多特征區(qū)域FastICA的非接觸式心率檢測①

王一丁,李飛虎

(北方工業(yè)大學(xué) 信息學(xué)院,北京 100144)

1 引言

心臟病是人類死亡率最高的疾病,提高早期診斷的效率、有效地進(jìn)行防范和治療,能夠提高人們的身體健康水平.心率是臨床心臟疾病檢測的重要指標(biāo)之一,保持心率的日常穩(wěn)定對于心臟疾病的防范治療有很重要的意義[1].測量心率的方法有很多種,傳統(tǒng)中醫(yī)通過摸橈動脈的搏動,用來間接測定心率情況.醫(yī)生通過聽診器測量,在心前區(qū)胸骨左緣第4 肋間左右每分鐘聽到的心音數(shù),就是心率[2].更為精準(zhǔn)的測量方法有,動態(tài)心電圖和心臟彩超等檢查,需要利用電極和輔助帶固定,常用于醫(yī)院重大疾病的檢測.普通情況下人們采用手環(huán),指夾式脈搏血氧儀等設(shè)備檢測心率.上述方法都是接觸式心率檢測,在舒適性和便捷性方面存在缺點(diǎn).近年來針對心率的非接觸測量技術(shù)被深入研究.

目前主流的非接觸式心率測量方法是成像式光電容積脈搏波描記法(Imaging PhotoPlethysmoGraphy,IPPG)[3].該方法認(rèn)為心臟跳動帶來的血液循環(huán)導(dǎo)致人體血管中血液容積的周期性變化,在光源照射皮膚時(shí),血管中不同容積的血液對于光的吸收也隨之發(fā)生周期性變化,相機(jī)成像接收到的反射光強(qiáng)度保留了血容量變化脈沖信號(Blood Volume Pulse,BVP).對攝像頭采集的人臉視頻進(jìn)行處理,可以提取出血液容積的變化信息,進(jìn)而通過信號處理算法得到心率等人體生理體征信號.2008年,Verkruysse 等人[4]首次指出使用環(huán)境光作為視頻采集環(huán)境提取脈搏波信號,并認(rèn)為圖像綠色通道相對于其他通道對于BVP 信號有更好地反映.2010年,Poh 等人[5]提出了基于盲源分離的心率檢測方法,利用獨(dú)立成分分析(Independent Component Analysis,ICA)將感興趣區(qū)域(Region Of Interest,ROI)的圖像紅綠藍(lán)3 個(gè)通道亮度變化解混分離成3 個(gè)獨(dú)立的信號,選擇第2 個(gè)源信號作為脈搏波信號來估計(jì)心率.2014年,Guo 等人[6]應(yīng)用獨(dú)立矢量分析(Independent Vector Analysis,IVA)算法處理面部區(qū)域的顏色信號,實(shí)驗(yàn)結(jié)果顯示,與基于ICA 的方法相比,測量得到的心率更加準(zhǔn)確.2016年,Chwyl 等人[7]提出了一種基于貝葉斯估計(jì)的心率檢測方法,通過貝葉斯最小化框架估計(jì)脈搏波信號波形.上述方法仍存在不足之處,對于采集過程中的運(yùn)動偽差和光照不均等干擾問題,仍需要研究者們進(jìn)一步深入研究.

本文基于人臉視頻圖像測量人體心率,主要工作包括：(1)基于IPPG 提出了一種多特征區(qū)域結(jié)合盲源分離算法的非接觸式心率測量方法；(2)通過人臉特征點(diǎn)檢測算法確定多個(gè)特征區(qū)域進(jìn)行信號提取.降低了視頻拍攝過程中運(yùn)動偽差對心率測量結(jié)果的干擾.(3)通過多特征區(qū)域結(jié)合快速獨(dú)立成分分析(FastICA)算法提取脈搏波信號,降低了視頻中存在的人臉面部光照不均問題對于心率測量結(jié)果的影響；(4)在公開的大型數(shù)據(jù)集DEAP[8]進(jìn)行實(shí)驗(yàn),對提出的非接觸式測量方法進(jìn)行了分析和驗(yàn)證.

