基于权重优化卷积神经网络的非接触心率检测

心率是反映人体健康状况和运动状态的重要指标。针对传统心率检测的局限性,近年来提出了许多非接触式的检测方法,其在配合条件下的效果较好,但是在有运动干扰时准确率明显下降。针对该问题,文章结合计算机视觉与深度学习前沿理论,提出一种基于权重优化卷积神经网络的非接触心率检测方法,通过优化卷积神经网络的结构,提高网络的抗噪性能,获得更准确的心率值。首先输入相对稳定的面部视频,然后将输入的面部视频逐帧按行取像素平均值并时域扩展得到各行子脉搏波,再使用主成分分析(principal component analysis,PCA)法与带通滤波器对各行子脉搏波组成的脉搏矩阵进行处理,最后将所得特征矩阵输入权重优化卷积神经网络学习,预测心率值。为了验证该方法的性能优势,使用自采数据集中的2200份人脸视频样本进行实验分析,实验结果表明,文中所提方法与现有的非接触心率检测方法相比,具有更高的准确率、更强的鲁棒性。