基于多变量奇异谱分析的非接触式心率检测方法技术

本发明专利技术公开了一种基于多变量奇异谱分析的非接触式心率检测方法，其步骤包括：1、首先获取视频图像并确定面部感兴趣区域；2、从感兴趣区域筛选四个最佳子区域，提取每个子区域的色度信号，将鼻尖部位的运动轨迹作为运动信号；3、自适应滤波去除色度信号中的运动伪影，作为输入信号；4、采用多变量奇异谱分析处理输入信号，并从中筛选出脉冲信号；5、采用频率谱分析的方法从脉冲信号中提取心率；6、最后根据心率连续性将异常的心率值找出并用正确的心率值替换。本发明专利技术能够同时去除光照变化的影响和头部运动的干扰，从而能提高非接触式视频心率检测的准确性。率检测的准确性。率检测的准确性。

【技术实现步骤摘要】
基于多变量奇异谱分析的非接触式心率检测方法


[0001]本专利技术属于生物医学信号处理的
，尤其涉及一种基于多变量奇异谱分析的非接触式心率检测方法。

技术介绍

[0002]目前心率的测量方法主要分为接触式与非接触式两类。接触式检测方法通过传统的测量仪器如心电图机、脉搏血氧仪等监测血容量脉冲。但由于测量时需要直接接触到受试者的皮肤，一定程度上会限制人体活动，且长时间的测量可能会引起受试者的不适，也不适用于婴儿及烧伤患者等特殊人群。非接触式测量方法也称远程光电容积脉搏波描记法(remote photoplethysmography，rPPG)，利用相机捕捉因血液流动而导致的皮肤颜色的变化，从而提取心率。能够克服传统接触式心率监测的缺点，具有无创、便携、易于实现等特点。
[0003]在rPPG技术中主要存在两大难题—光照变化和运动噪声。目前大多数研究场景都处于室内光源或自然光源条件下，光照变化比较小的情况下让受试者保持静止。Rencheng Song等人采用集合经验模态分解对筛选的最佳感兴趣区域的绿色通道进行分解，然后提取共同信息的方法(EEMD
‑
MCCA)，该方法能够有效地减小环境光变化对视频心率提取的影响。但是EEMD
‑
MCCA是两步法，EEMD的使用主要是构造MCCA的多通道输入集。但是在每个ROI中获得的IMF的数量是不同的，需要对IMF进行选择和填充，以保持每个集合的通道数量相同。IMF的选择过程是启发式的，可能会因为模态混合而失去有用的项。这将降低MCCA算法的效果。并且在实际场景中，受试者难免会有运动，因此如何在光照变化的情况下又能消除运动噪声的干扰，从而得到准确心率也成为一个挑战。

