FastICA与小波包分解相结合的人脸视频心率检测

本文提出一种结合Fast ICA与小波包分解,通过人脸视频进行心率检测的方法。首先通过建立肤色模型,将视频中每帧图片中的人脸区域分割出来,并将人脸区域进行RGB分离,分别求出RGB三个颜色通道的像素平均值;然后利用Fast ICA对RGB三组像素平均值进行解混,得到三组独立数据;最后选择其中一组数据作为心率提取对象,通过小波包分解,将信号的低频部分分解出来,通过峰值检测得到心率。在Matlab2011平台上对人脸视频进行处理分析,实验表明,结合Fast ICA与小波包分解的视频心率检测方法准确有效。

基于自适应心率搜索模型的心率提取算法

光容积描记图(PPG)是一种低成本、无创的心率测量技术,目前已经广泛应用于智能可穿戴设备中。然而PPG信号本身极易受到运动噪声的干扰,导致在剧烈运动状态下的心率计算准确率较低。针对这一问题,本文提出一种基于自适应心率搜索模型的心率提取算法。算法首先对加速度信号以及PPG信号进行预处理,之后分别从两种信号中提取出步频信息与历史心率信息,根据两种信息与当前心率间的关系建立自适应模型,以此动态输出心率在频域的可能出现范围,通过缩小真实心率在频域的查找范围来排除剧烈噪声干扰。在2015年IEEE信号处理杯十二组公开数据中,本文算法结果平均绝对误差为1.12次/分(皮尔森系数:0.996;一致性误差:-0.184次/分);在十组自测运动数据中,本文算法结果平均绝对误差为3.19次/分(皮尔森系数:0.990;一致性误差:1.327次/分)。结合实验结果来看,本文提出的算法能有效提取运动噪声干扰下的心率信息,在智能臂带设备中具有投入使用的潜能。