引言

心率（Heart Rate,HR）是人體健康的重要生理參數之一，隨著人們對身心健康監測需求的不斷增長，非接觸式心率測量技術受到了廣泛關注[1-2]。傳統的接觸式心率測量方法，如心電圖(Electrocardiogram,ECG)和光電容積脈搏波描記法(Photoplethysmography,PPG)雖然準確可靠，但需要將傳感器貼附在人體上，給受試者帶來不適感，且難以在運動場景中進行監測[3]。近年來，基于遠程光電容積脈搏波描記術(Remote Photoplethysmography,rPPG)的非接觸式心率測量技術得到了快速發展[4]。rPPG技術利用RGB攝像頭捕捉皮膚顏色變化，從而提取血液體積脈沖信號(Blood Volume Pulse,BVP)，進而實現心率的實時測量[5]。與傳統的接觸式方法相比，rPPG技術具有非接觸、無創、便捷等優點，這消除了測量過程中的不便，更適合在實時的運動場景和作業環境中進行心率監測，如健身訓練[6]、駕駛員監測[7]、作業人員心理監測[8]等。

目前rPPG研究面臨的主要問題是如何降低噪聲信號的影響。這是因為rPPG信號非常微弱，容易受到環境光照變化、頭部運動、面部表情等因素的干擾，導致信號質量下降，進而影響心率估計的準確性。近年來，已經提出了用于脈搏信號提取的幾種核心rPPG算法。這些包括：（1）盲源分離（例如，基于主成分分析（principal component analysis，PCA）的方法[9]和基于獨立成分分析（independent component analysis，ICA）的方法[10]），其使用不同的標準將時間RGB跡線分離成不相關或獨立的信號源以檢索脈沖；（2）基于皮膚反射模型（例如基于綠色通道的GREEN方法[11]、基于色度的CHROM方法[12]、基于膚色空間的POS方法[13]）；（3）基于數據驅動的深度學習方法等[14]。

現有的rPPG方法仍存在以下局限：（1）傳統的感興趣的區域（Region of Interest,ROI）選取方法，如固定區域選取或人臉檢測框內區域選取，在靜止狀態下效果較好，但在頭部運動場景下容易引入噪聲，影響信號質量。因此，需要設計魯棒性更好的人臉檢測和跟蹤算法，以適應動態的場景環境。（2）對于噪聲信號，僅通過濾波或算法設計的方式過濾，并檢測過濾后的信噪比（Signal to Noise Ratio,SNR）。本研究發現在信號輸入階段直接過濾掉SNR較低的信號，能夠很大程度上提升rPPG信號測量的精度。（3）對于深度學習的方法，需要大量的訓練數據，且推理時間受到運行設備的影響，在邊緣設備下難以做到60幀率（flame per second,fps）的實時推理。

在本研究中，系統性的研究了人臉檢測跟蹤算法、噪聲過濾對rPPG信號提取準確度的影響，提出一種基于人臉檢測跟蹤和輸入噪聲過濾的rPPG信號實時提取方法，并實現實時心率監測。在一個私有數據集上，通SNR、平均絕對誤差（Mean Absolute Error，MAE）和均方根誤差（Root Mean Square Error，RMSE）評估性能。

本文詳細內容請下載：

http://www.cowatch.cn/resource/share/2000006600

作者信息：

郝壯遠1，田琨1，吳順成1，譚昆1，李健2，高大帥2

（1.中國石油集團安全環保技術研究院有限公司，北京 102206；

2.北京捷通華聲科技股份有限公司，北京 100193）