技术实现思路

[0004]本专利技术是为解决上述技术所存在的不足，提出了一种基于多变量奇异谱分析的非接触式心率检测方法，以期能去除环境光变化的影响和运动噪声的干扰，从而能提高非接触式视频心率检测的准确性。
[0005]本专利技术为解决技术问题采用如下技术方案如下：
[0006]本专利技术一种基于多元奇异谱分解的非接触式视频心率检测方法的特点是按照如下步骤进行：
[0007]步骤1：获取受试者的T帧视频数据并有重叠的划分为L份数据，且每份数据包含N帧视频图像；
[0008]步骤2：采用人脸检测及面部追踪法确定第l份N帧视频图像的面部感兴趣区域，将每帧视频图像中的面部感兴趣区域划分成Q块子区域，1≤l≤L；
[0009]步骤3：逐帧计算每块子区域在第l份N帧视频图像的像素均值，并根据每块子区域的像素均值，计算每块子区域的光照强度、光照变化和信噪比作为判断的质量指标，从而根据每块子区域的质量指标，从Q块子区域中选取P个最佳子区域，再从P个最佳子区域中提取
RGB通道均值信号并转化为HSV信号，提取所述HSV信号中的色度信号，记为H
l
＝{h
l,1
,h
l,2
,...,h
l,p
,...,h
l,P
}，h
l,p
为第l份N帧视频图像的第p个最佳子区域的色度信号，1＜p＜P；
[0010]步骤4：采用OpenFace法逐帧检测第l份N帧视频图像的人脸特征点，并将第l份N帧视频图像的鼻尖位置特征点的运动轨迹信号记为V
l
＝{v
l,1
,v
l,2
,...,v
l,j
,...,v
l,N
}；其中，v
l,j
为第l份第j帧视频图像中鼻尖位置特征点的位置坐标；
[0011]步骤5：利用第l份运动轨迹信号V
l
对第l份第p个最佳子区域的色度信号h
l,p
进行自适应滤波LMS处理，以去除第l份色度信号h
l,p
中的运动伪影，得到滤波后的第l份第p个色度信号且且表示第l份第j帧视频图像中滤波后的第p个色度信号的像素值，从而得到第l份滤波后的P个色度信号并作为第l个输入信号数据集；
[0012]步骤6：采用奇异谱分解方法将所述第l个输入信号数据集X
l
分解成若干个分量：
[0013]步骤6.1：设置窗口的长度为M，且M＜N/2，定义参数K＝N
‑
M+1，按照所述窗口的长度M和参数K从所述滤波后的第l份第p个色度信号中生成维度为M
×
K的第l份第p个轨迹矩阵然后将第l份P个轨迹矩阵拼接后构成维度为PM
×
K的汉克尔轨迹矩阵
[0014]步骤6.2：计算第l份轨迹矩阵Y
l
Y
lT
的特征值，记为λ
l,1
,...,λ
l,i
,...,λ
l,PM
，其中，λ
l,i
表示第l份轨迹矩阵Y
l
Y
lT
的第i个特征值；计算第l份轨迹矩阵Y
l
Y
lT
的特征值λ
l,1
,...,λ
l,i
,...,λ
l,PM
的标准正交向量，记为U
l,1
,...,U
l,i
,...,U
l,PM
，其中，U
l,i
表示特征值λ
l,i
对应的标准正交向量；计算R＝rank(Y
l
)，R表示矩阵Y
l
的秩，计算主成分
[0015]将第l份汉克尔轨迹矩阵Y
l
分解为Y
l
＝Y
l,1
+...+Y
l,i
+...+Y
l,R
，其中，Y
l,i
表示第l份轨迹矩阵Y
l
Y
lT
第i个特征值λ
i
对应的分解矩阵，且
[0016]步骤6.3：将第l份索引集{1,...,R}划分为R个不相交的子集I
l,i
＝{i},i＝1,2,...,R，I
l,i
表示第l份第i个子集；根据所述子集，对所述汉克尔轨迹矩阵Y
l
进行分组，得到第l份R组矩阵{Y
l,i
|1≤i≤R}，Y
l,i
由步骤6.2得到；
[0017]步骤6.4：对第l份R组矩阵Y
l,i
进行对角线求平均处理，得到第l份重构信号其中，表示第l份分组矩阵Y
l,i
对角线平均处理后的一维信号；
[0018]步骤7：将第l份重构信号分组，每组包含四个信号，将第一组信号
作为候选脉冲集，计算第l份第一组第i个候选心率信号的主频率以及二次谐波频率的能量之比，从而选择能量之比最大的候选心率信号作为脉冲信号，利用快速傅里叶变换将所述脉冲信号本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多元奇异谱分解的非接触式视频心率检测方法，其特征是按照如下步骤进行：步骤1：获取受试者的T帧视频数据并有重叠的划分为L份数据，且每份数据包含N帧视频图像；步骤2：采用人脸检测及面部追踪法确定第l份N帧视频图像的面部感兴趣区域，将每帧视频图像中的面部感兴趣区域划分成Q块子区域，1≤l≤L；步骤3：逐帧计算每块子区域在第l份N帧视频图像的像素均值，并根据每块子区域的像素均值，计算每块子区域的光照强度、光照变化和信噪比作为判断的质量指标，从而根据每块子区域的质量指标，从Q块子区域中选取P个最佳子区域，再从P个最佳子区域中提取RGB通道均值信号并转化为HSV信号，提取所述HSV信号中的色度信号，记为H
l
＝{h
l,1
,h
l,2
,...,h
l,p
,...,h
l,P
}，h
l,p
为第l份N帧视频图像的第p个最佳子区域的色度信号，1＜p＜P；步骤4：采用OpenFace法逐帧检测第l份N帧视频图像的人脸特征点，并将第l份N帧视频图像的鼻尖位置特征点的运动轨迹信号记为V
l
＝{v
l,1
,v
l,2
,...,v
l,j
,...,v
l,N
}；其中，v
l,j
为第l份第j帧视频图像中鼻尖位置特征点的位置坐标；步骤5：利用第l份运动轨迹信号V
l
对第l份第p个最佳子区域的色度信号h
l,p
进行自适应滤波LMS处理，以去除第l份色度信号h
l,p
中的运动伪影，得到滤波后的第l份第p个色度信号且且表示第l份第j帧视频图像中滤波后的第p个色度信号的像素值，从而得到第l份滤波后的P个色度信号并作为第l个输入信号数据集；步骤6：采用奇异谱分解方法将所述第l个输入信号数据集X
l
分解成若干个分量：步骤6.1：设置窗口的长度为M，且M＜N/2，定义参数K＝N
‑
M+1，按照所述窗口的长度M和参数K从所述滤波后的第l份第p个色度信号中生成维度为M
×
K的第l份第p个轨迹矩阵然后将第l份P个轨迹矩阵拼接后构成维度为PM
×
K的汉克尔轨迹矩阵步骤6.2：计算第l份轨迹矩阵Y
l
Y
lT
的特征值，记为λ
l,1
,...,λ
l,i
,...,λ
l,PM
，其中，λ
l,i
表示第l份轨迹矩阵Y
l
Y
lT
的第i个特征值；计算第l份轨迹矩阵Y
l
Y
lT
的特征值λ
l,1
,...,λ
l,i
,...,λ
l,PM
的标准正交向量，记为U
l,1
,...,U
l,i
,...,U
l,PM
，其中，U
l,i
表示特征值λ
l,i
对应的标准正交向量；计算R＝rank(Y
...

【专利技术属性】
技术研发人员：宋仁成，孙晓雪，成娟，李畅，刘羽，陈勋，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：