浓度能够相 当地增加绝对吸收，但在不同波长中的相对吸收保持不变。这意味着黑色素的增加使皮肤 变暗，但几乎不变化皮肤的规范化的颜色。因此，规范化的血液量脉冲Pbv在白光照明下也是 相当稳定的。这由图5B来证实，其示出了针对具有不同皮肤类型的105个对象的相同数据集 的红色（图5B中的曲线90)、绿色（图5B中的曲线91)和蓝色通道(图5B中的曲线92)。
[0072] Pbv的稳定特性能够用于区分由血液量变化引起的颜色改变与由于备选原因的改 变。从视频找到脉冲信号的较早的方法已经由Hillsb USCh(如上面提及的）、Poh等人的"Non-contact,automated cardiac pulse measurements using video imaging and blind source separation"（Opt .Express 18( 10)、第10762-10774页（2010))以及Lewandowska等 人的 "Measuring Pulse Rate with a ffebcam-a Non-contact Method for Evaluating Cardiac Activity"（Proc .FedCSIS，第405-410页（2011年））进行了描述。用于所有这些较 早方法的得到脉冲信号S能够被写为个体无 DC规范化颜色通道的线性组合(表示"混合"的 若干可能的方法之一）：
[0073] S=W Cn (3)
[0074] 其中，WWt =1，并且其中，3X N矩阵Cn的三行中的每个分别包含无 DC规范化的红色、 绿色、蓝色通道信号Rn、Gn和Bn的N样本，即：
[0076]此处，算子μ对应于平均值。方法之间的主要区别在于加权向量W的计算。Η? Isbusch将噪声和PPG信号分离为被建立为两个颜色通道的线性组合的两个独立信号。一种 组合接近清洁PPG信号，另一种包含由于运动的噪声。作为优化准则，最小化脉冲信号中的 能量。Poh等人和Lewandowska等人都提出使用三个颜色通道的线性组合来获得脉冲信号。 Poh等人使用ICA，而Lewandowska等人使用PCA来找到该线性组合。因为何者加权颜色信号 是脉冲信号是先验未知的，因此它们全部使用脉冲信号的周期性性质作为选择准则。
[0077]上面提供了BSS方法的解释。De Haan使用了一种不同的方法（如在上面提及的文 章中所描述的），其假设知晓失真信号的取向和恒定规范化的皮肤颜色，以构建正交于假设 的失真的颜色信号的线性组合。这消除了基于周期性的选择，其被示出为在具有周期运动 的健身视频中是有利的。规范化的皮肤颜色被选择为[Rs，Gs，Bs ] = [ 0.7682，0.5121， 0.3841]，如从图5A中所能够看到的，其接近地对应于实际测量值。基于色度信号的这种算 法((：邢0)，父 5 = 0.771^-0.51611和￥5 = 0.771^+0.51611-0.77811，找到脉冲信号3为：
[
[0079]并且其中，算子σ对应于规范化的偏差。这种表达能被写为：
[0083]这种重写明确了其同样实际上是规范化的颜色通道(Cn)的（不同地获得的）混合 (权重向量W)。
[0084] 获得混合系数的又一种方法(称为I3BV-方法)使用如在US 2013/271591A1中基本 上描述的血液量脉冲向量。如果使用Rn、G4PBn的带通滤波的版本，则获得最好的结果。根据 该方法，P bv的已知方向被用于在脉冲信号和失真之间进行辨别。这不仅移除了脉冲是视频 中的仅周期性分量的假设，而且消除了关于失真信号的取向的假设。为此，如前，假设脉冲 信号被建立为如公式(3)中的规范化的颜色信号的线性组合。因为已知在红色、绿色和蓝色 通道中的脉冲信号的相对幅度由Pbv给出，因此权重W pbv被搜索，其给出脉冲信号S，针对其， 与颜色通道Rn、Gn和Bn的相关等于Pbv
并且因此确定混合的权重由下式来确定
[0087] 并且标量k被确定使得Wpbv具有单位长度。结果，PPG-信号的特性波长相关性，如在 标准化血液量脉冲中所反映的，能够用于估计来自跨越皮肤区域被平均化的时间上连续的 RGB像素数据的脉冲信号。该算法被称为PBV-方法。
[0088] 在下文中，将引入备选来放宽所述假设。具体而言，仍然描述四种方式来计算混合 系数。实现颜色通道的这种混合的所有方法能够通过修改权重来使用本发明来调整。
