[0064]步骤11、比较候选本征模式分量集中每个本征模式分量频率的最大幅值，选取最 大的最大幅值所对应的本征模式分量作为最佳本征模式分量，对最佳本征模式分量采用峰 值检测算法获得视频心率检测结果。从图4-2中我们同时发现，頂F5的最大幅值是所有候选 本征模式分量集中最大的，因此MF5为最佳本征模式分量。
[0065]相对于传统方法的优势如下：
[0066] 为了进一步量化评估本发明的效果，将本方法与目前主流的独立成分分析法 (Independent Component Analysis，ICA)和单独绿色通道总体平均经验模态分解法 (Ensemble Empirical Mode Decomposition,EEMD)进行对比。
[0067] 图5-1和图5-2分别显示了 1Hz脉冲波环境光变化时和0.5Hz方波环境光变化时，采 用独立成分分析法所有颜色通道的独立成分及其相应的频谱图。本实施例中，这两种环境 光变化时得到的独立成分的数目均为3;且从图5-1中不难发现，独立成分中最大幅值所对 应的频率处于所设定的心率范围[0.43]Hz的候选独立成分为第二个和第三个独立成分，这 两个独立成分最大幅值进行比较，发现第三个独立成分的最大幅值更大，确定其为最佳独 立分量。但是该独立分量最大幅值所对应的频率为2Hz，该频率实际上是环境光变化频率的 二次谐波分量。图5-2中则发现最佳独立分量最大幅值所对应的频率为1.5Hz，为环境光变 化频率的三次谐波分量。因此，不经过环境光变化消除手段时，心率信号易淹没在环境光变 化中。
[0068] HR = 60*f(bpm) (2)
[0069] 图6-1到图6-5则显示了不同频率的环境光变化时，对绿色通道单独进行总体平均 经验模态分解得到的本征模态分量及其频谱图，其中图6-1中环境光变化频率为0.1Hz，图 6-2中环境光变化频率为0.5Hz，图6-3中环境光变化频率为1Hz，图6-4中环境光变化频率为 3Hz，以及图6-5中环境光变化频率为5Hz。从图中不难发现，当环境光变化频率在感兴趣的 心率范围[0.4，3]Hz之外，例如0.1Hz，0.5Hz和5Hz时，采用绿色通道单独总体平均经验模态 分解方法尚能获得准确的心率估计。但是当环境光的变化在感兴趣的心率范围内，甚至是 接近心率变化，则该方法会失效，心率信号会淹没在环境光的变化中。
[0070] 图7-1到图7-5分别表示环境光变化频率为0.1Hz，0.5Hz，1Hz，3Hz和5Hz时，采用本 发明方法得到的候选本征模式分量集和对应的频谱图集。不难发现，无论环境光如何变化， 由于首先采用联合盲源分离法(Joint Blind Source Separation,JBSS)将环境光变化的 典型相关分量进行提取并置零，得到的无环境光干扰的最佳通道的面部感兴趣区域数据， 采用总体平均经验模态分解法之后，得到候选本征模式分量集，比较各本征模式分量集中 各个本征模式分量最大幅值，得到最佳本征模式分量均为IMF5。采用峰值检测算法得到的 心率分别为：74bpm，74bpm，72bpm，70bpm和72bpm，与真实的心率值74bpm，72bpm，72bpm， 70bpm和70bpm很接近。
[0071]为了进一步对比，表1给出了三种方法进行心率检测的统计数据，包括平均偏差、 平均绝对偏差、标准差、均方根误差以及相关系数。从图中不难发现，本发明提出的方法 (JBSS-EEMD)各方面性能都是最优的。与此同时，考虑到心率检测时可接受的误差范围，我 们对比了三种方法得到绝对误差不高于6的百分比，结果如图8所示，可以发现本发明提出 的方法效果最好，可以达到80.90%，而其他两种方法只有5.20%和32.30%。
[0072]表1三种方法得到的心率检测结果的统计数据
[0073]
[0074]
[0075] 综上所述，本发明解决了视频检测心率中环境光变化干扰的问题，为非接触式心 率检测提供了更准确的算法，在临床疾病诊断和日常的医疗保健方面具有重要的应用前 景。
【主权项】
