倪宗軍，陳 輝，張 昀，蘇 敏，鄭秀娟

1.四川大學(xué) 電氣工程學(xué)院，成都610065

2.西安交通大學(xué) 電子與信息學(xué)部，西安710049

成像式光電容積描記法（imaging Photoplethysmography，iPPG）是一種非接觸式生理參數(shù)檢測(cè)技術(shù)[1]，其基本原理是由于皮下淺層血管血流灌注使得皮膚的顏色發(fā)生輕微變化，因此可以通過成像設(shè)備采集的人體表面部位的視頻信號(hào)獲得血容量脈沖（Blood Volume Pulse，BVP）信號(hào)[2]。通過測(cè)量BVP波形的兩個(gè)連續(xù)峰（或谷底）之間的時(shí)間間隔，可以從BVP信號(hào)中提取心率（Heart Rate，HR）和呼吸率（Respiratory Rate，RR），甚至可以進(jìn)一步得到人體血氧、血壓、心率變異性、血管微循環(huán)等生理參數(shù)，對(duì)人體健康的監(jiān)護(hù)具有重要意義。但由于人體脈搏波信號(hào)十分微弱，因此利用成像式光電手段獲得BVP信號(hào)極易受到干擾，噪聲的來源主要包含低頻基線漂移和高頻噪聲，分別對(duì)應(yīng)運(yùn)動(dòng)噪聲和光照變化產(chǎn)生的噪聲，而人體脈搏波信號(hào)的主要信息處于低頻和高頻之間部分。

iPPG技術(shù)可以追溯到2008年，Verkruysse等人首次提出通過iPPG測(cè)量生命體征的通用方法。首先，確定暴露皮膚區(qū)域?yàn)楦信d趣區(qū)域（Region of Interest，ROI），通?？梢赃x取為面部的前額區(qū)域，接著取ROI中所有像素值的平均值作為原始BVP信號(hào)，而后對(duì)原始BVP信號(hào)進(jìn)行帶通濾波，保留與生理信號(hào)相對(duì)應(yīng)的頻率分量，然后采用快速傅里葉變換（FFT）的頻譜分析方法提取心率和呼吸率對(duì)應(yīng)的頻率分量[3]。該通用方法對(duì)于運(yùn)動(dòng)及光照變化的穩(wěn)健性較差。2010年，Poh等人在該通用方法基礎(chǔ)上引入獨(dú)立分量分析（ICA）方法處理面部視頻的RGB三通道信號(hào)，從而降低運(yùn)動(dòng)噪聲帶來的影響，得出視頻中最強(qiáng)的BVP分量并用于估計(jì)HR[4]。接下來，Poh等人又將時(shí)域?yàn)V波器集成到ICA方法中，從而穩(wěn)健地提取BVP信號(hào)，并實(shí)現(xiàn)心率、呼吸率及心率變異性等相關(guān)生理參數(shù)的估計(jì)[5]。Lewandowska等人提出僅使用兩個(gè)通道和應(yīng)用主成分分析來計(jì)算心率，該方法可以較為有效地提取符合心肺頻率的信號(hào)從而降低光照等噪聲的影響[6]。在標(biāo)準(zhǔn)膚色假設(shè)下，CHROM方法被用來消除運(yùn)動(dòng)偽影帶來的影響，該方法在一定程度上提高了iPPG方法的運(yùn)動(dòng)魯棒性[7]。雷恒波等人利用經(jīng)驗(yàn)?zāi)B(tài)分解法（Empirical Mode Decomposition，EMD）將BVP信號(hào)分解成一系列不同頻率成分的本征模態(tài)函數(shù)（Intrinsic Mode Function，IMF），最后通過頻域分析法得到心率[8]。EMD去噪的基本原理是從分解的IMF分量中去除高頻噪聲引起的IMF分量。該分量基本不含有效信號(hào)成分，去除該分量后，用剩余的IMF分量重構(gòu)原信號(hào)，即達(dá)到了去噪的效果。但是，該方法只是去除了部分噪聲，其他IMF分量中仍殘留部分噪聲，而且高頻分量中也會(huì)含有有效信息。另外EMD還存在著其他問題，如混疊模態(tài)、端點(diǎn)效應(yīng)和停止條件等等。而另外一種信號(hào)分析方法-變分模態(tài)分解（Variational Mode Decomposition，VMD）方法，模態(tài)分量數(shù)目K是可以根據(jù)模態(tài)分量瞬時(shí)頻率的均值來人為設(shè)定最優(yōu)的，在頻域上能自適應(yīng)地分解出各中心頻率對(duì)應(yīng)的有效成分，對(duì)低頻段的特征提取具有更好的準(zhǔn)確性和穩(wěn)定性，它克服了EMD、經(jīng)驗(yàn)小波變換等模式中存在的模態(tài)混合、不能正確地消除附加噪聲以及確定本征模態(tài)函數(shù)個(gè)數(shù)的問題，具有很好的噪聲魯棒性和降噪效果。但該方法仍然存在各IMF中含有殘留噪聲的問題，如何去除各IMF中存在的噪聲，又保留有效信號(hào)是精確提取BVP信號(hào)的關(guān)鍵，而且上述方法獲取的生理參數(shù)估計(jì)的準(zhǔn)確性都受到重構(gòu)的BVP信號(hào)質(zhì)量的影響。

因此，本文基于變分模態(tài)分解法提出了一種新型的聯(lián)合能量熵和信號(hào)質(zhì)量檢測(cè)的自適應(yīng)生理參數(shù)檢測(cè)方法，可以很好地分解出BVP信號(hào)的高頻噪聲和低頻基線漂移噪聲，實(shí)現(xiàn)在自然條件下的人臉視頻中穩(wěn)健地估計(jì)心率及呼吸率。

