非接触式人体呼吸率与心率同步测量方法及系统

摘要

本发明涉及一种非接触式人体呼吸率与心率同步测量方法及系统，该测量方法包括如下步骤，获取人体面部视屏信息，从视频帧图像中选择两处敏感区域；对视频中每一帧的选定双敏感区的像素值，分别使用相干平均法，生成2组RGB观测信号，再对2组RGB观测信号依次进行高通滤波、去趋势、去均值、归一化预处理操作；用于对基于双敏感区域生成的2组RGB观测信号进行6通道盲源分离，分离出呼吸信号和心率信号；用于从盲源分离后的源信号中识别出呼吸信号和心率信号，结合滑动窗算法提取出呼吸和心率。本发明具有对呼吸率和心率同步测量准确性高、抗噪声干扰能力较强、应用潜力大等优点。

说明书

技术领域

本发明涉及生物体征研究应用技术领域，具体涉及一种非接触式人体呼吸率与心率同步测量方法及系统。

背景技术

心率和呼吸率作为重要人体体征参数，如何通过非接触式的测量方式实现这两个参数的准确测量一直是生物医学工程及仪器领域研究的热点之一。成像式光电容积描记(Imaging Photoplethysmography,IPPG)技术是在PPG基础上发展起来的一种非接触生理参数检测技术，该技术利用成像设备对包含被测部位的信息进行视频采集，通过对视频图像的敏感区域(region of interest,ROI)进行处理，实现心率、呼吸率、血氧饱和度等生理参数提取的一种生物医学检测方法。IPPG技术具有成本低、非接触、安全、能够连续测量、操作简单等多种优势，为非接触式生理信号测量及远程医疗监控的研究提供了一种新的解决途径和方案。

现有技术中，基于IPPG技术提取人体心率指标的研究方面，主要是心率和呼吸率的提取方法为研究思路的直接应用或改进优化。主要为从面部视频生成的观测信号的G通道中提取心率，或者通过基于JADE等经典ICA算法进行3通道盲源分离以提取心率，进一步从心率的频谱分析中提取出呼吸率。此外，部分方法中融入了面部视频跟踪算法以克服噪声干扰问题。在多数情况下，当干扰噪声较少时，使用G通道方法的效果的确很好，但较多干扰噪声时该方法存在缺陷，并且，较多的噪声源会影响3通道ICA算法的分离效果。上述基于面部视频跟踪算法虽然可以一定程度上解决受试者面部运动问题，但对于面部局部细微变化以及光线微弱变化等因素造成的噪声干扰无法做到很好地克服。同时，现有的方法对于ICA分离后源信号通道的判别基本依据FFT后的功率谱，同样也面临噪声源的干扰问题，在分离通道较多的情况下，源通道的判别准确性对于算法的稳健性来说同样显得十分重要。此外，现有的方法中没有能够实现心率和呼吸信号的同步提取，进而实现心率和呼吸的同步测量。

发明内容

本发明的目的是：提供一种非接触式人体呼吸率与心率同步测量方法及系统体面部视频中同步提取出呼吸与心率信号，能够克服噪声干扰问题的同时，实现两个生理参 数的同步测量。

为实现上述目的，本方法发明采用的技术方案是：

非接触式人体呼吸率与心率同步测量方法，该测量方法包括如下步骤，

S100、获取人体面部视屏信息，从视频帧图像中选择两处敏感区域；

S101、对视频中每一帧的选定双敏感区的像素值，分别使用相干平均法，生成2组RGB观测信号，再对2组RGB观测信号依次进行高通滤波、去趋势、去均值、归一化预处理操作；

S102、用于对基于双敏感区域生成的2组RGB观测信号进行6通道盲源分离，分离出呼吸信号和心率信号；

S103、用于从盲源分离后的源信号中识别出呼吸信号和心率信号，结合滑动窗算法提取出呼吸和心率。

本方法发明还存在以下附加特征：

所述步骤S103中，具体包括如下步骤：

S201、对分离出的6通道源信号使用0.15Hz高通滤波和8Hz低通滤波相结合进行滤波处理，去除残留噪声干扰；

S202、对S201步骤中去噪处理的6通道源信号，计算出峭度值，并使用K-means方法对峭度值进行3聚类分析，得到呼吸信号所在的聚类，即信号的峭度值最小的聚类；