2 基于人臉視頻的心率測量方法

本文提出了一種新的基于IPPG 的非接觸式心率測量方法.該方法通過多特征區(qū)域結(jié)合FastICA 算法提取脈搏波信號,檢測心率,結(jié)合了圖像綠色通道保留更多BVP 信息和盲源分離算法的雙重優(yōu)勢.方法流程圖如圖1所示,包括視頻幀處理,特征區(qū)域處理,信號處理,以及心率計(jì)算4 個(gè)部分,下文具體對相應(yīng)的流程進(jìn)行詳細(xì)說明.

圖1 實(shí)時(shí)心率檢測方法流程圖

2.1 視頻幀及特征區(qū)域處理

基于人臉視頻圖像的非接觸式心率信號檢測,為了提高BVP 信號的信噪比和減小系統(tǒng)誤差,需要進(jìn)行特征區(qū)域的選取.傳統(tǒng)的選取方法采用額頭[9,10],臉頰部位[11],整個(gè)人臉[12]作為信號提取的感興趣區(qū)域.相比之下,額頭部位很容易有遮擋情況出現(xiàn),而選擇整個(gè)人臉區(qū)域誤差較大.目前基于IPPG 原理的非接觸心率測量研究中多為單特征區(qū)域,在視頻采集過程中很容易受到光照和運(yùn)動偽差的影響,單特征區(qū)域提取的BVP信號在后續(xù)處理中難以濾除光照和運(yùn)動帶來的干擾.而選擇多個(gè)特征區(qū)域.提取的不同信號之間就可以相互補(bǔ)償,有效地避免運(yùn)動偽差對提取的脈搏波信號質(zhì)量的影響,基于上述考慮,本文利用人臉特征點(diǎn)檢測結(jié)合區(qū)域中心定位的方法在兩側(cè)臉頰各選取3 塊矩形部分重疊的特征區(qū)域作為最終的信號提取區(qū)域.

2.1.1 區(qū)域中心定位

本文提出的非接觸式實(shí)時(shí)心率檢測方法,人臉檢測及關(guān)鍵點(diǎn)定位算法采用landmark 算法,該算法可以提取到面部68 個(gè)特征點(diǎn),特征點(diǎn)示意如圖2所示.

至少選擇3 個(gè)以上特征點(diǎn)作為一個(gè)特征點(diǎn)組,計(jì)算特征點(diǎn)組構(gòu)成的區(qū)域質(zhì)心作為特征區(qū)域中心點(diǎn).本文方法中每個(gè)特征點(diǎn)組選擇3 個(gè)特征點(diǎn),三角形的質(zhì)心計(jì)算方法如式(1)所示,計(jì)算三角形3 個(gè)頂點(diǎn)橫縱坐標(biāo)的和除以3 即為三角形質(zhì)心點(diǎn)坐標(biāo).

圖2 人臉68 關(guān)鍵點(diǎn)示意圖

對3 個(gè)特征點(diǎn)計(jì)算得到的區(qū)域中心穩(wěn)定性進(jìn)行分析,如圖3,以鼻尖特征點(diǎn)O為參考點(diǎn),計(jì)算區(qū)域中心點(diǎn)A,特征點(diǎn)組的兩個(gè)特征點(diǎn)B,C,相對于鼻尖特征點(diǎn)O的向量

圖3 關(guān)鍵點(diǎn)及區(qū)域中心向量圖

選擇一個(gè)視頻進(jìn)行測試,該視頻中存在較大姿態(tài)變動,分別計(jì)算3 個(gè)向量在視頻幀間X 坐標(biāo)和Y 坐標(biāo)變化幅度的方差,如表1所示：可以看到區(qū)域中心對應(yīng)的方差相對于特征點(diǎn)都要更小.

表1 穩(wěn)定性對比

因此根據(jù)特征點(diǎn)確定的區(qū)域中心點(diǎn)相對于人臉檢測的特征點(diǎn)更加穩(wěn)定,根據(jù)區(qū)域中心坐標(biāo)截取矩形區(qū)域作為BVP 信號提取的特征區(qū)域,提高了視頻幀間的定位和跟蹤準(zhǔn)確度,降低了視頻采集過程中運(yùn)動偽差對信號的干擾.

