心率是一項(xiàng)反映人體生理和心理狀況的重要生理信號(hào),其包含了豐富的健康狀況和情緒活動(dòng)信息。對(duì)心率進(jìn)行實(shí)時(shí)準(zhǔn)確的測(cè)量在諸多領(lǐng)域有著廣泛應(yīng)用,例如疾病預(yù)防、訓(xùn)練輔助、健康監(jiān)測(cè)和護(hù)理等。遠(yuǎn)程光電容積描記術(shù)（remote photoplethysmography,r PPG）是一種非接觸式的心率測(cè)量技術(shù),r PPG可從面部視頻中直接提取心率信號(hào),而無(wú)需佩戴接觸式的傳感器。隨著長(zhǎng)期健康監(jiān)測(cè)需求的增長(zhǎng),這項(xiàng)技術(shù)憑借其易實(shí)現(xiàn)、成本低、非接觸測(cè)量等優(yōu)點(diǎn),獲得了研究人員的極大關(guān)注。然而,r PPG技術(shù)容易受到環(huán)境光變化和運(yùn)動(dòng)偽跡等因素的影響,使得測(cè)量出現(xiàn)偏差。近年來(lái)隨著人工智能的飛速發(fā)展,深度學(xué)習(xí)相關(guān)技術(shù)在r PPG領(lǐng)域逐步得到應(yīng)用,這些技術(shù)顯示出了良好的抗噪性能。在本文中,提出了一種新的基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks,CNN）的r PPG方法,以建立時(shí)空特征圖像與其對(duì)應(yīng)的心率數(shù)值之間的映射,主要實(shí)現(xiàn)流程如下:首先,定位視頻中的人臉特征點(diǎn)并確定多個(gè)感興趣區(qū)域。從每個(gè)感興趣區(qū)域中提取視頻片段的RGB通道信號(hào)。使用基于色差模型的算法進(jìn)一步提取色差信號(hào),并以時(shí)間延遲的... 

【文章來(lái)源】：合肥工業(yè)大學(xué)安徽省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

光學(xué)反射模型示意圖

合肥工業(yè)大學(xué)碩士研究生學(xué)位論文122.1.2基本框架基于視頻的非接觸式心率測(cè)量技術(shù)的目標(biāo)是從視頻信號(hào)中提取心率波形或心率值。到目前為止，絕大多數(shù)方法都遵循如圖2.2所示的基本框架。Fig2.2Flowchartofbasicframeofvideo-basedheartratemeasurement基本步驟為：（1）使用攝像機(jī)在光源照射或自然光條件下，拍攝包含人體皮膚區(qū)域（主要是人臉區(qū)域或手部皮膚區(qū)域）的視頻。（2）采用手動(dòng)或自動(dòng)算法來(lái)定位和跟蹤視頻中的感興趣區(qū)域。（3）沿著時(shí)間方向，從感興趣區(qū)域中計(jì)算單個(gè)或多個(gè)顏色通道的均值，得到原始的rPPG信號(hào)。（4）將信號(hào)處理相關(guān)算法（如帶通濾波、盲源分離算法和基于色差模型的算法等）應(yīng)用于原始rPPG信號(hào)，從而提取出心率信號(hào)。（5）通常采用峰值檢測(cè)算法或使用快速傅里葉變換（FFT）來(lái)計(jì)算心率信號(hào)對(duì)應(yīng)的心率數(shù)值。此框架適用于絕大多數(shù)實(shí)驗(yàn)條件控制良好的rPPG方法。研究人員根據(jù)所要解決的問(wèn)題不同，相應(yīng)地修改其中一個(gè)或多個(gè)步驟，來(lái)提升算法性能。由于這種通用框架步驟較多，因此每一步的處理都會(huì)對(duì)最終的測(cè)量精度造成較大的影響。近年來(lái)，隨著深度學(xué)習(xí)技術(shù)的飛速發(fā)展，基于端到端的模型逐步被提出，從而避免中間因素的干擾，這些技術(shù)將在后面進(jìn)行介紹。2.2傳統(tǒng)的典型心率測(cè)量方法根據(jù)現(xiàn)有的rPPG方法在信號(hào)去噪算法和原理上的差別，這些方法主要可以分為兩類(lèi)：基于盲源分離算法（BSS）的方法及基于光學(xué)反射模型的方法�；诿ぴ捶蛛x算法的方法將心率信號(hào)與其他噪聲信號(hào)視為混疊信號(hào)，利用信號(hào)之間的統(tǒng)計(jì)獨(dú)立性或非相關(guān)性假設(shè)，將心率信號(hào)從混疊信號(hào)中分離出來(lái)，再進(jìn)行心率估計(jì)。而圖2.2基于視頻的心率測(cè)量基本框架流程圖