S203、从步骤S202中所述最小的聚类中判别出呼吸信号，引入呼吸率线性预测值，使用LPC线性预测方法从最近的5个呼吸率历史值中计算出当前预测值，并分析该聚类中所有信号在0.2～0.8Hz频段内的峰值处的频率点，选择距离预测值最近的频率点为呼吸率候选值；

判断该候选值是否超出预测值±0.3Hz的浮动范围，如若没有，则得到呼吸信号和当前呼吸率值；如若超出预测值的浮动范围，则视为野值丢弃，本次识别失败，并返回步骤S201；

S204、对步骤S203中提取呼吸信号后剩余的源信号，采用0.8Hz高通滤波以消除低频成份，再计算出功率谱峭度值，并使用K-means方法进行3聚类分析，得到心率信号所在的信号的功率谱峭度值最大的聚类；

S205：从步骤S204所述的最大聚类中判别出心率信号，引入心率线性预测值，使用LPC线性预测方法从最近的5个心率历史值中计算出当前预测值，分析该聚类中所 有信号在0.8～2.3Hz频段内的峰值处频率点，选择距离预测值最近的频率点为心率候选值；

判断该候选值是否超出预测值±0.2Hz的浮动范围，如若没有，则得到心率信号和当前心率值，如若超出预测值的浮动范围，则视为野值丢弃，本次识别失败，并返回步骤S201；

S206、对所述面部视频使用滑动窗算法进行分析，滑动窗长为600帧，滑动步长为150帧，每次对滑动窗中数据运用以上所述方法求出呼吸率和心率。

所述步骤S203和步骤S205中所述的引入呼吸率和心率的线性预测值，限于滑动窗移动5次以后，在前5次的滑动窗内数据分析中，将步骤S202所述的源信号中峭度值最小者指定为呼吸信号，并将步骤S204所述的0.8Hz高通滤波后的源信号中功率谱峭度值最大者指定为心率信号。

所述步骤S103中的盲源分离算法选择基于二阶统计量的SOBI算法。

所述步骤S101中的2组RGB观测信号选用0.15Hz的高通滤波。

为实现上述目的，本系统发明采用的技术方案是：

非接触式人体呼吸率与心率同步测量系统，其特征在于：系统包括面部视频获取与双敏感区域选择模块、观测信号生成与预处理模块、多通道盲源分离模块、源信号识别与生理参数提取模块；

面部视频获取与双敏感区域选择模块用于拍摄人体面部视频，再从视频帧图像中选择两处敏感区域，分别为嘴部区域和咽喉部区域；

观测信号生成与预处理模块用于对视频中每一帧的选定双敏感区的像素值，分别使用相干平均法，生成2组RGB观测信号，再对2组RGB观测信号依次进行0.15Hz高通滤波、去趋势、去均值、归一化等4步预处理操作以抑制干扰噪声，获得较理想的观测信号用于后续分析；

多通道盲源分离模块用于对基于双敏感区域生成的2组RGB观测信号进行6通道盲源分离，以分离出呼吸信号和心率信号；

源信号识别与生理参数提取模块用于从盲源分离后的源信号中识别出呼吸信号和心率信号，结合滑动窗算法提取出呼吸和心率。

与现有技术相比，本发明具备的技术效果为：本发明实现了从面部视频中同步提取出人体呼吸信号和心率信号，基于面部视频的双敏感区域，即咽喉部区域与嘴部区域。 其中，咽喉部区域具有运动规律性，与呼吸率强相关，且通常不易被衣物遮挡，适合用作呼吸率敏感区域；而且嘴部区域运动特征存在不规律现象，与呼吸率弱相关，同时嘴部区域和整个面部一样，BVP信号变化特征明显，可作为心率敏感区域，因此使用该双敏感区域组合，很好地实现了人体呼吸信号和心率信号同步提取；另外，本发明采用了以盲源分离为主线的技术手段，对基于双敏感区域生成的2组RGB观测信号使用6通道盲源分离处理，将呼吸信号、心率信号、各种噪声源信号很好地分离开来，解决了各种噪声干扰问题，对分离后的源信号，运用了峭度聚类和功率谱峭度聚类与线性预测值相结合的识别方法，能够准确地识别呼吸信号、心率信号，因此本发明具有巨大的应用潜力，具有对呼吸率和心率同步测量准确性高、抗噪声干扰能力较强、应用潜力大等优点。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是非接触式人体呼吸率与心率同步测量方法的逻辑框图；

