頭部旋轉(zhuǎn)運(yùn)動下自適應(yīng)非接觸魯棒性心率檢測方法*

巴圖巴雅爾·歐赟 趙躍進(jìn)3)? 孔令琴3)? 董立泉3) 劉明3) 惠梅

1) (北京理工大學(xué)光電學(xué)院,北京 100081)

2) (北京理工大學(xué),精密光電測試儀器及技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室,北京 100081)

3) (北京理工大學(xué)長三角研究院(嘉興),嘉興 314019)

基于人臉視頻的生理信號檢測面臨的主要挑戰(zhàn)是運(yùn)動偽影噪聲.針對受試者頭部剛性旋轉(zhuǎn)運(yùn)動引起的偽影噪聲,本文提出利用頭部運(yùn)動信息構(gòu)建自適應(yīng)濾波器的非接觸式心率檢測方法.該方法利用人臉二維和三維的特征點(diǎn)計算受試者運(yùn)動中頭部的偏航和俯仰歐拉角度,并將其作為調(diào)控過程噪聲協(xié)方差的信號質(zhì)量指數(shù),進(jìn)而構(gòu)建了自適應(yīng)Kalman 濾波器,實(shí)現(xiàn)了穩(wěn)健的心率估計.實(shí)驗(yàn)結(jié)果表明:本文提出的方法可有效抑制頭部剛性旋轉(zhuǎn)運(yùn)動引起的噪聲,平均絕對誤差為2.22 beat/min,均方根誤差為2.76 beat/min,與現(xiàn)有方法相比準(zhǔn)確度分別提升9%與24.6%,具有統(tǒng)計顯著性.本文提出的頭部旋轉(zhuǎn)角度自適應(yīng)非接觸魯棒性心率檢測方法在自發(fā)運(yùn)動的真實(shí)場景下能有效提升檢測的準(zhǔn)確性,擴(kuò)大了成像式光電容積描記技術(shù)在視頻健康監(jiān)測領(lǐng)域的使用場景.

1 引言

心腦血管疾病已經(jīng)成為人類健康的主要威脅,根據(jù)心腦血管疾病早發(fā)現(xiàn)、早治療,積極干預(yù)的防治需求[1],尋求一種操作簡單、結(jié)果準(zhǔn)確、可重復(fù)性好、并可應(yīng)用于大規(guī)模人群日常檢測的測量技術(shù)具有重要意義.成像式光電容積描記(imaging photoplethysmography,IPPG)技術(shù)是在光電容積描記(photoplethysmography,PPG)技術(shù)基礎(chǔ)上發(fā)展的一種基于成像設(shè)備的非接觸生理參數(shù)檢測技術(shù)[2,3],克服了傳統(tǒng)PPG 技術(shù)存在的缺陷,正逐漸應(yīng)用于遠(yuǎn)程醫(yī)療監(jiān)控等領(lǐng)域,成為近年來研究的熱點(diǎn)[4,5].

