基于交叉滑动窗口模型算法的非接触心率测量方法

为解决传统接触式心率测量系统设备昂贵、操作复杂的问题,在远程光电容积描记法(remote photoplethysmography,r PPG)测量心率的基础上,提出一种基于交叉滑动窗口模型(cross sliding window model,CSWM)算法的非接触心率测量方法。首先调用人脸检测模型SSD300检测视频中的人脸,然后使用Otsu算法对人脸皮肤区域进行分割,并用形态学方法腐蚀皮肤之间的眼睛、嘴巴区域,同时用KCF算法跟踪人脸,并将人脸区域均分为2×2的大小,然后使用CHROM算法提取rPPG波形,最后运用CSWM方法对rPPG波形进行处理,得到实时变化的心率。实验结果表明:该方法计算出的心率与同时用脉搏血氧仪测出的心率之间的平均准确率为97.9217%,Bland-Altman一致性系数达0.962302,完全满足临床要求。

基于3D多尺度卷积的非接触心率估计模型

为了在真实环境下实现更准确的非接触式心率(HR)估计,提出一种远程光电容积描记术(rPPG)和HR信号恢复任务的端到端时空卷积神经网络(CNN)模型。模型使用3D多尺度卷积注意力获取多尺度特征并融合上下文信息。其次引入自注意力卷积长短期记忆(SA-ConvLSTM)提取具有全局依赖和局部依赖的时间空间特征。最后,根据rPPG和HR信号的强关联性,使用多任务学习方法来提高模型性能。在公开的UBFC-rPPG和COHFACE数据集上进行实验测试,结果表明:提出的网络模型在非接触式HR提取中具有更好鲁棒性。

基于人脸视频的非接触式心率测量研究

心率是脉搏波的最基本信息,是人体健康的一项重要生理指标。传统的心率检测多与人体有直接接触,而长时间的接触会造成被试者的不适,因而不适合长时间的心率测量。因此本文提出了利用摄像头实现非接触式对被测者的光电容积脉搏波(RPPG: remote Photo Plethysmography)的提取和分析的方法。即基于人脸识别技术,实现从摄像头中自动分割被测试者的面部信息,选取感兴趣区域(ROI: Region of Interest),使用计算机视觉技术和独立成分分析算法(ICA: Independent ComponentAnalysis),从摄像头视频中提取被测者的光电容积脉搏波信号。本文设计实现了非接触式测量心率,提供了一种较为准确的心率测量方法。

头部旋转运动下自适应非接触鲁棒性心率检测方法

基于人脸视频的生理信号检测面临的主要挑战是运动伪影噪声.针对受试者头部刚性旋转运动引起的伪影噪声,本文提出利用头部运动信息构建自适应滤波器的非接触式心率检测方法.该方法利用人脸二维和三维的特征点计算受试者运动中头部的偏航和俯仰欧拉角度,并将其作为调控过程噪声协方差的信号质量指数,进而构建了自适应Kalman滤波器,实现了稳健的心率估计.实验结果表明:本文提出的方法可有效抑制头部刚性旋转运动引起的噪声,平均绝对误差为2.22 beat/min,均方根误差为2.76 beat/min,与现有方法相比准确度分别提升9%与24.6%,具有统计显著性.本文提出的头部旋转角度自适应非接触鲁棒性心率检测方法在自发运动的真实场景下能有效提升检测的准确性,扩大了成像式光电容积描记技术在视频健康监测领域的使用场景.

基于监控视频的非接触式心率信号检测方法

针对基于成像式光电容积描记(Imaging Photo Plethysmography,IPPG)原理的非接触式心率测量技术在实际应用中面临的两大问题:①人脸局部遮挡、整形、化妆;②成像设备帧率不稳定、监控视频信号传输延时造成的非均匀采样,提出了一种基于人脸面部区域选择与信号重采样的脉搏波信号预处理方法,对从监控视频信息中采集的特征信号进行预处理,实现了脉搏波信号的准确、均匀提取。实验结果表明,经过本方法预处理得到的脉搏波信号能够在实际使用中获得更加准确的测量结果。

基于BiEWT算法和谱估计的非接触式心率测量研究

传统非接触式心率测量采用快速傅里叶变换和峰值检测方法,存在易受环境噪声影响、测量结果波动较大、精度较低的问题。因此,提出一种二重经验小波变换(Binary Empirical Wavelet Trans⁃form,BiEWT)和功率谱估计(Power Spectrum Estimation,PSE)相结合的非接触毫米波雷达心率测量方法。BiEWT算法融合了自适应分解方法和引入先验知识的经验小波分解方法的优势。通过R-EWT提取去除与噪声相关的多尺度分析(Multiresolution Analysis,MRA)分量,并引入心率频率先验知识进行频点筛选。通过F-EWT进一步抑制残留噪声,重构出心跳信号。利用功率谱估计方法,计算被测人的心率。实验结果表明,该方法比单次高模数的EWT算法,注意力更集中于心率频率区间。比FFT+PD算法MAPE平均下降了1.74%,比WNR+PSE算法MAPE平均下降了1.18%。

