基于指端脈搏波視頻信號(hào)的心率穩(wěn)定檢測(cè)算法

程敏，陳兆學(xué)

上海理工大學(xué)醫(yī)療器械與食品學(xué)院，上海200093

前言

隨著人類(lèi)生活水平的提高，人們對(duì)自身健康越來(lái)越重視，但患心血管疾病、冠心病等慢性病的人也越來(lái)越多。心率作為人體重要的生理參數(shù)之一，定期測(cè)量心率能夠有效預(yù)防及控制心血管疾病。心率是指心臟每分鐘搏動(dòng)的次數(shù)，反映人體機(jī)體運(yùn)血的狀況，正常成年人在平靜狀態(tài)下的心率范圍為60～100次/min［1］。目前，對(duì)心率的檢測(cè)有觸診式心率測(cè)量、心音測(cè)量法、電磁波檢測(cè)法、紅外技術(shù)檢測(cè)法和光電容積脈搏波描記法（Photoplethysmography,PPG）等。其中，PPG是一種借助光電手段檢測(cè)人體皮膚組織下血管血液容積變化可實(shí)現(xiàn)無(wú)創(chuàng)檢測(cè)脈搏波的方法［2］。由于脈搏波的波動(dòng)導(dǎo)致指端血液吸收光強(qiáng)度的不同，基于視頻的光電容積脈搏波測(cè)量方法每幀圖像中求得的像素值存在波動(dòng)與變化，因此能夠獲得連續(xù)波動(dòng)的PPG信號(hào)。在一個(gè)心率周期內(nèi)，當(dāng)血管內(nèi)壓力最大時(shí)，血液吸收光強(qiáng)達(dá)到最大值，圖像的像素均值最小，呈現(xiàn)在PPG波形中，此時(shí)出現(xiàn)在PPG的谷底；當(dāng)血管的壓力最小時(shí)，血液吸收的光強(qiáng)最少，圖像的像素均值最大，反映在PPG波形中，此時(shí)出現(xiàn)在PPG的峰值點(diǎn)。光電容積脈搏波包含著血液流動(dòng)、心臟跳動(dòng)等重要信息，通過(guò)PPG可獲得血氧飽和度、心率、血壓、心輸出量等人體參數(shù)以及呼吸的監(jiān)測(cè)［3-4］。

通常，脈搏波信號(hào)處理方法有數(shù)字濾波法、小波變換法、功率譜法等［5-7］。由于運(yùn)動(dòng)所引起的干擾信號(hào)與正常脈搏波信號(hào)相重疊，所以傳統(tǒng)的低通、高通和帶通濾波器很難對(duì)其進(jìn)行處理。馬俊領(lǐng)等［8］采用反射式光電測(cè)量法來(lái)獲取人的橈動(dòng)脈信號(hào)，并對(duì)其進(jìn)行快速傅里葉變換，再分析譜峰得到人體的心率和呼吸率。趙素文等［4］采用小波變換結(jié)合快速傅里葉變換從PPG信號(hào)中提取呼吸率，但小波分解層數(shù)的選定和小波基選擇的不同會(huì)對(duì)測(cè)量結(jié)果造成很大的誤差。雷恒波等［9-10］采用經(jīng)驗(yàn)?zāi)B(tài)分解法對(duì)從人臉視頻、手指視頻中獲取的PPG信號(hào)消除高頻噪聲和低頻基線漂移，但可能會(huì)存在模態(tài)混疊問(wèn)題［11］。而對(duì)基于PPG信號(hào)與運(yùn)動(dòng)干擾、膚色變化等信號(hào)間的獨(dú)立性假設(shè)，獨(dú)立成分分析（Independent Component Analysis,ICA）成功地應(yīng)用到PPG信號(hào)與其他混合信號(hào)的分離。Poh等［12-13］提出了基于盲源分離的心率檢測(cè)算法，通過(guò)ICA分析從人臉皮膚顏色的變化、光照強(qiáng)度的變化、人體動(dòng)作引起的顏色變化的混合信號(hào)中選擇功率譜最大幅值的源信號(hào)作為心率變化的信號(hào)。本文基于ICA分析對(duì)獲取的光電容積視頻脈搏波信號(hào)進(jìn)行處理，并與波峰法測(cè)得的心率進(jìn)行對(duì)比，得到一種穩(wěn)定的心率檢測(cè)算法。

1 理論基礎(chǔ)