基于IPPG 的心率測量技術(shù)研究已經(jīng)取得了重要進(jìn)展,可以在受試者靜止及輕微非剛性運(yùn)動狀態(tài)下實(shí)現(xiàn)心率測量[6,7],運(yùn)動偽影是目前限制該技術(shù)的主要瓶頸.解決運(yùn)動偽影的常用方法主要包括基于數(shù)據(jù)的顏色通道線性組合法、基于先驗(yàn)知識的顏色通道組合法及基于圖像預(yù)處理的方法.基于數(shù)據(jù)的顏色通道線性組合法是依據(jù)血紅蛋白的光吸收在整個光譜范圍內(nèi)的相對強(qiáng)度差異性,利用數(shù)據(jù)統(tǒng)計線性組合人體皮膚在三色通道的信號實(shí)現(xiàn)運(yùn)動魯棒性的方法,通常綠色通道具有較強(qiáng)的脈搏信號強(qiáng)度[8].2008 年,Hülsbusch[9]構(gòu)建了雙色通道線性組合法,首次利用該強(qiáng)度的差異性將PPG 信號和運(yùn)動偽影分成兩個獨(dú)立的信號;2010 年,Poh 等[10,11]擴(kuò)展了這項(xiàng)工作,提出了通過獨(dú)立分量分析(independent component analysis,ICA)方法,并將非高斯性作為獨(dú)立標(biāo)準(zhǔn)線性組合三通道信號;Lewandowska 等[12]在2011 年提出主成分分析(principal component analysis,PCA)法重新定義了三通道的獨(dú)立線性組合,使用盲源分離技術(shù)(blind source separation,BSS)分離了PPG 信號及噪聲.基于數(shù)據(jù)的顏色通道線性組合法認(rèn)為攜帶脈搏信號的成分是先驗(yàn)未知的,同時顯示出最強(qiáng)的周期性,但由于運(yùn)動偽影同樣具有強(qiáng)周期性使其不適用于真實(shí)運(yùn)動場景.由于基于數(shù)據(jù)的線性組合法需要較長觀測時間,有研究提出了基于先驗(yàn)知識的顏色通道組合法,根據(jù)不同的經(jīng)驗(yàn)推理加權(quán)組合三色通道信號克服運(yùn)動偽影.其中具有代表性的研究如下:2013 年Haan 和Jeanne[13]提出的基于皮膚反射物理模型組合三通道信號獲得色度(chrominance,CHROM)信號的方法,首次實(shí)現(xiàn)利用IPPG技術(shù)測量單人受試者在健身器材上運(yùn)動時的心率;2017 年,Wang 等[14]提出了顏色失真濾波算法(color-distortion filtering,CDF),選取不同的顏色特征變化作為噪聲和信號的分離依據(jù),從而實(shí)現(xiàn)對RGB 信號濾波;2017 年,Wang 等[15,16]提出的基于正交膚色平面(plane orthogonal to skin,POS)的方法,在RGB 空間中尋找一個與皮膚正交的平面以提取脈沖信號.上述研究均是針對信號處理部分,實(shí)際上對圖像進(jìn)行跟蹤配準(zhǔn)等預(yù)處理也可以實(shí)現(xiàn)在一定程度減小運(yùn)動偽差影響,如圖像配準(zhǔn)法[17]、感興趣區(qū)域(region of interest,ROI)空間平均法[6]、ROI 跟蹤法[18]、依據(jù)時頻分析法的抗運(yùn)動頻譜峰值跟蹤[19],及適用于長距離移動的基于自適應(yīng)變焦系統(tǒng)心率檢測法[20]等.

然而,現(xiàn)有方法均只適用于呼吸、頭部輕微移動等非剛性運(yùn)動場景,當(dāng)受試者進(jìn)行旋轉(zhuǎn)頭部和行走等自發(fā)性運(yùn)動時無法準(zhǔn)確估計心率.針對上述問題,本文提出了一種利用角度信息構(gòu)造自適應(yīng)濾波器抑制頭部剛性旋轉(zhuǎn)運(yùn)動偽差的方法,提供單一穩(wěn)健的心率估計.該方法在目前基于IPPG 心率測量研究的基礎(chǔ)上擴(kuò)大了在自發(fā)運(yùn)動狀況下的使用場景,滿足了在頭部剛性旋轉(zhuǎn)運(yùn)動場景下非接觸的實(shí)時準(zhǔn)確測量心率,從而有效監(jiān)控運(yùn)動中受試者的健康狀態(tài),進(jìn)一步推動了IPPG 在生理信號檢測和視頻健康監(jiān)測領(lǐng)域的發(fā)展.

基于人臉視頻[21]的IPPG 心率測量技術(shù),利用成像設(shè)備對包含被測部位的信息進(jìn)行視頻采集[22],將脈搏信號即由血液容積變化引起的光強(qiáng)變化用視頻圖像的方式記錄下來,再通過對視頻圖像處理提取出脈搏波信號[23-25],最后通過脈搏波特征量的分析實(shí)現(xiàn)心率信號的提取[4,26,27].事實(shí)上,在普通的生活場景中,如在健身、長期遠(yuǎn)程連接醫(yī)療監(jiān)控技術(shù)時,難以避免受試者相對于相機(jī)的運(yùn)動.下面將針對受試部位(臉部)剛性旋轉(zhuǎn)運(yùn)動引起的運(yùn)動偽差,分析其產(chǎn)生原因,并對本文提出的噪聲抑制方法進(jìn)行闡述.

2 方 法

基于人臉視頻的IPPG 心率測量技術(shù),利用成像設(shè)備對包含被測部位的信息進(jìn)行視頻采集,將脈搏信號即由血液容積變化引起的光強(qiáng)變化用視頻圖像的方式記錄下來,再通過對視頻圖像處理提取出脈搏波信號,最后通過脈搏波特征量的分析實(shí)現(xiàn)心率信號的提取.

