC company(measurement samples was 110)with the statistics method of Bland-Altma. Comparison of the results from CMS-50D with that from the proposed methods showed that the overlapping histogram statistics method reduced the standard deviations of the conformance assessment form 12.4 beats/min to 8 beats/min. Comparison of the results from MP150 with that from the proposed methods showed that the mean and the standard deviations of the conformance assessment was 1.81 and 3.18 bpm respectively, indicating the results were in good consistency.

principle component analysis(PCA); overlapping histogram statistics; heart rate; video; Bland-Altman

10.3969/j.issn.0258-8021. 2016. 03.005

2014-10-12， 錄用日期:2016-03-30

國家自然科學(xué)基金(61271409)；河北省博士后科研項(xiàng)目擇優(yōu)資助(B2014003011)；燕山大學(xué)博士基金(B505)

R318.11

A

0258-8021(2016) 03-0284-08

*通信作者(Corresponding author)， E-mail: ysuzyt@ysu.edu.cn