非接触式心率呼吸频率监测仪对护患满意度的提高作用分析

探究非接触式心率呼吸频率监测仪对护患满意度提高的应用效果和意义。方法:选取我院患者为本次研究的主要对象,对象的选取时间为2021年3月—2021年6月,本研究共选取成人患者120例,均为需监测生命体征的患者,将其分为两组,一组给予病人监护仪,为对照组,另一组给予非接触式心率呼吸频率监测仪干预,为试验组,分析不同方法在患者中的应用效果。结果:试验组患者和对照组患者的护理满意度分别为96.67%和80.00%,两组数据差异显著,存在意义,P<0.05,试验组效果更好。结论:将非接触式心率呼吸频率监测仪干预应用在患者的监护过程中,其效果显著,可提高患者满意度,对临床发展具有积极意义。

非接触式心率呼吸频率监测仪在病区生命体征监测过程管理中的实践效果评价

探究非接触式心率呼吸频率监测仪在生命体征监测中的应用效果。方法:在我院科室展开研究工作,选取在2021年2月——2021年6月需进行生命体征监测的成年患者150例,将其分为两组,一组给予非接触式心率呼吸频率监测仪干预,为试验组,另一组给予心电监护仪,为对照组,分析不同方法在病区的患者满意度以及患者出现皮肤过敏的例数。结果:实施干预后,病区的患者的满意度比实施干预前提高了8.5%,患者出现皮肤过敏的例数从实施前的13例降为0例,且各项数据差异显著,P<0.05。结论:在非接触式心率呼吸频率监测仪进行应用时,可提高病区的患者满意度,降低皮肤过敏的发生率,对提高生命体征监测的安全性,减少不良事件的发生率具有积极意义。

基于自适应感兴趣区域的视频心率测量

基于视频的非接触光电容积脉搏波(Photoplethysmography,PPG)可以实现非接触式心率监测。为改善非接触PPG信号质量和提高非接触PPG技术检测心率的准确性,提出一种自适应感兴趣区域(Region of Interest,ROI)的方法。使用独立向量分析对人脸分区域处理,然后使用归一化分割选取信噪比和相关度最高的小区块作为自适应ROI来获取心率,通过对自适应ROI加权平均和频域处理得到非接触PPG信号。相比于预选定ROI的方法,该方法将头部静止状态下心率误差的均值和标准差从(4.72±6.46)次/分降低至(0.52±1.49)次/分,根均方误差(Root Mean Square Error,RMSE)从7.96次/分降低至1.50次/分,平均误差率从9.45%降低至1.73%。头部运动状态下该方法的误差为(1.02±2.91)次/分,RMSE为2.11次/分,误差降低50%以上。使用Bland-Altman及相关性分析比较该方法与使用接触式PPG仪器得到的心率,计算得到头部静止时95%置信区间为-2.44~3.48次/分,运动时为-2.76~4.79次/分。最后通过对比与接触式PPG信号的波形,证明该方法得到了细节完整的PPG信号。实验结果表明,该方法显著提升了PPG信号的质量与心率的准确率。

基于FastICA与ICEEMDAN的人脸视频心率检测

现有的非接触式心率检测方法存在噪声干扰、准确率低等问题。针对这些问题,提出一种基于FastICA与改进的自适应噪声完全集合经验模态分解(ICEEMDAN)相结合的算法,采用人脸视频进行心率检测。用摄像头采集人脸视频,并从视频中提取R、G、B通道源信号,即皮肤颜色变化信号,分别求出RGB这3个颜色通道的像素平均值;然后利用FastICA对RGB这3组像素平均值进行解混,得到3组独立源信号,再用ICEEMDAN将其中一组独立源信号进行模态分解,并选取合适频段内的固有模式函数(IMF)估计心率的信号,最后用频谱分析计算得到心率。设计实验对8名人员进行了人脸视频检测,将检测结果与多参数监护仪进行对比分析。实验结果表明,该方法与多参数监护仪测量结果的平均误差与均方根误差均小于1 beat/min,因此基于FastICA与ICEEMDAN的人脸视频心率检测对人体心率检测具有良好的稳定性和准确性。

彩色视频提取心率信号的联合近似对角化算法

为了实现从彩色视频中有效提取心率信号,实时检测人体心率,提出使用基于特征矩阵联合近似对角化的盲源分离算法,从RGB彩色可见光视频信号中分离周期信号,为周期信号处理和周期分析得出心率提供数据基础,从而提高非接触式心率测量的准确性。同时利用matlab编写程序进行仿真实验,实验结果表明该算法能有效分离振幅在干扰信号波动范围的0.2及以上的源信号,分离信号与已知源信号相关系数高达0.8。