图2是非接触式人体呼吸率与心率同步测量系统的逻辑框图；

图3是非接触式人体呼吸率与心率同步测量方法中步骤S103的具体方法的逻辑框图；

图4是非接触式人体呼吸率与心率同步测量方法步骤流程图；

图5是非接触式人体呼吸率与心率同步测量方法中选取的两处敏感区域示意图；

图6是对所选视频数据分别进行单区域盲源分离效果图；

图7是对图6中所述数据进行双区域6通道盲源分离效果图；

图8是从图7中所述源信号中识别呼吸信号的原理图；

图9是从图8中剩余源信号中识别心率信号的原理图；

图10是受试者呼吸率与心率测量曲线图；

图11是受试者呼吸率与心率频数分布直方图。

具体实施方式

结合图1至图11明作进一步地说明：

非接触式人体呼吸率与心率同步测量方法，该测量方法包括如下步骤，

S100、获取人体面部视屏信息，从视频帧图像中选择两处敏感区域，分别为嘴部区域和咽喉部区域；

S101、对视频中每一帧的选定双敏感区的像素值，分别使用相干平均法，生成2组RGB观测信号，再对2组RGB观测信号依次进行高通滤波、去趋势、去均值、归一化预处理操作；

S102、用于对基于双敏感区域生成的2组RGB观测信号进行6通道盲源分离，分离出呼吸信号和心率信号；

S103、用于从盲源分离后的源信号中识别出呼吸信号和心率信号，结合滑动窗算法提取出呼吸和心率。

首先，本发明实现了从面部视频中同步提取出人体呼吸信号和心率信号，设计了基于面部视频的双敏感区域，即咽喉部区域与嘴部区域。其中，咽喉部区域具有运动规律性，与呼吸率强相关，且通常不易被衣物遮挡，适合用作呼吸率敏感区域；嘴部区域运动特征存在不规律现象，与呼吸率弱相关，同时嘴部区域和整个面部一样，BVP(血液容量变化脉冲)信号，信号变化特征明显，可作为心率敏感区域，与已有技术相比，使用该双敏感区域组合，很好地实现了人体呼吸信号和心率信号同步提取。

其次，发明采用了以盲源分离为主线的技术手段，对基于双敏感区域生成的2组RGB(R、G、B三基色通道是通过对红、绿、蓝三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，RGB即是代表红、绿、蓝三个通道的颜色，这个标准几乎包括了人类视力所能感知的所有颜色，是目前运用最广的颜色系统之一)观测信号使用6通道盲源分离处理，将呼吸信号、心率信号、各种噪声源信号很好地分离开来，解决了已有技术中常遇到的各种噪声干扰问题，同时，对分离后的源信号，创造性地运用了峭度聚类和功率谱峭度聚类与线性预测值相结合的识别方法，能够准确地识别呼吸信号、心率信号。

另外，基于面部视频的非接触式生理参数测量方法，已经逐渐开始成为研究和应用的热点，本发明所提出的相关方法具备多个创新点，实现了呼吸率和心率的同步测量，采用的以盲源分离为主线的技术手段可以很好地解决噪声干扰问题，在该研究领域中可 以进一步扩展应用，以提取更多的生理参数。同时，该方法可以实现在线功能，且所选用的SOBI盲源分离算法具备较低的运算复杂度，有利于本发明在不同运算平台上移植应用，因此本发明具有巨大的应用潜力。