2.1.2 多特征區(qū)域選擇

根據(jù)landmark 算法對包含人臉的視頻圖像處理得到人臉檢測框和68 個(gè)人臉特征點(diǎn)的位置坐標(biāo),為了保證特征區(qū)域包含盡可能多的人臉區(qū)域,通過上文提到的區(qū)域中心定位對20 個(gè)特征點(diǎn)組構(gòu)成的特征區(qū)域的中心點(diǎn)穩(wěn)定性進(jìn)行分析,最終確定了6 個(gè)三點(diǎn)的特征點(diǎn)組如圖4所示,R 表示右側(cè)臉頰,L 表示左側(cè)臉頰.每一個(gè)特征點(diǎn)組構(gòu)成一個(gè)三角區(qū)域,以三角區(qū)域的質(zhì)心作為特征區(qū)域的中心,截取矩形特征區(qū)域.每個(gè)特征區(qū)域的長寬為人臉檢測框的10%,單側(cè)臉頰的3 個(gè)特征區(qū)域重合度為40%到60%.

圖4 特征點(diǎn)組

對視頻中每一幀圖像都進(jìn)行上述的特征區(qū)域選擇處理,每一幀圖像得到6 個(gè)特征區(qū)域,如圖5所示,單側(cè)臉頰3 個(gè)特征區(qū)域存在部分重疊,兩側(cè)臉頰特征區(qū)域相互對稱.一方面保證了特征區(qū)域覆蓋更多的臉頰區(qū)域,在處理過程中更容易去除噪聲,保留主要信號.另一方面,提取到的多路信號存在更多的相似性,信號在后續(xù)處理過程中相互補(bǔ)償,可以得到信噪比更好的脈搏波信號.

圖5 人臉多特征區(qū)域

2.1.3 G-BVP 信號提取

通過對視頻幀圖像的多特征區(qū)域選取處理,得到了6 路特征區(qū)域的圖像序列,需要對特征區(qū)域進(jìn)行處理提取BVP 信號.BVP 信號的提取處理包括視頻幀圖像特征區(qū)域的平滑處理和通道均值化.本文在信號提取部分對6 路圖像序列進(jìn)行處理提取到6 路G-BVP信號.

平滑處理包括卷積核大小為5 的均值濾波和兩層金字塔降采樣.通過平滑處理,去除視頻幀圖像像素點(diǎn)異常導(dǎo)致的噪聲干擾.平滑之后對特征區(qū)域進(jìn)行通道分離.由于在圖像灰度處理過程中,圖像綠色通道的分量占比權(quán)重更大,反射光強(qiáng)度信息更多.通過圖像綠色通道提取的BVP 信號相對于圖像紅色,藍(lán)色通道提取的BVP 信號更加能夠反映人體血液容積的變化信息[13].所以通道分離后選取圖像綠色通道進(jìn)行均值化,對6 個(gè)特征區(qū)域的圖像序列逐幀進(jìn)行上述處理得到最終的GBVP 信號.本文對一個(gè)測試視頻進(jìn)行上述處理得到的6 路G-BVP 信號如圖6所示,可以看出圖中信號干擾比較嚴(yán)重.

圖6 處理視頻幀序列得到的G-BVP 信號

2.2 信號處理

基于人臉視頻圖像的非接觸式心率信號提取,脈搏波信號質(zhì)量在視頻采集過程中很容易受到光照的影響.現(xiàn)有研究都是尋找更好的信號分離算法.在非接觸式生理信號檢測的研究中,ICA 被用于信號的分離以去除噪聲干擾,但I(xiàn)CA 通常被用來處理同一個(gè)特征區(qū)域得到的圖像RGB 三通道的BVP 信號.本文借鑒該方法,從視頻序列中提取6 路G-BVP 信號,再對6 路G-BVP 信號選用基于負(fù)熵最大的FastICA 算法進(jìn)行盲信號分離,降低光照對脈搏波信號的干擾,提高信號的信噪比.

2.2.1 脈搏波信號的盲源分離模型

盲源分離是指在信號的理論模型和源信號無法精確獲知的情況下,如何從混迭信號(觀測信號)中分離出各源信號的過程[14].本文針對脈搏波信號的盲源分離原理圖如圖7所示.

