主体的固定位置的变化量。其它方法包括确定视频成像装置的至少一个预先选择的通道的时间序列信号的变化速率；确定一批图像帧中身体区域的任何X或Y位置、方向、大小的导数相对于前一批图像帧中的那些相同位置是否变化；或者确定主体的身体的其它部分的任何X和Y位置的导数是否超过阈值。运动可以通过查找该批图像帧中的身体区域的形状变化来辨识，即头转动，臂移动等。可以利用面部识别算法或对象跟踪方法来进行运动确定。软件工具可以被配置成发送信号、发起警告或另外在检测或未检测到运动时标记图像帧的时间间隔。
[0024]如本文中使用的“运动阈值”是在用于比较目的的一批图像帧的视频获取过程中的运动量的水平。阈值可以基于被监控主体的生理功能，即为呼吸功能评估设定的阈值水平可以完全不同于为心脏功能评估设定的阈值。阈值水平可以基于运动类型或运动来源(即通过主体或通过环境)。阈值水平可以基于该批内运动的时间。阈值可以由用户或技师设定。运动阈值可以被实时动态调节。这种动态调节可以基于例如从已经处理的特定一批的像素获得的时间-序列信号的功率谱的信噪比，或者基于节奏信号的波形。阈值可以在主体的视频被视频成像装置捕获时由用户/技师实时、动态地调节。应当认识到运动的阈值设定取决于其教导发现潜在用途的应用。因此，关于特定的阈值水平的讨论在本文中被忽略。响应于特定一批的图像帧的运动超过阈值，从该批获得的时间-序列信号可以被放弃。替代性地，提供从该批的时间-序列信号提取的生理信号可能是不可靠的可能需要进一步处理的指示。在其它实施例中，应用运动补偿策略以降低对受检测运动的影响。对超过阈值的运动的各种其它响应包括例如发起运动过量的警告信号；给医学专家发信号出现过量运动；改变视频成像装置的帧速率；用另一摄像机交换视频成像装置；移动视频成像装置的位置；以及完全停止视频获取。
[0025]“预测模型”在预测分析中用来创建预测未来行为或未来结果的统计模型。预测模型通常包括许多个变量(即参数)，这些变量已经被确定以预示未来行为或结果。多个预测器组合成一个预测模型，预测模型在进行分析时，可以以可接受的可靠性水平预测未来可能性。在预测建模时，挖掘过去行为的数据，公式化预测模型，模型的参数在附加数据变成可用时被重复地修改并验证，预测模型用来预测未来行为或结果。预测模型可以与线性方程式一样简单或与神经网络一样复杂。引导读者阅读文件:Max Kuhn和Kjell Johnson所著的 “Applied Predictive Modeling，，，Springer Publishing (Sept.2013)，ISBN-13:978-1461468486，和 Sanford Weisberg 所著的 “Applied Linear Regress1n，，，WileyPublishing 4th Ed.(Dec.2013), ISBN-13:978-1118386088.”。在本方法中，当运动没有超过预定的运动阈值水平时，预测模型的参数被反复用从处理成批的图像帧获得的时间-序列信号的分量更新。在确定在特定批的帧的视频获取期间出现超过运动设定的阈值水平时，最近更新的预测模型则用来生成该特定一批图像帧的“预测”时间-序列信号。生成的预测时间-序列信号然后与从已经处理的这一批图像帧获得的时间-序列信号融合。自回归模型或脉冲响应在本文中用于预测建模。
[0026]“自回归模型”是规定输出线性依赖于之前的状态值的系统的预测模型。自回归模型已经用来描述大量的时变过程，诸如自然、经济等中发现的过程。自回归模型包括自回归移动平均(ARMA)模型、自回归积分移动平均(ARIMA)模型和自回归部分积分移动平均(ARFIMA)模型。
[0027]“脉冲响应函数”或只是“脉冲响应”是响应于称作“脉冲”的输入而生成的输出的系统的预测模型。函数的响应描述系统对脉冲的反应。系统的反应可以是时间的函数或确定该系统的动态行为的参数的一些其它独立变量的函数。
[0028]“融合”表示将时间-序列信号组合在一起。一些或所有的时间-序列信号和预测时间-序列信号可以根据需要加权。这些加权可以根据需要尽可能大或尽可能小，包括零。用于组合(融合)时间-序列信号的方法在信号处理领域是众所周知的。所产生的融合时间-序列信号可以使用例如等纹波带通滤波器来滤波，以去掉不需要的伪影。