总之，本发明的一种非接触式人体呼吸率与心率同步测量方法，具有对呼吸率和心率同步测量准确性高、抗噪声干扰能力较强、应用潜力大等优点。

优选地，结合图3所示，所述步骤S103中，用于从盲源分离后的源信号中识别出呼吸信号和心率信号，结合滑动窗算法提取出呼吸和心率，具体包括如下步骤：

S201、对分离出的6通道源信号使用0.15Hz高通滤波和8Hz低通滤波相结合进行滤波处理，去除残留噪声干扰；

S202、对S201步骤中去噪处理的6通道源信号，计算出峭度值，并使用K-means(硬聚类算法)方法对峭度值进行3聚类分析，得到呼吸信号所在的聚类，即信号的峭度值最小的聚类；

S203、从步骤S202中所述最小的聚类中判别出呼吸信号，引入呼吸率线性预测值，使用LPC线性预测方法从最近的5个呼吸率历史值中计算出当前预测值，并分析该聚类中所有信号在0.2～0.8Hz频段内的峰值处的频率点，选择距离预测值最近的频率点为呼吸率候选值；

判断该候选值是否超出预测值±0.3Hz的浮动范围，如若没有，则得到呼吸信号和当前呼吸率值；如若超出预测值的浮动范围，则视为野值丢弃，本次识别失败，并返回步骤S201；

S204、对步骤S203中提取呼吸信号后剩余的源信号，采用0.8Hz高通滤波以消除低频成份，再计算出功率谱峭度值，并使用K-means方法进行3聚类分析，得到心率信号所在的信号的功率谱峭度值最大的聚类；

S205：为了从步骤S204所述的最大聚类中判别出心率信号，引入心率线性预测值，使用LPC线性预测方法从最近的5个心率历史值中计算出当前预测值，分析该聚类中所有信号在0.8～2.3Hz频段内的峰值处频率点，选择距离预测值最近的频率点为心率候选值；

判断该候选值是否超出预测值±0.2Hz的浮动范围，如若没有，则得到心率信号和当前心率值，如若超出预测值的浮动范围，则视为野值丢弃，本次识别失败，并返回步骤S201；

S206、对所述面部视频使用滑动窗算法进行分析，滑动窗长为600帧，滑动步长为150帧，每次对滑动窗中数据运用以上所述方法求出呼吸率和心率。

进一步地，所述步骤S203和步骤S205中所述的引入呼吸率和心率的线性预测值，限于滑动窗移动5次以后，在前5次的滑动窗内数据分析中，将步骤S202所述的源信号中峭度值最小者指定为呼吸信号，并将步骤S204所述的0.8Hz高通滤波后的源信号中功率谱峭度值最大者指定为心率信号。

更进一步地，所述步骤S103中的盲源分离算法选择基于二阶统计量的SOBI算法。

为提高视屏信号采集的准确度，所述步骤S100中的嘴部区域的高度覆盖嘴部、宽度接近脸部边缘。

为提高信号滤波质量，所述步骤S101中的2组RGB观测信号选用0.15Hz的高通滤波。

表1给出了本申请书所提方法的测量效果统计，以普通商业测量仪器为标准参考数据，在使用者姿态放松的情况下，呼吸率和心率的检测正确率达到90％和93％以上。

表1

下面针对基于二阶盲辨识的非接触式眨眼与心率联合检测系统进行介绍：

结合图2所示，系统包括面部视频获取与双敏感区域选择模块10、观测信号生成与预处理模块20、多通道盲源分离模块30、源信号识别与生理参数提取模块40；

面部视频获取与双敏感区域选择模块10用于拍摄人体面部视频，再从视频帧图像中选择两处敏感区域，分别为嘴部区域和咽喉部区域；

观测信号生成与预处理模块20用于对视频中每一帧的选定双敏感区的像素值，分别使用相干平均法，生成2组RGB观测信号，再对2组RGB观测信号依次进行0.15Hz高通滤波、去趋势、去均值、归一化等4步预处理操作以抑制干扰噪声，获得较理想的观测信号用于后续分析；

多通道盲源分离模块30用于对基于双敏感区域生成的2组RGB观测信号进行6通道盲源分离，以分离出呼吸信号和心率信号；

源信号识别与生理参数提取模块40用于从盲源分离后的源信号中识别出呼吸信号和心率信号，结合滑动窗算法提取出呼吸和心率。

下面针对附图，对本发明的方法及系统进行简要的说明：

结合图5，本实施例中，在不失一般性的前提下，选用了一段普通受试者的视频数据，通过分析视频帧中若干处区域所生成的RGB观测信号波形图，说明了本发明所选取的两处敏感区域，分别是嘴部区域和咽喉部区域，分别命名为区域(I)和区域(II)。