2.1 剛性運(yùn)動偽差

在運(yùn)動的場景中,將人臉視作一個剛體,即其在三維空間中的旋轉(zhuǎn)運(yùn)動可以分為3 種類型:俯仰(pitch)、偏航(yaw)、翻轉(zhuǎn)(roll),如圖1 所示.

圖1 人臉的3 個旋轉(zhuǎn)運(yùn)動自由度Fig.1.Three rotational freedom degrees of human head.

當(dāng)生物皮膚組織在各個方向具有均勻照度的理想環(huán)境(積分球)中,且觀察角度小于60°時,可近似視作擴(kuò)展的朗伯輻射源[28].假設(shè)人臉在理想光照環(huán)境中運(yùn)動,即將人臉視作擴(kuò)展朗伯輻射源,其輻亮度與方向無關(guān).

當(dāng)人臉保持靜止時,成像系統(tǒng)像平面的輻照度E可表示為

其中,τ表示成像系統(tǒng)透過率;L表示ROI 輻亮度;D/f′表示光學(xué)系統(tǒng)數(shù)值孔徑.

CCD 相機(jī)接收到的總功率P可表示為

其中,AEP表示入射光瞳面積.

原始IPPG 信號正比于CCD 接受總功率與ROI 的像面積之比

人臉作為擴(kuò)展朗伯輻射源,所以當(dāng)人臉以角度α旋轉(zhuǎn)時輻亮度L不隨角度α變化,只有ROI 的像面積隨角度α變化,因此(3)式應(yīng)改寫為

由于當(dāng)人臉做翻轉(zhuǎn)運(yùn)動時CCD 相機(jī)獲取的像面大小實(shí)際上沒有改變,并且在真實(shí)場景中頭部的上下、左右方向的旋轉(zhuǎn)運(yùn)動更頻繁,故在本文中僅考慮俯仰和偏航運(yùn)動對心率信號的影響.

人臉做俯仰和偏航運(yùn)動會引起 cos2α的變化,從而對IPPG 信號引入誤差.然而真實(shí)場景中的環(huán)境與均勻照度的積分球的差異較大,人臉ROI 作為接收面,入射光強(qiáng)會隨著接收面法線和輻射方向的夾角改變而變化,導(dǎo)致CCD 相機(jī)采集視頻時人臉ROI 作為輻射面的輻亮度L也會隨著之改變.

綜上所述,當(dāng)人臉做俯仰或偏航運(yùn)動時,原始IPPG 信號會受旋轉(zhuǎn)角度α變化及ROI 入射光強(qiáng)變化的調(diào)制,繼而引入了運(yùn)動偽影.

2.2 旋轉(zhuǎn)運(yùn)動自適應(yīng)濾波器

依據(jù)貝葉斯算法,在測量心率前對真值的預(yù)測為該時刻的先驗(yàn)概率,在得到測量值后對真實(shí)值的估計為后驗(yàn)概率.由于后驗(yàn)概率中包含測量過程中產(chǎn)生的噪聲,例如運(yùn)動偽影等,故利用先驗(yàn)概率修正信號實(shí)現(xiàn)對錯誤心率估計的濾波.本文僅考慮測量過程中旋轉(zhuǎn)頭部運(yùn)動的影響,如無特別說明下文中提到的測量噪聲均指旋轉(zhuǎn)頭部運(yùn)動引入的偽影.

依據(jù)2.1 節(jié)的分析,本文利用貝葉斯框架,設(shè)計了一種頭部旋轉(zhuǎn)運(yùn)動自適應(yīng)濾波器,其實(shí)質(zhì)是根據(jù)人臉旋轉(zhuǎn)的角度信息自適應(yīng)地改變過程噪聲協(xié)方差估計,在新數(shù)據(jù)到達(dá)時準(zhǔn)確估計心率動態(tài)變化.