1. 一种去除环境光变化干扰的视频心率检测方法，其特征是按如下步骤进行： 步骤1:获取I帧视频图像;对I帧视频图像计算N个颜色通道的面部感兴趣区域的平均 像素，获得面部感兴趣区域数据集父=%，心，一上，~々]^11表示第11个颜色通道的面部 感兴趣区域数据;并对I帧视频图像计算N个颜色通道的背景区域的平均像素，获得背景区 域数据集￥=[&，&，···，Υ η，···，ΥΝ]τ;Υη表示第η个颜色通道的背景区域数据； 并有，Χη=[Χ1(η)，Χ2(η)，···， ΧΙ(η)];ΧΙ(η)表示第η个颜色通道的面部感兴趣区域的第I个平 均像素;Yn= [yi(n)，y2(n)，…，yi (n)] m(n)表示第η个颜色通道的背景区域的第I个平均像素； 步骤2:采用联合盲源分离法对所述面部感兴趣区域数据集X和背景区域数据集Υ进行 处理，获得混合矩阵解混矩阵)TeR PxAi、面部感兴趣区域的典型相关变量集和背景区域的典型相关变量集A = [#，.对^…，if >._ · ·，; Zf表示面部感兴趣区域的第p个典型相关变量，Z；；1表示背景区域的第p个典型相关变量， 1. p < P，P表示典型相关变量的个数;且面部感兴趣区域的典型相关变量集和背景区域的 典型相关变量集中的P个典型相关变量均是按两者的相关系数大小进行降序排列；表示第I帧视频图像中面部感兴趣区域的第P 个典型相关变量值；4n=[Zl(nw,zf iW,…，表示第I帧视频图像中背景区域的 第p个典型相关变量值;则所述面部感兴趣区域数据集X=AZx;背景区域数据集Υ=ΑΖγ; 步骤3、设定相关系数阈值，并将面部感兴趣区域的典型相关变量和背景区域的典型相 关变量的相关系数与所设定的相关系数阈值进行比较，若超出相关系数阈值，则将超出所 述相关系数阈值的面部感兴趣区域的典型相关变量和背景区域的典型相关变量均作为环 境光变化的典型变量； 步骤4、获取超出所述相关系数阈值的面部感兴趣区域的典型相关变量的个数Q;并将 面部感兴趣区域的典型相关变量集Zx中的前Q个的典型相关变量均置为零;从而形成不包 含环境光变化的面部感兴趣区域的典型相关变量步骤5、利用式（1 )获得不包含环境光变化的面部感兴趣区域数据集 1=[足，氧,...，4,…，表示第η个颜色通道中不包含环境光变化的脸部感兴趣区域数 据：步骤6、利用氧合血红蛋白吸收率选择所述Ν个颜色通道中第best个最佳颜色通道;第 best个最佳颜色通道具有最大的氧合血红蛋白吸收率； 步骤7、利用总体平均经验模态分解法将所述第best个最佳颜色通道中不包含环境光 变化的脸部感兴趣区域数据足分解成为L个本征模式分量S= [ Si，S2，…，Si，…，SUT; Si表 示第1个本征模式分量； 步骤8:定义候选本征模式分量集，并初始化为空;初始化1 = 1; 步骤9、计算第1个本征模式分量51的频谱图，判断第1个频谱图中的最大幅值所对应的 频率分量是否处于所设定的感兴趣的心率范围内，若处于，则将第1个本征模式分量51加入 候选本征模式分量集中；否则直接执行步骤10; 步骤10、将1+1赋值给1;并返回步骤9; 步骤11、比较候选本征模式分量集中每个本征模式分量频率的最大幅值，选取最大的 最大幅值所对应的本征模式分量作为最佳本征模式分量，对所述最佳本征模式分量采用峰 值检测算法获得视频心率检测结果。
【专利摘要】本发明公开了一种去除环境光变化干扰的视频心率检测方法，首先获得面部感兴趣区域数据集和背景区域数据集，利用联合盲源分离技术对两个数据集进行处理，将共同拥有的环境光变化的信号源提取并置零，得到无环境光变化干扰的面部感兴趣区域数据集；其次选择最佳颜色通道的面部感兴趣区域数据，利用总体平均经验模态分解法得到本征模式分量；接着将所有最大幅值对应的频率处于所设定心率范围内的本征模式分量确定为候选本征模式分量集，并将其中最大幅值所对应的本征模式分量确定为最佳本征模式分量，通过峰值检测算法得到视频心率。本发明为非接触式心率检测提供了更准确的算法，在临床疾病诊断和日常的医疗保健方面具有重要的应用前景。
【IPC分类】G06K9/00, G06T7/00
【公开号】CN105678780
【申请号】CN201610027463
【发明人】陈勋, 徐灵曦, 成娟
【申请人】合肥工业大学智能制造技术研究院
【公开日】2016年6月15日
【申请日】2016年1月14日