合肥工業(yè)大學(xué)碩士研究生學(xué)位論文16多的被用作前期預(yù)處理，從而降低網(wǎng)絡(luò)學(xué)習(xí)的難度及成本。2.3新興的基于深度學(xué)習(xí)的測(cè)量方法近年來(lái)，隨著數(shù)據(jù)驅(qū)動(dòng)的方法，尤其是基于深度學(xué)習(xí)技術(shù)的方法，被認(rèn)為具有處理復(fù)雜數(shù)據(jù)的能力。并且在很多領(lǐng)域取得了十分巨大的成就，如圖像分類(lèi)，目標(biāo)檢測(cè)和自然語(yǔ)言處理等。因此，逐漸有研究人員將深度學(xué)習(xí)技術(shù)應(yīng)用于視頻心率測(cè)量任務(wù)中。Fig2.3ComparisonoftwomethodsbasedondeeplearningChen等人首先提出了一種端到端的系統(tǒng)，以建立從視頻圖像到脈動(dòng)信號(hào)的導(dǎo)數(shù)之間的映射[51]。在他們提出的神經(jīng)網(wǎng)絡(luò)中，同時(shí)學(xué)習(xí)了一個(gè)軟注意力掩碼，從而提高測(cè)量的質(zhì)量。隨后，Niu等人提出了一種新穎的時(shí)空表示方法，使用來(lái)自面部多個(gè)感興趣區(qū)域的RGB通道信號(hào)來(lái)構(gòu)建時(shí)空特征圖像，從而建立特征圖像到心率數(shù)值的映射[52]。在論文[53]中，作者通過(guò)注意力機(jī)制進(jìn)一步改善了工作，以增強(qiáng)rPPG信號(hào)的顯著特征。在另一項(xiàng)研究中，Qiu等人提出了一個(gè)新的框架，通過(guò)使用卷積神經(jīng)網(wǎng)絡(luò)從時(shí)空過(guò)濾特征圖中測(cè)量心率數(shù)值。為了增強(qiáng)輸入信號(hào)的信噪比，使用歐拉視頻放大（EVM）算法[54]放了了面部顏色的變化[56]。等人設(shè)計(jì)了一種使用兩步神經(jīng)網(wǎng)絡(luò)的端到端的心率估計(jì)器[55]。該模型在三個(gè)公共數(shù)據(jù)集上進(jìn)行了測(cè)試，并被證明優(yōu)于最新的方法。與前面提出的基于深度學(xué)習(xí)的方法估計(jì)心率不同的是，Yu等人嘗試使用一個(gè)端到端的網(wǎng)絡(luò)直接從原始視頻片段中提取rPPG信號(hào)�？傮w來(lái)說(shuō)，現(xiàn)有的基于深度學(xué)習(xí)的rPPG方法大致可以分為兩類(lèi)：基于特征解碼的方法和端到端的方法。如圖2.3所示，基于特征解碼的方法首先使用視頻、圖2.3兩類(lèi)基于深度學(xué)習(xí)的方法對(duì)比

【參考文獻(xiàn)】：
期刊論文
[1]1990～2016年中國(guó)及省級(jí)行政區(qū)心血管病疾病負(fù)擔(dān)報(bào)告[J]. 李鎰沖,劉世煒,曾新穎,周脈耕.  中國(guó)循環(huán)雜志. 2019(08)



本文編號(hào)：3442440