2.2.1 自適應(yīng)過程噪聲協(xié)方差

為從人臉視頻中獲取頭部旋轉(zhuǎn)角度信息,即頭部姿態(tài)歐拉角,首先利用 CLNF 算法定位面部特征點(diǎn)坐標(biāo),并將二維點(diǎn)反向投影到三維人臉模型,得到三維點(diǎn)坐標(biāo),再通過標(biāo)定獲得相機(jī)標(biāo)定參數(shù),最后利用最小二乘法求解透視位姿得出頭部姿態(tài)歐拉角[29-32].本文僅考慮俯仰角度(pitch)和偏航角度(yaw):

對所獲角度的絕對值進(jìn)行歸一化并取反操作,使數(shù)值范圍在0—1 之間.并滿足旋轉(zhuǎn)角度較大時數(shù)值趨近于0,角度較小時數(shù)值趨近于1:

令信號質(zhì)量指數(shù)為

利用信號質(zhì)量指數(shù)θSQI調(diào)節(jié)測量噪聲協(xié)方差估計,構(gòu)成頭部旋轉(zhuǎn)自適應(yīng)協(xié)方差RSQI:

其中,R0取經(jīng)驗(yàn)值0.1[33].由此將獲得的自適應(yīng)測量噪聲協(xié)方差與Kalman 濾波器結(jié)合,使得濾波器在頭部旋轉(zhuǎn)歐拉角較大即數(shù)據(jù)置信度較低時,測量噪聲協(xié)方差較大.

2.2.2 基于RSQI調(diào)控Kalman 增益構(gòu)造自適應(yīng)濾波器

本文提出的貝葉斯決策是基于張玉燕等[34]和Nemati 等[35]提出的Kalman 濾波器基礎(chǔ)上實(shí)現(xiàn)的.Kalman 濾波器提供了一種有效的遞歸解決方案,它通過組合之前狀態(tài)值和當(dāng)前觀測值,推斷或重構(gòu)最符合系統(tǒng)狀態(tài)真實(shí)值的最優(yōu)估計.

假設(shè)第k個的心率真實(shí)狀態(tài)值為xk,觀測值為yk,分別滿足如下的離散時間差分方程:

其中,A為狀態(tài)轉(zhuǎn)移矩陣;xk-1為前一時刻的心率狀態(tài)值;uk為該時刻系統(tǒng)的控制輸入變量;H為系統(tǒng)的測量參數(shù);wk-1為過程激勵噪聲,vk為測量噪聲,二者均為高斯噪聲且相互獨(dú)立,他們的正態(tài)分布均值為0,協(xié)方差分別為.由于人體在穩(wěn)定狀態(tài)下心率不會突變,因此假定A為單位矩陣;忽略控制輸入變量、將測量參數(shù)H設(shè)為1;忽略過程激勵噪聲的影響,將Q設(shè)置為經(jīng)驗(yàn)值1.(10)式和(11)式改寫為

假設(shè)第k-1個心率為均值為、協(xié)方差為的正態(tài)分布,即第k-1 個時刻的后驗(yàn)估計的協(xié)方差為

預(yù)測步驟

根據(jù)貝葉斯規(guī)則,第k個時刻的先驗(yàn)估計及協(xié)方差為

即預(yù)測步驟為:當(dāng)前時刻的先驗(yàn)概率由上一時刻的后驗(yàn)概率決定.

更新步驟

可以由預(yù)測步驟得到第k個時刻的狀態(tài)更新,即后驗(yàn)估計及協(xié)方差為

(16)式和(17)式中,Kalman 增益是Kalman 濾波過程中的核心步驟.利用(9)式得到的自適應(yīng)測量噪聲協(xié)方差來調(diào)節(jié)Kalman 增益系數(shù),定義如下:

當(dāng)出現(xiàn)偽影時,估計測量噪聲協(xié)方差RSQI會增大,顯著降低Kalman 增益,此時降低測量數(shù)據(jù)的置信度,更信任該時刻的先驗(yàn)概率分布.

圖2 為本文提出自適應(yīng)濾波器的算法流程圖.首先,使用頭部姿勢歐拉角信息構(gòu)建心率信號質(zhì)量指數(shù),用于估計自適應(yīng)測量噪聲協(xié)方差RSQI.然后,利用RSQI計算Kalman 增益系數(shù);根據(jù)頭部姿勢角度值的動態(tài)變化,結(jié)合Kalman 增益系數(shù)、心率測量值和當(dāng)前時刻的先驗(yàn)概率,實(shí)現(xiàn)對新到達(dá)數(shù)據(jù)的自適應(yīng)濾波.最終,將當(dāng)前狀態(tài)的后驗(yàn)概率更新為后續(xù)狀態(tài)的先驗(yàn)概率.當(dāng)某一時刻后不再有新的心率測量值傳入時,退出該更新迭代循環(huán).