基于视频的人体心率检测算法研究

传统的心率检测方法有侵入式和非侵入接触式两种测量方法,但是会造成不便。论文提出一种基于IPPG(Image photoplethysmography)技术的非接触式人体心率测量方法,从人体的裸露皮肤提取脉搏波信号,在脉搏波信号中提取人体的心率值。通过摄像头采集人体面部的信息,提取感兴趣区域的灰度均值后,经处理得到人体的心率。论文还通过实验调整了心率检测系统中的感兴趣区域、采样点数和图像颜色格式,使检测精度得到提升。利用论文方法测量人体心率,与指夹式血氧仪的测量数据进行比对,结果的平均绝对误差为1.91次/min和均方根误差为2.15次/min。

非规律运动伪迹干扰鲁棒的人脸视频心率检测

目的 基于远程光电容积脉搏波描记法(remote photoplethysmograph,rPPG)的非接触人脸视频心率检测广泛应用于移动健康监护领域,由于其携带的生理参数信息幅值微弱,容易受到运动伪迹干扰。据此,提出了一种结合非负矩阵分解(nonnegative matrix factorization,NMF)和独立向量分析(independent vector analysis,IVA)的非规律运动伪迹去除的视频心率检测方法,记为NMF-IVA。方法 首先,将面部感兴趣区域(region of interest,RoI)分为多个子区域(sub RoIs,SRoIs),利用平均光照强度、光照强度变化、信噪比这3个指标筛选出3个最优质的SRoIs,并获取每个SRoI的绿色通道时间序列。其次,将3个绿色通道时间序列去趋势、带通滤波后送入NMF-IVA进行盲源分离。然后,对分离后的源信号进行功率谱密度分析,并且将峰值信噪比最高且主频落在心率感兴趣范围内的源信号确定为血容量脉冲(blood volume pulse,BVP)信号。最后,将BVP信号的主频确定为所测量心率的主频,从而计算出心率值。结果 实验在2个公开数据集UBFC-RPPG和UBFC-PHYS,及1个真实场景自采数据集上与最相关的7种典型的rPPG方法进行比较,在UBFC-RPPG数据集上,相比于性能第2的单通道滤波(single channel filtering,SCF)方法,均方根误差提升了1.39 bpm(beat per minute)、平均绝对误差提升了1.25 bpm、皮尔逊相关系数提升了0.02;在UBFC-PHYS数据集上的T2情况下,其性能提升最为显著,相比于性能第2的独立向量分析(IVA)方法,均方根误差提升了16.42 bpm、平均绝对误差提升了9.91 bpm、皮尔逊相关系数提升了0.64;在自采数据集上,除了低于深度学习方法性能之外,所提NMF-IVA方法在传统方法中取得了最好的结果。结论 所提NMF-IVA方法对规律信号提取具有敏感性,即便是在头部存在剧烈非规律运动情况下,相比于传统方法亦能取得最优结果,该结果能够媲美基于深度学习的方法。

基于Matlab的非接触式心率测量

心率是人体健康的重要参考标准,对心率进行实时检测,有利于了解人体的健康情况以及对人体的若干疾病检测。本文运用光电容积描记法（PPG）,编写Matlab的程序以及制作GUI界面,用电脑的摄像头拍摄人脸的视频,通过分析被人脸的血液和组织反射后的光强的变化,可以得出这些光成分的周期性变化,然后运用信号处理的降噪、滤波、频谱分析等方法 ,定量地得到脉搏波的周期性信号,从而分析出心率。这项技术实现了脉搏检测的非接触化,具有低成本、高效率、准确性高的特点,对于医学的发展有积极的意义。

基于多通道雷达数据融合的人体心率精准测量

为实现人体心率的非接触式测量并提高其测量的精准度,本文提出一种基于多通道雷达数据融合的人体心率测量方法。雷达数据首先依次对每个通道数据进行人体位置识别、相位提取与解缠绕、相位差分、功率谱熵优化的带通滤波以及快速独立成分分析提取。再将四通道数据叠加融合后,使用霜冰优化的变分模态分解分离出心跳信号。最后引入线性调频Z变换进行心率估计。经过40组数据验证,本文方法的平均均方根误差为2.35次/分,平均错误率为2.39%,皮尔逊相关系数为0.97,置信区间为[–4.78,4.78]次/分,一致性误差为–0.04次/分。实验结果显示,本文提出的测量方法在准确性、相关性、一致性方面表现出色,能够实现人体心率的精准测量。

基于生成对抗学习的标准rPPG信号生成

为了提高生成远程光电容积脉搏波描记法(remote Photoplethysmography,rPPG)信号的波形规律性,降低心率计算难度,提出了一种标准化rPPG的信号生成方法。将人脸视频输入到生成对抗网络的生成器中,生成器通过有标签数据进行监督训练,预测得到人脸视频中蕴含的rPPG信号。为了进一步优化生成器的预测结果,使用数学建模方法生成标准的rPPG信号,并将其与生成器预测的信号同时输入至判别器中进行对抗学习,不断优化生成器参数,使得生成器能够学习标准信号的波形分布。这样,生成器预测的信号波形在形态上更接近于真实rPPG信号的波形分布,从而有利于后续心率计算。在不同数据集上进行的实验结果表明,该方法可以显著提高预测的准确性,且拥有更高的信噪比。