1.1 ICA簡(jiǎn)介

ICA的起源是為了解決盲源信號(hào)分離問(wèn)題，即雞尾酒問(wèn)題。它是一種基于統(tǒng)計(jì)分析的信號(hào)處理方法，目的是把信號(hào)分離成統(tǒng)計(jì)獨(dú)立的非高斯信號(hào)的信號(hào)源的線性組合，即從線性組合信號(hào)里恢復(fù)出基本的源信號(hào)。ICA在數(shù)字信號(hào)處理、圖像處理技術(shù)、生物醫(yī)學(xué)等領(lǐng)域的分析有著一定的研究，例如心電信號(hào)和腦電信號(hào)的隨機(jī)噪聲消除、功能磁共振成像中事件相關(guān)活動(dòng)區(qū)域的檢測(cè)以及在PPG信號(hào)處理中的應(yīng)用［14］。

ICA是假設(shè)存在相互獨(dú)立的統(tǒng)計(jì)源信號(hào)S，觀測(cè)信號(hào)X是源信號(hào)各分量的線性組合，即：

其中，X是觀測(cè)信號(hào)，A是未知非奇異混合矩陣，S是待分離的源信號(hào)。ICA的目的是在只知道混合信號(hào)X的情況下，獲得解混矩陣W：

其中，Y中的各分量盡可能相互統(tǒng)計(jì)獨(dú)立。這樣Y分量就可以作為源獨(dú)立成分的估計(jì)，即：

其中，?為源獨(dú)立成分的估計(jì)［15-16］。

1.2 FastICA步驟

FastICA算法，即快速獨(dú)立成分分析算法，也稱(chēng)為不變點(diǎn)（Fixed-Point）算法，收斂速度快、計(jì)算簡(jiǎn)單，相比其他的獨(dú)立成分分析算法可以更為快速找到所有非正態(tài)分布的獨(dú)立分量。通常在計(jì)算時(shí)，非高斯性常采用峰度（Kurtosis）、負(fù)熵（Negentropy）或互信息（Mutual Information）表示，采用迭代法實(shí)現(xiàn)描述非高斯性的特定目標(biāo)函數(shù)的最優(yōu)化。本文采用FastICA算法實(shí)現(xiàn)對(duì)采集的PPG信號(hào)的盲源分離，具體步驟如下［17-18］：（1）對(duì)數(shù)據(jù)進(jìn)行中心化和白化得到z(t)；（2）選擇一個(gè)具有單位范數(shù)的初始化矩陣W；（3）對(duì)每個(gè)i=1,…,n，令，函數(shù)g是根據(jù)數(shù)據(jù)的高斯性選定的非線性函數(shù)；（4）對(duì)矩陣進(jìn)行對(duì)稱(chēng)正交化；（5）如果不收斂，返回步驟（3）。得到分離矩陣W后，代入式（1），可以得到估計(jì)的源信號(hào)。

在本文中，用攝像頭獲取的指端區(qū)域R、G、B時(shí)間序列也可以看作反射的PPG信號(hào)與運(yùn)動(dòng)、光線等因素的線性組合［19］，目的是分離后的獨(dú)立分量中分別找到和R、G通道最為接近的一組分量，作為提取心率信號(hào)來(lái)分析。

2 實(shí)驗(yàn)數(shù)據(jù)采集及數(shù)據(jù)分析

2.1 實(shí)驗(yàn)數(shù)據(jù)獲取

彩色視頻的每幀圖像都存儲(chǔ)為一個(gè)三維矩陣，矩陣的3個(gè)維度分別代表紅、綠、藍(lán)3個(gè)通道的圖像數(shù)據(jù)信息。在選擇顏色通道時(shí)，考慮以下兩個(gè)因素：一是血液對(duì)相應(yīng)波段光的吸收率；二是所選擇波段的照明光是否能夠穿透人體表皮，以達(dá)到表皮以下的微動(dòng)脈層。大多數(shù)文獻(xiàn)中，采用與綠色通道的信號(hào)做相關(guān)性分析，因?yàn)榫G光處于血液吸收光線的峰值位置，又能夠穿透皮膚的微動(dòng)脈層。而在文獻(xiàn)［20］中，選用與紅色通道信號(hào)相關(guān)性最小的分量來(lái)進(jìn)行分析?？紤]到攝像頭采集的是反射式信號(hào)，血液對(duì)紅色光的吸收能力最弱，因此紅色通道的信號(hào)信噪比比較小，所以本文分別選取紅、綠色分量與盲源分離后的估計(jì)信號(hào)進(jìn)行相關(guān)性分析，篩選出相關(guān)性最大的作為后續(xù)提取心率的信號(hào)。