圖2 頭部旋轉(zhuǎn)角度信息作為自適應(yīng)濾波器質(zhì)量控制的流程圖Fig.2.Flow chart of head rotation angles as a quality control of our proposed adaptive filter.

3 實(shí)驗(yàn)系統(tǒng)

3.1 實(shí)驗(yàn)方案

實(shí)驗(yàn)方案如圖3 所示.實(shí)驗(yàn)中采集的視頻幀率為30 frame/s,分辨率為1024×768,并保存為AVI格式.所有測量均采用環(huán)境光穩(wěn)定的房間,避免了環(huán)境光強(qiáng)突變對實(shí)驗(yàn)結(jié)果的干擾.在所有實(shí)驗(yàn)中,CCD 相機(jī)采集人臉視頻,然后通過數(shù)據(jù)線傳輸?shù)诫娔X端進(jìn)行存儲和分析.同時,利用指夾式血氧儀(德州儀器公司,AFE4400SPO2EVM)進(jìn)行心率檢測,并將其測量結(jié)果作為參考真值.

圖3 實(shí)驗(yàn)方案圖 (a) 實(shí)驗(yàn)裝置示意圖;(b) 采集到的視頻片段((i)頭部姿勢的歐拉角為0°;(ii) 頭部俯仰運(yùn)動;(iii) 頭部偏航)Fig.3.Experimental plan diagram:(a) Experiment set-up;(b) video clips ((i) the Euler angle of the head pose is 0°;(ii) the head pitch segment;(iii) the head yaw segment).

參加實(shí)驗(yàn)的志愿者為21 名年齡在23—28 周歲之間的在校研究生,志愿者在參加實(shí)驗(yàn)前被告知了實(shí)驗(yàn)?zāi)康那揖亲栽竻⒓訉?shí)驗(yàn),所有參加實(shí)驗(yàn)的志愿者均身體健康無心臟病等疾病.實(shí)驗(yàn)中,要求受試者距離CCD 相機(jī)0.5 m 保持靜止,并正向面對相機(jī)(視線與相機(jī)法線平行)隨機(jī)做出頭部俯仰及偏航的動作.

3.2 感興趣區(qū)域提取

本文設(shè)計了如下由面部關(guān)鍵點(diǎn)構(gòu)建的動態(tài)臉頰與鼻翼ROI 區(qū)域提取方法:選取面部68 個關(guān)鍵點(diǎn)中第1,17,42 和47 個關(guān)鍵點(diǎn)構(gòu)建人臉ROI 區(qū)域,如圖4(a)所示.由p1和p2關(guān)鍵點(diǎn)決定的矩形區(qū)域作為ROI 區(qū)域,如圖4(b)所示.

圖4 中,p1和p2關(guān)鍵點(diǎn)的坐標(biāo)由下式確定:

式中pxn和pyn(n=1,16,41,46) 代表 點(diǎn)n的x坐 標(biāo)和y坐標(biāo);加(減)50 代表向右(左)偏移50 個像素值,如圖4(b)中藍(lán)色圓點(diǎn)所示;h代表當(dāng)前幀的人臉檢測高度.采用兩側(cè)關(guān)鍵點(diǎn)分別向內(nèi)偏移50 個像素值決定矩形框左右邊界,保證ROI 區(qū)域內(nèi)不會隨著頭部的旋轉(zhuǎn)運(yùn)動(如圖4(c))而采集到環(huán)境背景,從而很好地避免了引入唇色噪聲和背景噪聲.

圖4 矩形ROI 區(qū)域選取示意圖 (a)面部68 個關(guān)鍵點(diǎn)檢測;(b)臉頰矩形ROI 區(qū)域;(c)偏航運(yùn)動時ROI 區(qū)域Fig.4.Flow chart of rectangular ROI area selection:(a) 68 feature points detection;(b) rectangular ROI area;(c) ROI area during yaw motion.