圖7 盲源分離原理圖

圖7中S(t)為n維源信號矢量,針對本文問題,假定源信號矢量中一個(gè)為脈搏波信號,其他源信號矢量為運(yùn)動,光照等其他干擾信號.脈搏波信號和干擾信號經(jīng)過未知的混合矩陣A混合為多維包含干擾的觀測信號矩陣X,每個(gè)x(t)都是脈搏波信號和干擾信號的組合.X即本文通過多特征區(qū)域的選擇和處理得到的GBVP 信號.我們建立數(shù)學(xué)模型如式(2)所示：

由于混合矩陣A和源信號矢量未知,所以需要通過算法求解一個(gè)分離矩陣W,得到估計(jì)矢量信號Y(t),使Y(t)近 似于S(t),估計(jì)矢量信號中一個(gè)為脈搏波信號,其余信號為干擾信號.估計(jì)矢量用源信號矢量表示,如式(3)所示.

式中,估計(jì)信號矢量Y(t) 和源信號矢量S(t)的近似程度用矩陣P來表示.明顯P是一個(gè)單位矩陣.分離矩陣W與混合矩陣A互為逆矩陣.

2.2.2 基于負(fù)熵最大的FastICA 算法

FastICA 是由芬蘭赫爾辛基大學(xué)Hyvarien 等人提出來的盲源分離算法.FastICA 算法主要有基于負(fù)熵和基于峭度兩大類[15],由于高斯分布的隨機(jī)變量具有最大的微分熵,因此可以利用微分熵最大來判斷變量之間的相互獨(dú)立性[16].本文通過基于負(fù)熵的FastICA 算法,從G-BVP 信號中分離脈搏波信號計(jì)算心率.

FastICA 算法首先對觀測信號進(jìn)行預(yù)處理以降低輸入信號的相關(guān)性,預(yù)處理包括去均值和白化處理.去均值和白化處理可通過式(4)和式(5)實(shí)現(xiàn),白化矩陣V的求解通過輸入信號矩陣的協(xié)方差矩陣的特征值分解來實(shí)現(xiàn).

白化處理之后,以負(fù)熵作為判斷條件,按照數(shù)學(xué)里最優(yōu)化和矩陣分析的相關(guān)知識迭代求解分離矩陣W.假設(shè)輸入X(i)的 概率密度函數(shù)為p1,高斯概率密度函數(shù)為pg.則負(fù)熵的定義如式(6)所示：

通過式(6)可以得到p1(x)與高斯分布的相似程度.由于其計(jì)算困難,用一個(gè)非二次函數(shù)對一個(gè)標(biāo)準(zhǔn)化的隨機(jī)向量的負(fù)熵簡化近似為式(7)：

其中,v是標(biāo)準(zhǔn)化的高斯變量,假設(shè)y=wTp為需要估計(jì)的源信號,則式(7)為目標(biāo)函數(shù).定義g 為二次函數(shù)G的導(dǎo)函數(shù),在y標(biāo)準(zhǔn)化前提下,由Kunhn-Tucker 條件,目標(biāo)函數(shù)的最大化問題轉(zhuǎn)化為在約束的條件下求解式(8)：

則FastICA 算法中分離矩陣的迭代更新形式如式(10)：

對滿足收斂條件的w進(jìn)行歸一化,得到最終的分離矩陣W,W左乘x1(i)即可得到最終的估計(jì)矢量信號.

2.3 心率計(jì)算

通過FastICA 算法處理6 路G-BVP 信號,得到盲源分離后的6 路信號,本文通過頻譜分析確定脈搏波信號求得心率值.首先通過快速傅里葉變換求得信號頻譜,計(jì)算信號在心率通頻帶范圍內(nèi)的譜峰數(shù)量及譜峰峰值,幅值超過6 路信號頻譜中最大幅值80%的頻率點(diǎn)確定為譜峰,選擇6 路信號中在心率通頻帶范圍內(nèi)譜峰數(shù)最少的信號為脈搏波信號,如果同時(shí)有兩路以上信號滿足譜峰數(shù)最少且相等,則判斷譜峰峰值大的信號為最終的脈搏波信號.