本文采用蘋(píng)果手機(jī)攝像頭采集人指端視頻獲取PPG信號(hào)，每段采集20 s，幀率是30 fps。拍攝的過(guò)程中，打開(kāi)手機(jī)的閃光燈，提高視頻圖像亮度。選取6名試驗(yàn)者，手指同時(shí)覆蓋在閃光燈和攝像頭上，拍攝一段20 s的視頻。采集過(guò)程中，試驗(yàn)者保持不動(dòng)。采集完成后，通過(guò)USB數(shù)據(jù)線將視頻傳輸?shù)诫娔X上，在MATLAB平臺(tái)上處理數(shù)據(jù)。首先對(duì)圖像進(jìn)行分幀處理，圖片的幀序列即視頻的時(shí)間序列。截取圖片的中心區(qū)域的像素分析，以減少其他光線的干擾。截取的區(qū)域如圖1所示。

圖1 感興趣區(qū)域（ROI）的選取Fig.1 Selection of region of interest

然后，對(duì)每幀感興趣區(qū)域（ROI）進(jìn)行RGB三通道基色分離，并對(duì)每個(gè)通道取空間均值，每個(gè)區(qū)域中像素灰度值的變化得到血液容積變化的時(shí)序曲線，并進(jìn)行歸一化，得到結(jié)果如圖2所示。從圖中可以看出存在低頻的基線漂移和一些高頻的噪聲，這會(huì)影響PPG信號(hào)的準(zhǔn)確度，從而影響從PPG信號(hào)中提取一些人體生理參數(shù)的精度，因此需要進(jìn)行濾波處理。

2.2 視頻PPG脈搏波信號(hào)處理

ICA的目的是把信號(hào)分離成統(tǒng)計(jì)獨(dú)立的非高斯信號(hào)的信號(hào)源的線性組合，即從線性組合信號(hào)里恢復(fù)出基本的源信號(hào)。因此，本文采用FsatICA對(duì)視頻PPG脈搏波信號(hào)進(jìn)行處理，并用MATLAB中corrcoef函數(shù)求相關(guān)性。將得到的估計(jì)信號(hào)分別與R、G通道的原始信號(hào)作相關(guān)性分析，分別得到相關(guān)性最大的信號(hào)，并進(jìn)行快速傅里葉變換得到功率譜，得到的獨(dú)立分量的結(jié)果如圖3所示。同時(shí)本文對(duì)比原始信號(hào)與經(jīng)ICA處理后的頻譜，結(jié)果如圖4和圖5所示。

2.3 實(shí)驗(yàn)結(jié)果分析

在頻譜圖中，在心率范圍（1.0～1.6 Hz）內(nèi)最大的功率譜對(duì)應(yīng)的頻率即為估計(jì)的心率［15］，得到心率（單位：次/min）：HR=frequency×60。試驗(yàn)者5采集數(shù)據(jù)經(jīng)ICA處理后的結(jié)果如圖3所示，再通過(guò)corrcoef函數(shù)求相關(guān)性。3個(gè)估計(jì)成分與R通道的相關(guān)系數(shù)絕對(duì)值分別為0.818 7、0.124 5、0.640 8，第一個(gè)相關(guān)性最大，頻譜圖峰值為1.272 Hz，即心率為1.272×60≈76（次/min）；與G通道相關(guān)系數(shù)絕對(duì)值分別為0.639 3、0.691 4、0.174 2，第二個(gè)相關(guān)性最大，頻譜圖峰值為1.272 Hz，即心率為1.272×60≈76（次/min）。通過(guò)對(duì)比原始信號(hào)與ICA處理后的相關(guān)獨(dú)立分量的頻譜圖，可以看出，當(dāng)信號(hào)采集不太好時(shí)，F(xiàn)astICA能夠使心率峰值更加突出，從而提高心率檢測(cè)的穩(wěn)定性。

圖2 試驗(yàn)者5歸一化的R、G、B通道信號(hào)Fig.2 Normalized R,G and B channel signals of experimenter 5

圖3 試驗(yàn)者5歸一化的信號(hào)經(jīng)ICA處理后的結(jié)果及相應(yīng)頻譜Fig.3 Normalized signals of experimenter 5 after independent component analysis(ICA)processing and the corresponding spectra