3.3 數(shù)據(jù)處理

本文提出的心率檢測方法算法流程如圖5 所示.首先采用開源工具OpenFace2.0 對采集到的視頻進(jìn)行人臉檢測,基于特定人臉關(guān)鍵點(diǎn)選取毛細(xì)血管分布豐富的臉頰和鼻翼區(qū)域作為ROI,對每一幀的人臉圖像提取ROI 區(qū)域可以有效克服因受試者頭部移動等運(yùn)動引入的噪聲偽影.然后將每一幀ROI 的像素均值按視頻時間序列連接生成原始IPPG 信號.然后將每一幀ROI 的像素均值按視頻時間序列連接生成原始IPPG 信號.再采用先驗(yàn)平滑濾波(prior smoothing filter,PSF)[36]對IPPG信號進(jìn)行去趨勢處理,去除信號的低頻漂移趨勢噪聲.通過小波濾波算法消除高頻噪聲,具體為首先選擇db12 小波基對原始信號進(jìn)行6 層分解,由于人體脈搏信號頻率一般在0.7—4.0 Hz 之間,因此選擇第4,5,6 層的細(xì)節(jié)信號重構(gòu)脈搏波信號(對應(yīng)的頻率范圍為0.469—3.75 Hz).最后對去噪后的信號建立10 s 的滑動窗口進(jìn)行快速傅里葉變換[37],設(shè)置滑動步長為0.2 s,并對窗口內(nèi)的有效數(shù)據(jù)進(jìn)行補(bǔ)零操作避免頻譜泄漏,獲得其對應(yīng)功率譜,并利用功率譜峰峰值所在頻率估算心率.并對指夾式血氧儀獲取的一維時域脈搏信號同樣以10 s 的窗口大小及0.2 s 的滑動步長進(jìn)行快速傅里葉變換,通過其功率譜計算得到參考真實(shí)心率值.

圖5 本文提出方法的流程圖Fig.5.Flow chart of method proposed in this paper.

在上述基礎(chǔ)上,結(jié)合人臉二維及三維特征點(diǎn)計算頭部姿勢歐拉角度,進(jìn)而根據(jù)角度絕對值獲得信號質(zhì)量指數(shù)θSQI,利用θSQI估計測量噪聲協(xié)方差RSQI從而調(diào)控Kalman 增益,以此構(gòu)建一個頭部旋轉(zhuǎn)運(yùn)動的自適應(yīng)濾波器.該濾波器能夠依據(jù)頭部旋轉(zhuǎn)角度的變化動態(tài)濾除旋轉(zhuǎn)運(yùn)動引入的噪聲,進(jìn)而實(shí)現(xiàn)單一穩(wěn)健的心率檢測.

4 結(jié)果與討論

為驗(yàn)證本文提出算法的可行性,將所提出的濾波器與目前性能較佳的CHROM 方法[13]結(jié)合并進(jìn)行對比實(shí)驗(yàn).

圖6 為某一受試者的測試結(jié)果.圖中淺灰色和深灰色虛線分別為頭部偏航和俯仰角度變化曲線,藍(lán)線為參考設(shè)備指夾式血氧儀測得的心率值.綠線為僅采用CHROM 算法測得的心率值,紅線為加入本文提出的自適應(yīng)濾波器算法后測得的心率值.從圖6 可以看出,當(dāng)局部出現(xiàn)運(yùn)動偽影時,CHROM不能有效抑制運(yùn)動偽差,而結(jié)合本文提出的算法后,能穩(wěn)健地抑制運(yùn)動偽差,實(shí)現(xiàn)心率準(zhǔn)確測量.

圖6 本文提出的濾波器與CHROM 結(jié)合的對比結(jié)果Fig.6.Comparison results of the filter proposed in this paper combined with CHROM.

為定量描述上述兩種方法的21 組實(shí)驗(yàn)結(jié)果與真實(shí)心率值之間的一致性,用相關(guān)性圖進(jìn)行了結(jié)果分析,結(jié)果如圖7 所示.

圖7 給出了CHROM 方法和本文提出的濾波器與CHROM 結(jié)合的21 組實(shí)驗(yàn)結(jié)果相關(guān)性圖.圖中任意一點(diǎn)的橫軸表示實(shí)驗(yàn)的心率估計值,縱軸表示指夾式血氧儀獲得的心率參考真值.從圖7 的相關(guān)性結(jié)果中可以看出,與傳統(tǒng)的CHROM 方法相比,利用本文所提方法獲得的心率估計值與心率真實(shí)值更趨于一致,表明頭部旋轉(zhuǎn)自適應(yīng)濾波器顯著提高了心率估計結(jié)果與真實(shí)心率結(jié)果的一致性.

為了進(jìn)一步證實(shí)這一結(jié)論說法,將本文設(shè)計的濾波器與不同的傳統(tǒng)方法(GREEN,CDF,POS,CHROM)結(jié)合前后的性能(誤差)進(jìn)行定量分析,結(jié)果如表1 所列.