[0029]“处理”包括根据任何特定的背景或出于本文中描述的任何特定目的，应用任何施加到数据的数学运算。
[0030]现在参照图1的流程图，图1图解说明用于提高从监控主体的期望生理功能的视频获得的生理信号的准确性的本发明方法的一个示例性实施例。流程处理开始于步骤100，立即前进到步骤102。
[0031]在步骤102，接收主体的身体区域的视频，其中，与期望的生理功能对应的时变信号被获取该视频的视频成像装置记录。
[0032]在步骤104，定义初始大小为N的一批图像帧用于处理，使得N_< NS Nniax，其中，N_是一批图像帧的最小大小，Nniax是一批图像帧的最大大小。
[0033]在步骤106，处理该批图像帧，以分离与身体区域关联的像素。
[0034]在步骤108，处理被分离的像素，以获得该批图像帧的时间-序列信号。
[0035]在步骤110，对在这一批图像帧的视频获取期间是否出现超过阈值运动水平的运动进行确定。
[0036]现在参照图2，图2是图1流程图的继续，流程处理继续节点A。
[0037]如果步骤110的确定结果是运动没有超过设定的运动阈值水平，则处理继续节点A，其中，在步骤112，使用获得的这批的时间-序列信号(来自步骤108)更新预测模型的参数。另一方面，如果确定运动超过运动的阈值水平，则处理继续节点B，其中，在步骤114，使用更新的预测模型来生成当前这一批的预测时间-序列信号。
[0038]在步骤116，将这一批的时间-序列信号与生成的这一批的预测时间-序列信号(来自步骤114)融合，以获得当前这一批的融合时间-序列信号。
[0039]在步骤118，对更多的图像帧是否还要被处理进行确定。如果是，则处理继续节点D，其中，在步骤106，处理下一批图像帧。处理重复进行，直到没有更多的成批的图像帧要被处理。
[0040]在其它实施例中，如果运动已经超过设定的运动阈值水平，则提供警告信号。警告可以采用在显示装置上显示的消息或在例如护士站或装置的显示器上激活的声音的形式。警告可以采用提供警告条件存在的可视指示的彩色或闪烁灯的形式。警告可以是文本、音频和/或视频消息。警告信号可以通过有线或无线网络传送到一个或多个远程装置。警告可以直接发送到医学专家的手持无线蜂窝装置。其后，响应于警告可以采取附加措施。上述的方法优选用于病人监控，其中，视频的图像帧被视频成像装置实时地捕获，并在被接收时被处理以提取与期望的生理功能对应的生理信号。
[0041]还应当认识到本文中描绘的流程图是示意性的。流程图中图示的一个或多个操作可以以不同的顺序执行。其它操作可以被添加、修改、改进或合并。其变形旨在落入所附权利要求的范围内。
[0042]现在参照图3，图3显示根据图示并参照图1-2的流程图描述的实施例用于处理视频的一个示例性视频处理系统300的框图。
[0043]在图3中，示出了获取主体302的暴露身体区域的流视频301的视频成像装置300。视频图像(全部在303)传送到视频处理系统304。批处理器305从工作站311接收定义大小为N的一批图像帧，通过分离与图像帧中暴露的身体区域关联的像素，然后处理分离的像素以获得每一批的时间-序列信号来连续处理大小为N的成批的图像帧。运动分析器306处理当前这一批图像帧，对是否出现超过为运动设定的阈值水平的运动进行确定。将确定结果提供到预测模型模块307，预测模型模块307基于确定结果，或者更新存储于其中的预测模型的参数，或者使用最后更新的预测模型生成预测时间-序列信号。信号融合器模块308接收当前这一批的时间-序列信号和预测的时间-序列信号(在适用时)，继续将两种时间-序列信号融合在一起，获得融合的时间-序列信号。处理器309从存储器310中检索机器可读程序指令，提供处理器309以促进视频处理系统304的任何模块的功能。单独地操作或与其它处理器和存储器共同操作的处理器309可以被配置成帮助或另外执行视频处理系统304的任何处理器或模块的功能。处理器309继续由各种时间-序列信号生成生理信号，并将主体的生理信号传送给工作站311的显示装置。
[0044]工作站311的计算机机箱容置各种部件，诸如具有处理器和存储器的主板、网卡、视频卡、能够读/写机器可读介质312 (诸如软盘