一种基于头部微弱振动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头部微弱振动的非接触式心率检测方法，包括：1提取感兴趣区域特征点运动轨迹，包括：面部检测，感兴趣区域的选取，追踪感兴趣区域特征点获取运动轨迹；2将特征点的运动轨迹重构为前后方向的运动轨迹，包括：计算相邻特征点的间距，将间距的时间序列作为前后方向的运动轨迹，去除不稳定的特征点；3运动检测以及运动噪声去除，包括：信号预处理，运动检测，运动噪声去除，信号降维；4心率估算，包括：融合信号，并进行频谱分析得到心率值。本发明专利技术从视频中追踪心跳引起的头部微弱振动，将追踪轨迹重构，并进行运动噪声去除，从而提高通过头部微弱振动检测心率的准确性，为非接触式心率检测提供了新的解决方法。接触式心率检测提供了新的解决方法。接触式心率检测提供了新的解决方法。

【技术实现步骤摘要】
一种基于头部微弱振动的非接触式心率检测方法


[0001]本专利技术属于基于视频的非接触式生理参数检测领域，具体地说是一种基于头部微弱振动的非接触式视频心率检测方法。

技术介绍

[0002]随着生物医学工程领域的不断发展和技术的进步，远程健康监测已经成为现代医疗服务的重要组成部分。它的出现，不仅为广大患者带来了更为便利和高效的医疗服务，同时也为医疗机构提供了更为完善和精准的医疗保障。在远程健康监测领域中，心率是最为重要和常用的指标之一。因为人的心率不仅可以反映出身体的健康状况，还可以反映出人的情绪、压力等心理状态。传统上，心率测量需要通过体表电极或血压计等传感器来实现，这种方法虽然精准度高，但是需要侵入式操作，给患者带来不便和不适。
[0003]近年来，随着计算机视觉、图像处理等技术的飞速发展，基于视频的非接触式心率测量成为了一种热门的研究方向。目前，最为常见的两种方法是远程光电容积描记法(remote photoplethysmography，rPPG)和成像式心冲击描记法(Imaging Ballistocardiography，iBCG)。其中，rPPG技术利用面部颜色的微小变化来检测心跳引起的血容量变化，从而获得心率估计；而iBCG技术则是从血液周期性运动引起的头部微弱振动中测量心率，相比于rPPG，iBCG具有不必使用皮肤区域的优势，并且，iBCG对不同类型的肤色或环境光变化不那么敏感。
[0004]然而，iBCG心率测量也面临着一些主要的难点。首先，iBCG信号的来源是心跳引起的头部微弱振动，非常容易受到受试者头部的随意晃动，面部表情和说话引起的运动伪影的影响，这些运动伪影会导致iBCG信号噪声增加，从而影响心率的准确测量。目前的研究主要集中于减少运动噪声的干扰，通过预先去除低质量的视频帧，可以减少iBCG信号中包含的运动噪声；通过滤波，离散余弦变换，独立分量分析等技术可以分离iBCG信号中的运动噪声。其次，心脏跳动引起的头部微弱机械运动在受试者处于不同姿态下，会呈现不同的特点。对于常见的非接触式心率监测的应用场景，比如办公室，居家或者审讯环境，受试者多为坐立姿态，心跳引起的人体前后方向的振动运动幅度更大。目前，可以直接采集高精度前后方向运动信息的深度摄像机，大多价格昂贵，难以应用在一般场景之中。如何提取可靠的iBCG信号和去除运动噪声来是iBCG心率监测的主要挑战。