表1 為本文設(shè)計的濾波器與不同的傳統(tǒng)方法(GREEN,CDF,POS,CHROM)結(jié)合前后測得心率值的MAE 和RMSE 誤差結(jié)果,從表1 可以看出,4 種方法增加了本文的自適應(yīng)濾波器后MAE及RMSE 均有明顯提升效果;其中在CHROM 的基礎(chǔ)上組合本文的自適應(yīng)濾波器后的效果最優(yōu),其MEA 及RMSE 值分別為2.22 beat/min 和2.74 beat/min,較CHROM 的結(jié)果提升了9%和25%,R2相關(guān)系數(shù)提升了3%.尤其應(yīng)注意,CHROM疊加CDF 再與本文的自適應(yīng)濾波器結(jié)合后,R2相關(guān)系數(shù)最優(yōu),高達(dá)0.8901,說明CDF 方法與本文的濾波器結(jié)合能有效提升心率信號與真實(shí)值的相關(guān)性.上述結(jié)果分析表明,本文提出的頭部剛性旋轉(zhuǎn)自適應(yīng)濾波器能有效抑制旋轉(zhuǎn)運(yùn)動引入的偽影并且顯著提升估計心率值的準(zhǔn)確性.

圖721 組實(shí)驗(yàn)結(jié)果相關(guān)性圖(圖中紅線表示y=x 的線性關(guān)系) (a) CHROM 方法的相關(guān)性圖;(b)本文提出的濾波器與CHROM 結(jié)合的相關(guān)性圖Fig.7.Correlation plots of 21 groups of experimental results (the red lines in the plots indicate linear relationship of y=x):(a) Correlation plot of CHROM method;(b) correlation plot of combining CHROM with our proposed adaptive filter.

表1 本文提出的自適應(yīng)濾波器與不同的傳統(tǒng)方法結(jié)合前后實(shí)驗(yàn)結(jié)果對比Table 1.Comparison of experimental results before and after combining the filter proposed in this paper with different traditional methods.

需要說明的是,本文在處理頭部姿態(tài)歐拉角度時應(yīng)用的歸一化操作使用了視頻片段中的最大歐拉角度用于確定信號質(zhì)量指數(shù),在實(shí)時監(jiān)控受試者的心率值時,會有一定的處理時間延遲,因此我們會在未來的工作中繼續(xù)進(jìn)行相關(guān)的實(shí)驗(yàn)研究.Kalman 濾波器參數(shù)的初始化值是影響該技術(shù)性能的重要因素,本文并沒有確定心率檢測的最優(yōu)濾波器參數(shù),相關(guān)工作將在日后的研究中進(jìn)行探討.此外,本文提出的由頭部姿態(tài)信息估計自適應(yīng)測量噪聲協(xié)方差,并以此構(gòu)建自適應(yīng)Kalman 濾波器抑制運(yùn)動偽差的方法,適用于任何由運(yùn)動偽影引入噪聲的時間序列信號,可以擴(kuò)展到其他非接觸式生理參數(shù)檢測及跟蹤技術(shù)領(lǐng)域.

5 結(jié)論

本文針對非接觸式心率檢測時受試者剛性運(yùn)動引入偽影的問題,提出了一種根據(jù)頭部姿態(tài)角度作為主要失真指標(biāo)提高心率測量準(zhǔn)確率的方法.該方法利用人臉檢測技術(shù)獲得受試者頭部姿態(tài)歐拉角度并以此計算信號質(zhì)量指數(shù)θSQI,根據(jù)θSQI估計測量噪聲協(xié)方差來調(diào)控Kalman 增益,從而構(gòu)建一個頭部剛性旋轉(zhuǎn)運(yùn)動的自適應(yīng)濾波器,利用該濾波器有效提高了心率檢測準(zhǔn)確性.與傳統(tǒng)的適應(yīng)于運(yùn)動場景的心率檢測算法的對比分析表明,本文提出并設(shè)計的自適應(yīng)濾波器有效解決了頭部剛性旋轉(zhuǎn)運(yùn)動引起偽差的問題.該方法使基于人臉視頻的心率檢測技術(shù)在現(xiàn)實(shí)場景中有效監(jiān)控受試者自發(fā)運(yùn)動時的健康狀態(tài)成為可能,進(jìn)一步推動了IPPG 技術(shù)在生理信號檢測和視頻健康監(jiān)測領(lǐng)域的發(fā)展.