圖8為FastICA 算法處理得到的6 路信號在心率通頻帶范圍內(nèi)的頻譜,圖中橫軸為頻率點(diǎn),縱軸為幅值,ch 為分離通道,紅色線條表示最大幅值的80%處,紅色圓圈表示峰值.算法處理的G-BVP 信號由一個(gè)15 s的測試視頻處理得出,心率信號通頻帶范圍設(shè)定為0.8 Hz 到4 Hz,則頻譜圖中心率通頻帶范圍對應(yīng)橫軸坐標(biāo)12 到60 處.以圖8為例確定脈搏波信號,可以看到ch1,ch3,ch4,ch5 四個(gè)通道的信號存在譜峰,由于ch4 通道的信號通頻帶范圍內(nèi)頻譜只有一個(gè)譜峰,所以圖8所示的分離信號中我們選擇第4 個(gè)通道作為脈搏波信號.

圖8 信號通頻帶范圍內(nèi)頻譜圖

脈搏波信號求解心率有兩種方法,一種是計(jì)算時(shí)域信號峰值數(shù)即為心率值,另一種是計(jì)算頻域峰值對應(yīng)的頻率點(diǎn),再進(jìn)一步換算成心率值.本文選擇頻域計(jì)算的方法,對脈搏波信號進(jìn)行頻域理想帶通濾波,濾除因?yàn)椴杉O(shè)備及環(huán)境引起的高頻噪聲.選取0.8 Hz 到4 Hz 的通頻帶范圍,對應(yīng)心率值為每分鐘40 次到240次.再通過峰值檢測求得信號頻譜圖能量最大的峰值處坐標(biāo).

根據(jù)式(11)可以求得心率值,其中t為視頻采集時(shí)間,Mr對應(yīng)信號譜峰位置的序號.以圖8為例,脈搏波信號為ch4,視頻采集時(shí)間為15 s,Mr為18,按照公式計(jì)算得到心率值為72 bpm.根據(jù)此方法計(jì)算心率簡單,節(jié)省時(shí)間,對于噪聲較多的信號,信號峰值與實(shí)際心率值對應(yīng)峰值容易有偏離,通過本文上述步驟進(jìn)行處理得到的心率信號信噪比高,計(jì)算得到的心率值精度較高,降低了固有的系統(tǒng)誤差.

3 實(shí)驗(yàn)與結(jié)果分析

3.1.實(shí)驗(yàn)數(shù)據(jù)獲取

為了驗(yàn)證本文提出的方法,本文在國外公開數(shù)據(jù)集DEAP 上進(jìn)行了實(shí)驗(yàn).DEAP 數(shù)據(jù)集是一個(gè)使用腦電信號,生理信號,以及視頻進(jìn)行情緒分析的多模態(tài)數(shù)據(jù)集.該數(shù)據(jù)集記錄了32 個(gè)參與者受刺激情況下的腦電信號和其他的生理信號,數(shù)據(jù)集的基本信息如表2和表3所示.32 個(gè)參與者中有22 名參與者提供了視頻數(shù)據(jù),其中有11 名女性參與者,11 名男性參與者,每名參與者包含約40 個(gè)60 秒的視頻數(shù)據(jù),共計(jì)874 個(gè)視頻數(shù)據(jù).本文的實(shí)驗(yàn)中使用了這些視頻數(shù)據(jù)用于測量心率值.數(shù)據(jù)集原始的數(shù)據(jù)記錄,有32 個(gè).bdf 文件,每個(gè)文件有48 個(gè)錄制頻道,其中32 個(gè)EEG 通道,12 個(gè)外周通道,3 個(gè)未使用通道,1 個(gè)狀態(tài)通道.其中第39 個(gè)通道包含了由接觸式設(shè)備記錄的BVP 信號,本文使用了第39 個(gè)通道的BVP 信號計(jì)算心率作為測量結(jié)果的參照標(biāo)準(zhǔn).

