论文部分内容阅读
心率是直接反映人体健康的重要指标之一,基于视频的非接触式心率检测在医疗健康领域具有广泛的应用前景。现有的基于视频的方法不适用于复杂的现实场景,主要原因是没有考虑视频中目标晃动、光照条件和表情变化的干扰,使得血液容积脉冲(Blood Volume Pulse,BVP)信号提取不准确,检测精度不尽人意。干扰因素在不同人群之间存在差异,普通人在检测过程中的脸部晃动相对微弱且无明显表情变化,而新生儿极易产生剧烈的脸部晃动和复杂表情变化。针对视频中干扰的消除策略及其人群适用性等难点问题,本文深入研究了晃动脸部的跟踪方法和干净BVP信号的提取模型,提出了分别适用于普通人和新生儿的视频心率检测方法。创新性概括如下:(1)提出了一种抗人脸晃动干扰的视频心率检测方法。该方法研究普通人视频中的干扰问题,首先利用结合特征点检测和倾斜校正的脸部跟踪方法削弱人脸晃动的干扰;然后合理选择反映心跳的空间尺度特征和频率范围,放大人脸皮肤的颜色变化并提取干净的BVP信号;最后通过傅里叶系数迭代插值克服心率估计过程的小样本缺陷。(2)提出了一种新生儿视频心率检测方法。该方法重点研究新生儿视频中的表情干扰,在消除脸部晃动干扰之后,采用脸部多区域分割和加权融合机制,自适应选择表情变化影响较小的图像块计算BVP信号,实现表情干扰的抑制。引入小波分解消除脉搏的基线漂移噪声,获得更加干净的BVP信号用于心率估计。(3)探索了基于人脸视频的心跳规律分析。将从人脸视频中提取的BVP脉搏波与同步采集的心电图进行波形匹配,验证了视频法脉搏波与心电图在波动规律上的一致性。在此基础上,检测脉搏波的R-R间期指标,分析测试者的心跳规律,实现心律失常疾病的初步预测。为了检验本文提出的视频心率检测方法的效果,采集了大量的普通人和新生儿视频进行实验。结果表明:与现有的视频心率检测方法相比,本文方法具有更好的准确度和鲁棒性。此外,本文提出的基于人脸视频的心跳规律分析方法为心律失常等心脏疾病的非接触式预测提供了可行性参考。