圖4 試驗(yàn)者5歸一化原始信號(hào)與ICA處理后相關(guān)信號(hào)及相應(yīng)頻譜Fig.4 Normalized original signals and ICA processed signals of experimenter 5 and the corresponding spectra

實(shí)驗(yàn)的其他結(jié)果如表1所示。另外，本文分別統(tǒng)計(jì)原始信號(hào)、與R和G通道相關(guān)獨(dú)立分量的心率值，以每個(gè)波峰為一次心跳，結(jié)果如表2和表3所示。其中出現(xiàn)的誤差可能有這幾種原因：一是采集指端視頻時(shí)須圖像有跳動(dòng)時(shí)效果更好，若人體脈搏比較弱，則不理想，如試驗(yàn)者3的測(cè)量結(jié)果；二是統(tǒng)計(jì)峰值時(shí)與時(shí)間窗的截取有關(guān)。

圖5 試驗(yàn)者6歸一化原始信號(hào)與ICA處理后相關(guān)信號(hào)及對(duì)應(yīng)頻譜Fig.5 Normalized original signals and ICA processed signals of experimenter 6 and the corresponding spectra

為了評(píng)價(jià)利用手機(jī)攝像頭獲取的R、G通道信號(hào)的一致性以及本文算法與統(tǒng)計(jì)波峰法獲取心率的一致性，本文采用SPSS軟件對(duì)數(shù)據(jù)進(jìn)行相關(guān)性分析，結(jié)果如表4～表7所示。圖中相關(guān)性系數(shù)表明，選取R、G通道信號(hào)的一致性在95%以上，本文算法與統(tǒng)計(jì)波峰法獲取心率的一致性在95%以上。因此，在本實(shí)驗(yàn)中，選取R、G通道均可以實(shí)現(xiàn)心率的有效檢測(cè)，本文所提出的算法可以運(yùn)用到日常的心率測(cè)量中。

表1 相關(guān)獨(dú)立分量經(jīng)傅里葉變換后測(cè)量結(jié)果Tab.1 Measurement of correlation independent components after Fourier transform

3 結(jié)論

本文采用手機(jī)攝像頭采集指端視頻的方式獲取人體PPG信號(hào)，通過(guò)ICA分析處理，分別與R、G通道作相關(guān)性分析，兩個(gè)通道最終測(cè)得的心率值一致性在95%以上，同時(shí)本文算法與統(tǒng)計(jì)波峰法獲取的心率具有一致性，因此在實(shí)際過(guò)程中，采取這兩個(gè)通道均可。通過(guò)本文的方法可以有效地實(shí)現(xiàn)心率檢測(cè)，該算法具有較高的魯棒性，適合多種場(chǎng)合的測(cè)量，對(duì)于基于光電容積視頻脈搏波的人體生理參數(shù)獲取具有重要意義。本文通過(guò)指端視頻獲取PPG脈搏波信號(hào)，采集的數(shù)據(jù)較少，在后續(xù)的實(shí)驗(yàn)中，我們將對(duì)寸關(guān)尺部位進(jìn)行研究，并用不同的手機(jī)采集更多的數(shù)據(jù)，以驗(yàn)證所提出的算法對(duì)不同部位、不同手機(jī)的適用性。

表2 原始信號(hào)經(jīng)波峰法測(cè)量結(jié)果Tab.2 Measurement of original signal by wave peak detection

表3 相關(guān)獨(dú)立分量經(jīng)波峰法測(cè)量結(jié)果Tab.3 Measurement of correlated independent components by wave peak detection

表4 原始R、G通道信號(hào)統(tǒng)計(jì)波峰法相關(guān)性分析結(jié)果Tab.4 Correlation analysis of R and G channel signals obtained by wave peak detection

表5 R、G通道經(jīng)ICA后相關(guān)性分析結(jié)果Tab.5 Correlation analysis of R and G channel signals after ICA

表6 R、G通道相關(guān)獨(dú)立分量統(tǒng)計(jì)波峰法相關(guān)性分析結(jié)果Tab.6 Correlation analysis of correlation independent components related to R and G channels by wave peak detection

表7 基于FastICA算法與統(tǒng)計(jì)波峰法相關(guān)性分析結(jié)果Tab.7 Correlation analysis of FastICA algorithm and wave peak detection