表2 DEAP 數(shù)據(jù)集參與者基本信息

表3 DEAP 數(shù)據(jù)集生理參數(shù)信息

對于非接觸式心率測量來說,DEAP 數(shù)據(jù)集并不是一個(gè)理想的數(shù)據(jù)集,數(shù)據(jù)集提供的視頻有3 點(diǎn)對于測量結(jié)果造成較大的影響.

(1)如圖9所示,參與者面部存在電極,電線,眼鏡的遮擋,如圖遮擋增加了特征區(qū)域檢測算法的跟蹤難度,非接觸式心率測量的實(shí)驗(yàn)要求特征區(qū)域盡可能穩(wěn)定.

圖9 DEAP 數(shù)據(jù)集參與者視頻正面圖

(2)參與者在相對較暗的環(huán)境下觀看彩色視頻,進(jìn)一步加大了人臉面部光照不均對檢測結(jié)果的影響,而非接觸式測量要求面部光照盡可能穩(wěn)定和均勻.

(3)參與者在錄制過程中并不被要求靜止不動,參與者在實(shí)驗(yàn)過程中可以自由轉(zhuǎn)動頭部,甚至可以喝水等大幅度動作,這導(dǎo)致錄制視頻中存在較大的運(yùn)動偽差問題,而非接觸式心率測量要求視頻主體盡可能保持不動.

3.2 實(shí)驗(yàn)評價(jià)指標(biāo)

為了評價(jià)本文提出的非接觸式心率測量方法,我們在DEAP 數(shù)據(jù)集的874 個(gè)視頻中選擇了300 個(gè)視頻進(jìn)行實(shí)驗(yàn)測量心率值HRnc,采用數(shù)據(jù)集提供的BVP 數(shù)據(jù)計(jì)算心率作為真實(shí)心率值HRgt,則單次實(shí)驗(yàn)的誤差HRerr如式(12)所示.本文采用了統(tǒng)計(jì)學(xué)指標(biāo)評價(jià)所提出方法的準(zhǔn)確性和相關(guān)性.

采用均方根誤差RMS Ee以及平均誤差率Mr對本文方法測量結(jié)果與真實(shí)心率值的準(zhǔn)確性進(jìn)行分析,均方根誤差和平均誤差率的計(jì)算方法如式(13),式(14)所示.

采用相關(guān)性分析來非接觸式測量方法與真實(shí)心率數(shù)據(jù)一致性的評價(jià),相關(guān)性分析是指對兩個(gè)或多個(gè)具備相關(guān)性的變量元素進(jìn)行分析,從而衡量兩個(gè)變量因素的相關(guān)密切程度.采用Pearson 相關(guān)系數(shù)進(jìn)行計(jì)算,如式(15)所示：

式中,cov(x,y)表示系統(tǒng)測試數(shù)據(jù)和血氧儀測試數(shù)據(jù)的協(xié)方差,σx和σy分別表示測量心率數(shù)據(jù)和真實(shí)心率數(shù)據(jù)的標(biāo)準(zhǔn)差,

3.3 實(shí)驗(yàn)對比

本文使用DEAP 數(shù)據(jù)集的300 個(gè)視頻進(jìn)行實(shí)驗(yàn),使用Verkruysse 等人提出的單一通道結(jié)合頻譜分析的方法,Poh 等人提出的基于ICA 的三通道盲源分離方法,以及基于獨(dú)立矢量分解的方法,分別對300 個(gè)視頻進(jìn)行實(shí)驗(yàn),和本文提出的多區(qū)域單通道的FastICA 方法進(jìn)行對比,實(shí)驗(yàn)結(jié)果指標(biāo)如表4所示.

表4 實(shí)驗(yàn)對比

從表4中可以看到,本文所提出的非接觸式心率測量方法的誤差相對于Verkruysse,Poh 提出的方法,以及IVA 的方法都要更小,在相關(guān)性方面也優(yōu)于上述3 種方法.表中Verkruysse 和Poh 的實(shí)驗(yàn)結(jié)果可以看到,Poh 的方法的平均誤差及均方根誤差都要優(yōu)于Verkruysse 的方法,誤差率反而更低,此處是由于Poh的方法采用盲源分離的算法處理多通道,由于盲源分離算法輸出通道沒有順序,Poh 的方法在脈搏波信號的選擇上采用了固定通道導(dǎo)致的.本文方法在使用快速獨(dú)立成分分析的基礎(chǔ)上,加以頻譜分析確定脈搏波信號,提高了測量結(jié)果的準(zhǔn)確性,有效的避免了因盲源分離算法輸出通道沒有一定的順序造成的干擾.