技术实现思路

[0005]本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于头部微弱振动的非接触式心率检测方法，以期能提高通过头部微弱振动进行心率检测时受到运动伪影影响的准确性和鲁棒性，从而为基于头部微弱振动的非接触式心率检测的实际应用提供可行的方案。
[0006]本专利技术为解决以上问题采用如下技术方案：
[0007]本专利技术一种基于头部微弱振动的非接触式心率检测方法的特点在于，包括以下步
骤：
[0008]步骤一：从受试者的T帧视频图像中提取面部感兴趣区域的特征点运动轨迹；
[0009]步骤1.1、感兴趣区域的定位；
[0010]利用人脸检测算法得到第1帧视频图像中包含头部的人脸矩形区域，根据人脸的比例关系，从人脸矩形区域中选取K个区域作为感兴趣区域；
[0011]步骤1.2、特征点检测和追踪；
[0012]利用特征点检测方法确定第1帧视频图像中第k个感兴趣区域的N
[k]个特征点；采用特征点追踪方法对第k个感兴趣区域的N
[k]个特征点在T帧视频图像上进行追踪，从而获得第k个感兴趣区域在T帧视频图像的N
[k]个特征点的水平方向运动轨迹X
[k]＝[x
[k](1)，x
[k](2)，...，x
[k](t)，...，x
[k](T)]和垂直方向运动轨迹Y
[k]＝[y
[k](1)，y
[k](2)，...，y
[k](t)，...，y
[k](T)]，其中，x
[k](t)和y
[k](t)分别表示第k个感兴趣区域在第t帧视频图像上的N
[k]个特征点的水平坐标和垂直坐标，且个特征点的水平坐标和垂直坐标，且个特征点的水平坐标和垂直坐标，且表示第k个感兴趣区域在第t帧视频图像上的第n个特征点的水平坐标，表示第k个感兴趣区域在第t帧视频图像上的第n个特征点的水平坐标，表示第k个感兴趣区域在第t帧视频图像上的第n个特征点的垂直坐标；
[0013]步骤二、将垂直方向和水平方向的运动轨迹重构为前后方向的运动轨迹，并去除不稳定的特征点；
[0014]步骤2.1、利用欧式距离计算第k个感兴趣区域在第t帧视频图像上的第n个特征点与其他第j个特征点的间距d
n，j[k](t)，从而得到第n个特征点与其他所有特征点间距的时间序列，并作为第k个感兴趣区域在第t帧视频图像上第n个特征点的前后方向轨迹；
[0015]在第k个感兴趣区域在第1帧视频图像上选取距离第n个特征点最近的P个特征点，并计算第k个感兴趣区域在第t帧视频图像上第n个特征点分别与最近的P个特征点的间距的平均值，从而得到第k个感兴趣区域在第t帧视频图像上的第n个特征点与最近的P个特征点间距的平均时间序列，并作为第t帧视频图像上N
[k]个特征点前后方向的运动轨迹z
[k](t)；进而得到T帧视频图像上第k个感兴趣区域的N
[k]个特征点的前后方向运动轨迹Z
[k]＝[z
[k](1)，z
[k](2)，...，z
[k](t)，...，z
[k](T)]；
[0016]步骤2.2、去除每个感兴趣区域内不稳定的特征点；
[0017]步骤2.2.1、计算T帧视频图像上第k个感兴趣区域的所有特征点的前后方向轨迹的标准差和平均值的比值其中，表示T帧视频图像上第k个感兴趣区域的比值，std(z
n[k])表示第k个感兴趣区域的第n个特征点在T帧视频图像上的标准差，mean(z
n[k])表示第k个感兴趣区域的第n个特征点在T帧视频图像上的平均值；z
n[k]表示第k个感兴趣区域的第n个特征点在T帧视频图像上的前后方向运动轨迹；
[0018]步骤2.2.2、使用统计直方图将r
[k]中的元素划分到H个区间；并统计各个区间中元素数量后，对元素数量进行降序排序后再累加，直到元素数量累加值大于N
[k]的ρ％时，停止累加，从而将参与累加的所有区间的中点取平均值后作为第k个感兴趣区域的参考值
其中，ρ表示阈值；
[0019]步骤2.2.3、定义的两个偏差界限，包括：下限和上限去除r
[k]中数值超出的特征点，从而得到第k个感兴趣区域内稳定的特征点；其中，σ
min
表示向下偏离参考值的范围，σ
max
表示向上偏离参考值的范围；
[0020]步骤三、运动噪声检测以及运动噪声去除；
[0021]步骤3.本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于头部微弱振动的非接触式心率检测方法，其特征在于，包括以下步骤：步骤一：从受试者的T帧视频图像中提取面部感兴趣区域的特征点运动轨迹；步骤1.1、感兴趣区域的定位；利用人脸检测算法得到第1帧视频图像中包含头部的人脸矩形区域，根据人脸的比例关系，从人脸矩形区域中选取K个区域作为感兴趣区域；步骤1.2、特征点检测和追踪；利用特征点检测方法确定第1帧视频图像中第k个感兴趣区域的N
[k]
个特征点；采用特征点追踪方法对第k个感兴趣区域的N
[k]
个特征点在T帧视频图像上进行追踪，从而获得第k个感兴趣区域在T帧视频图像的N
[k]
个特征点的水平方向运动轨迹X
[k]
＝[x
[k]
(1)，x
[k]
(2)，...，x
[k]
(t)，...，x
[k]
(T)]和垂直方向运动轨迹Y
[k]
＝[y
[k]
(1)，y
[k]
(2)，...，y
[k]
(t)，...，y
[k]
(T)]，其中，x
[k]
(t)和y
[k]
(t)分别表示第k个感兴趣区域在第t帧视频图像上的N
[k]
个特征点的水平坐标和垂直坐标，且个特征点的水平坐标和垂直坐标，且表示第k个感兴趣区域在第t帧视频图像上的第n个特征点的水平坐标，表示第k个感兴趣区域在第t帧视频图像上的第n个特征点的垂直坐标；步骤二、将垂直方向和水平方向的运动轨迹重构为前后方向的运动轨迹，并去除不稳定的特征点；步骤2.1、利用欧式距离计算第k个感兴趣区域在第t帧视频图像上的第n个特征点与其他第j个特征点的间距d
n，j[k]
(t)，从而得到第n个特征点与其他所有特征点间距的时间序列，并作为第k个感兴趣区域在第t帧视频图像上第n个特征点的前后方向轨迹；在第k个感兴趣区域在第1帧视频图像上选取距离第n个特征点最近的P个特征点，并计算第k个感兴趣区域在第t帧视频图像上第n个特征点分别与最近的P个特征点的间距的平均值从而得到第k个感兴趣区域在第t帧视频图像上的第n个特征点与最近的P个特征点间距的平均时间序列，并作为第t帧视频图像上N
[k]
个特征点前后方向的运动轨迹z
[k]
(t)；进而得到T帧视频图像上第k个感兴趣区域的N
[k]
个特征点的前后方向运动轨迹Z
[k]
＝[z
[k]
(1)，z
[k]
(2)，...，z
[k]
(t)，...，z
[k]
(T)]；步骤2.2、去除每个感兴趣区域内不稳定的特征点；步骤2.2.1、计算T帧视频图像上第k个感兴趣区域的所有特征点的前后方向轨迹的标准差和平均值的比值其中，表示T帧视频图像上第k个感兴趣区域的比值，std(z
n[k]
)表示第k个感兴趣区域的第n个特征点在T帧视频图像上的标准差，mean(z
n[k]
)表示第k个感兴趣区域的第n个特征点在T帧视频图像上的平均值；z
n[k]
表示第k个感兴趣区域的第n个特征点在T...

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