[0089] 基于盲源分离(BSS)的方法，诸如ICA和PCA，的优点在于它们不依赖于与失真的类 型或皮肤色调的取向或血液量脉冲向量有关的假设。它们的缺点在于何者输出分量承载脉 冲信号在前期是不清楚的。较早已经由de Haan等人示出，使用周期性作为用于分量选择的 脉冲信号的特性导致差的运动鲁棒性，因为这需要快速适配到变化的统计，即具有在傅里 叶域中的不足的分辨率的短的交迭相加区间。此外，在健身设置中，基本上所有运动是周期 性的，其中，它们的频率在与脉冲率相同的范围内。
[0090] 作为备选，提出了使用从CHRO-或PBV-方法获得的加权系数，公式(5)或(8)的W，来 引导分量选择。好的选项选择具有最大(绝对)相关性的分量。得到的算法允许更精确地最 小化失真的加权，因为假设-针对CHRO的已知失真和针对PBV的稳定P bv-仅用于引导，小的偏 差不起作用。
[0091] 为了图示所述算法，假设ICA或PCA生成每个作为规范化的RGB信号的线性组合获 得的三个分量信号Sl、S2、S3，C n:
[0092] Si=Wi Cn，其中，i = l，2,3。 (9)
[0093] 现在，脉冲信号S使用根据CHRO-或I3BV-算法获得的参考权重向量W ref = Wchrq或Wref =Wpbv从分量信号来选择，等于S = Sp，其中，p e {1，2，3 }，使得
[0095]这给出四个额外算法，由CHRO或由I3BV引导的I CA或PCA。所有算法可以使用交迭相 加处理(如在de Haan的上面提及的文章中所介绍的），并且能够成功地使用短区间长度，不 同于使用周期性作为分量选择准则的较早的基于BSS的算法。由于BSS不能保证脉冲信号的 极性，个体信号片断的符号使用下式针对区间M，Sm被校正：
[0097] 其中，P可以从一个时间区间到另一个改变。
[0098]在不存在实质的失真时，这通常意味着非常静止的对象，（确定颜色通道的混合 的）加权向量的取向变得不确定，并且呈现随着时间的随机改变(通常交迭相加流程被应 用，以允许加权向量的时间适配）。这些随机改变令得到的输出脉冲信号的SNR显著比在(有 限的)失真存在的情况下获得的SNR差。
[0099]在应用上面解释的CHRO-方法的本发明的第一实施例中，观察被使用，在多数情况 下，失真在规范化的RGB空间中具有已知的方向。运动通常大部分转化在强度改变中，即在 方向[111]中的失真。为了消除这种失真，加权向量W被预期在于色度平面中，即总和(W)接 近于零。在该第一实施例中，加权向量W由缺省向量来替换。好的示范性的选择是每当总和 (W)超过阈值时，Wd= [-1 1.4 -0.4]或Wd= [-1 2 -1])。
[0100] 第二种常见失真是由于镜面反射引起的，镜面反射通常令颜色的饱和度变化而不 是色相。因此，在第二实施例中，权重向量W被限制到围绕正交于强度和饱和度的向量的范 围，即W被限制到围绕较早提及的缺省向量Wd的范围（固定的角）。
[0101] 应用CHRO方法，另一个好的实施例将α的值(参见方程式(5))夹在0.8和1.2之间。 [0102]在另外的优选实施例中，上面的限制仅在问题可能，即具有高于可能性阈值的存 在的可能性的情况下被激活。这能够例如通过以下来估计:颜色信号或者色度信号的标准 偏差、在基于PCA的方法中的特征值或PBV-方法(参见公式(8))的协方差矩阵Q的范数。
[0103] 所描述的实施例的缺点可以是限制选择是基于最常见的失真的。这能够是不理想 的是特定情况。为了改进该方面，优选实施例通过每当遭遇看上去具有如下所述的失真的 接近最优水平的信号段时更新缺省向量来计算"缺省"加权向量WcL在该实施例的另外的详 尽版本中，缺省加权向量Wd从递归过程来得到:Wd (新）=0.01 X W(可靠)+0.99x Wd(旧），其 中，W(可靠)是在最近信号部分期间利用失真的接近最优水平使用要被改进的方法获得的 加权向量。在要被改进的方法是PBV-方法的情况下，Q的范数再次能够用于选择W(可靠）。非 常高的范数通常意味着由于过度失真的不可靠 W，并且非常小的范数意味着由于不存在失 真的不可靠 W，因此中间值建议更新WcL在要被改进的方法是CHRO方法的情况下，能够代替 地使用范数Υ。同样，非常高的范数通常意味着由于过度失真的不可靠混合，并且非常小的 范数意味着由于不存在失真的不可靠 α(并且因此W)，因此中间值建议更新α。
[0104] 在上面的描述中，生命体征的提取被假设在给定时刻来自针对皮肤的单个颜色值 (全局方法）。已知，更多的有利的方法可以将皮肤区域细分为各个子区域，并且从这些子区 域导出多个候选生命体征信号，所述多个候选生命体征信号能够自适应地被组合