為了驗(yàn)證本文方法在實(shí)際環(huán)境下的性能,本文連續(xù)五天在室內(nèi)自然光環(huán)境下進(jìn)行測量,每天測量一組數(shù)據(jù),每組數(shù)據(jù)包含10 次測量,時(shí)間為一分鐘,測試數(shù)據(jù)和指夾式血氧儀數(shù)據(jù)對比分析.實(shí)驗(yàn)結(jié)果如表5所示.

表5 實(shí)驗(yàn)數(shù)據(jù)

本文采用指夾式血氧儀測量心率作為參照心率,采用平均誤差以及相關(guān)系數(shù)對每組測量數(shù)據(jù)進(jìn)行分析,可以看到每組的平均誤差最大為3.8%,表現(xiàn)良好,由于每組測量數(shù)據(jù)為連續(xù)測量,本文方法測量的心率值總在參照心率值上下浮動,所以單組測量相關(guān)性表現(xiàn)較差,相關(guān)系數(shù)最小為0.329.本文對于5 組實(shí)測數(shù)據(jù)的總體一致性進(jìn)行分析,相關(guān)系數(shù)為0.913.驗(yàn)證了本文方法在實(shí)際環(huán)境下測量心率的有效性.

此外,為了驗(yàn)證本文方法在弱光照,光照不均勻的實(shí)測環(huán)境下的性能,本文在實(shí)驗(yàn)過程中控制測試者房間頂部的LED 燈管的打開數(shù)量,模擬人臉受光強(qiáng)度,左右臉頰受光不均勻的情況.如圖10所示,測試者頭頂共有6 個(gè)燈管,圖10(a)為正常光照環(huán)境,測試過程中6 個(gè)燈管全部打開；圖10(b)為弱光照環(huán)境,測試過程中關(guān)閉位于測試者頭部前方的兩個(gè)燈管,模擬人臉受光強(qiáng)度較低的情況；圖10(c)和圖10(d)為人臉受光不均勻環(huán)境,測試過程中分別關(guān)閉測試者頭部左前方和右前方燈管,模擬人臉左右兩側(cè)受光不均勻的情況.

圖10 不同光照環(huán)境模擬示意圖

分別在正常光照,弱光照,光照不均3 種情況下進(jìn)行了實(shí)驗(yàn),每種光照條件下進(jìn)行了連續(xù)20 次測量,時(shí)間為兩分鐘,測試數(shù)據(jù)和指夾式血氧儀數(shù)據(jù)對比分析,實(shí)驗(yàn)結(jié)果如表6所示,可以看到3 種不同光照條件下測試數(shù)據(jù)的平均誤差均比較小,最大為1.13%,相關(guān)系數(shù)的數(shù)值大小也比較相近.說明了本文方法在不同光照條件下的測試結(jié)果具有一定的魯棒性,驗(yàn)證了本文方法對于弱光照,光照不均情況的光照干擾問題起到了一定的抑制作用.

表6 不同光照條件下實(shí)驗(yàn)對比

4 結(jié)論與展望

本文我們提出了一種新的基于人臉視頻的非接觸式心率測量方法,針對視頻采集過程中運(yùn)動偽差和光照不均對提取到的脈搏波信號質(zhì)量的影響,提出了多特征區(qū)域結(jié)合單一通道FastICA 提取脈搏波信號的解決方案,并在公共數(shù)據(jù)集DEAP 上進(jìn)行了實(shí)驗(yàn)分析,結(jié)果表明本文方法在準(zhǔn)確性和相關(guān)性方面均優(yōu)于基于ICA,IVA 的非接觸式心率方法.在實(shí)際非受控環(huán)境下采集數(shù)據(jù)進(jìn)行測量驗(yàn)證,結(jié)果表現(xiàn)良好.