结合图6，说明了对基于区域(I)和区域(II)生成的2组RGB观测信号分别进行3通道盲源分离的效果。RGB观测信号多数情况下并不合适直接用于生理信号提取，很多已有技术普遍采用该方法，例如，使用G通道用于提取心率。本实施例中，在不失一般性的前提下，所选取的实验数据具有较多的干扰噪声，如图6(a)(c)所示。通过3通道盲源分离并不能很好地实现生理信号与噪声信号的有效分离，如图6(b)(d)所示，部分已有技术中采用单区域3通道盲源分离方法，同样面临类似的缺陷。

结合图7，说明了本实施例中对图3中所述的2组RGB观测信号进行6通道盲源分离的效果，从结果看，目标信号和各噪声源被较好地分离出来，如图7(b)所示。进一步对其进行滤波去除残留噪声，如图7(c)所示。但从图7(c)的频谱图中可以看出，通道1和通道2在呼吸信号的判别上出现了干扰，因此，仅仅依据频谱图进行源信号识别存在不足，需要进一步借助新的判别算法。部分已有技术中依据频谱图识别源信号，同样面临类似的问题。

结合图8，说明了本实施例中从图4中所述的6通道盲源分离后的源信号中识别出呼吸信号的原理图。本发明中采用源信号峭度值聚类和线性预测相结合的方式进行呼吸源信号判别，先计算出源信号的峭度值，再使用K-means方法依据峭度值对源信号进行3聚类分析，找出呼吸信号所在的聚类，即峭度值最小的聚类，包含通道1和通道2，考虑到人体呼吸率变化多为缓慢渐变过程，进一步借助呼吸率线性预测值辅助判别当前呼吸信号通道，分析该聚类中所有信号在0.2～0.8Hz频段内的峰值处频率点，通道2的值距离预测值最近，选为呼吸率候选值，再确认候选值没有超出预测值±0.3Hz的浮动范围，得到呼吸率通道和呼吸率值，否则视为野值丢弃。

结合图9，说明了本实施例中从图5中所述的提取呼吸信号后剩余的源信号中识别 出呼吸信号的原理图。本发明中先使用0.8Hz高通滤波以消除低频成份，再用源信号功率谱峭度值聚类和线性预测相结合的方式进行心率源信号判别，先计谱算出功率谱峭度值，再使用K-means方法依据功率谱峭度值进行3聚类分析，找出心率信号所在的聚类，即信号的功率谱峭度值最大的聚类，本实施例只包含通道3，考虑到人体心率变化多为缓慢渐变过程，进一步借助心率线性预测值辅助判别当前心率信号通道，分析该聚类中所有信号在0.8～2.3Hz频段内的峰值处频率点，通道3的值距离预测值最近，选为心率候选值，再确认候选值没有超出预测值±0.2Hz的浮动范围，得到心率通道和心率值，否则视为野值丢弃。

结合图10和图11，说明了本实施例中呼吸率与心率的测量效果实例，其中“*”数据为本方法所测得呼吸率和心率(Estimated RR/HR)，“□”数据为商业测量仪所测得数据(Reference RR/HR)。为了有效测量受试者呼吸率变化特征，实验中受试者有意识地阶段性调整呼吸频率，通过控制平缓呼吸和快速呼吸依次交替，在呼吸上制造2个起伏波形，以便于观察实验效果,实验拍摄时间为4至6分钟不等。实验中每次波峰(即快速呼吸)持续45～60秒，然后间隔(即平缓呼吸)45～60秒。从结果看，受试者的呼吸率曲线出现2次起伏波形，波形曲线较为完美，与商业测量仪数据波形基本吻合，很好地记录下呼吸率变化情况，同时，本方法对于受试者的心率监测也十分准确与稳定。呼吸率与心率频数分布直方图显示，呼吸率值和心率值均分布在正常人体生理参数范围内。