1 方法

本文提出了一種基于VMD的新型生理參數(shù)測(cè)量的方法，共由三個(gè)主要步驟構(gòu)成，分別為原始BVP信號(hào)獲取、基于變分模態(tài)分解的能量熵閾值自適應(yīng)去噪以及基于信號(hào)質(zhì)量檢測(cè)的自適應(yīng)生理參數(shù)估計(jì)。

1.1 原始BVP信號(hào)獲取

獲取原始BVP信號(hào)，首先需要選擇受試者臉上暴露的皮膚區(qū)域，即面部ROI。首先使用MTCNN[9]方法檢測(cè)人臉，該人臉檢測(cè)器采用CNN方法，利用非最大抑制[10]方法尋找最佳的人臉區(qū)域，與目前流行的其他人臉檢測(cè)方法相比，具有更高的準(zhǔn)確性和魯棒性。在檢測(cè)到人臉后，使用CE-CLM[11]方法來形成68個(gè)人臉特征點(diǎn)，接著通過選取合適的人臉特征點(diǎn)來包含鼻子和額頭（剔除嘴角和眼睛區(qū)域）的區(qū)域作為面部ROI。

為了有效地提高運(yùn)動(dòng)魯棒性，降低運(yùn)動(dòng)帶來的噪聲影響，在獲得的面部ROI基礎(chǔ)上，計(jì)算視頻RGB三通道的平均值，并采用CHROM[7]方法，由RGB三通道的信號(hào)組合得到原始的BVP信號(hào)。

1.2 變分模態(tài)分解與能量熵閾值自適應(yīng)去噪

1.2.1 變分模態(tài)分解的基本原理

Dragomiretskiy等提出了一種可變尺度的信號(hào)分解方法[12]，該方法將信號(hào)f(t)分解為K個(gè)本征模態(tài)分量uk(t)，定義本征模態(tài)函數(shù)uk(t)為一個(gè)調(diào)幅-調(diào)頻信號(hào)，如式（1）所示：

（1）通過Hilbert變換，構(gòu)造每個(gè)uk(t)的解析函數(shù)以獲得相應(yīng)的邊際譜。

（2）通過指數(shù)混合調(diào)制到以wk為中心頻率的頻帶上，將每個(gè)模型uk(t)的頻譜轉(zhuǎn)移到“基帶”。

（3）由解調(diào)信號(hào)的梯度平方和（L2范數(shù)）最小來估計(jì)各IMF分量的帶寬。即：

（4）通過引入懲罰因子α和Lagrange算子λ(t)，將有約束的變分問題轉(zhuǎn)化為無約束的變分問題：

（5）采用乘法算子交替方向法（ADMM）解決上述變分問題，迭代優(yōu)化uk+1、ωk+1、λk+1求得擴(kuò)展拉格朗日表達(dá)式的“鞍點(diǎn)”。采用傅里葉變換，求取二次優(yōu)化問題的頻域解更新公式為：

1.2.2 能量熵閾值自適應(yīng)去噪

VMD分解算法將信號(hào)分解為具有一定帶寬的、頻率由高到低的K個(gè)模態(tài)分量。由于BVP信號(hào)中光照隨機(jī)噪聲主要分布在高頻部分，運(yùn)動(dòng)偽影噪聲則主要分布在低頻部分，而心肺信號(hào)主要信息處于低頻和高頻之間部分，因此需要將K個(gè)模態(tài)分量中的低頻部分運(yùn)動(dòng)偽影的噪聲去除，高頻部分的光照噪聲去除，將剩余的IMF分量重構(gòu)，即可得到去噪后的信號(hào)。

首先，依據(jù)各IMF總體信息與BVP信號(hào)的相關(guān)性剔除相關(guān)性差的分量，接著根據(jù)剩余IMF中有效信息和噪聲對(duì)BVP信號(hào)的相關(guān)性不同的特性，對(duì)各IMF分量中的有效信息進(jìn)行檢測(cè)與定位，將有效信息引起的系數(shù)剔除，噪聲引起的系數(shù)保留，得到新的分量系數(shù);再將保留的噪聲IMF分量系數(shù)分成若干子區(qū)間，分別計(jì)算各子區(qū)間的噪聲能量熵，能量熵最大的區(qū)域，可以認(rèn)為是全部由噪聲引起的，只要計(jì)算出該區(qū)域系數(shù)的能量，再利用噪聲的能量構(gòu)造閾值，對(duì)各原IMF分量系數(shù)進(jìn)行閾值處理，剔除每個(gè)IMF分量中噪聲的影響。下面給出改進(jìn)算法的關(guān)鍵計(jì)算步驟。

先計(jì)算各IMF分量與原始信號(hào)的相關(guān)系數(shù)，定義rk(n)為第k個(gè)IMF分量與f(n)的相關(guān)系數(shù)：

接著將剩余的各IMF分量uk(n)分成t等份，定義rk(i)為第k個(gè)IMF分量uk(t)與f(t)的相關(guān)系數(shù)：

為使相關(guān)系數(shù)與IMF分量系數(shù)具有可比性，定義規(guī)范化相關(guān)系數(shù)Rk(n)為：

其中，uk(i)為第k個(gè)IMF分量中的第i段信號(hào)，通過各IMF分量的規(guī)范化相關(guān)系數(shù)與各IMF分量中的每段成分的相關(guān)系數(shù)的比較，得到各IMF分量中噪聲信號(hào)的系數(shù)位置。

將IMF中的各個(gè)噪聲區(qū)間提取出來，根據(jù)信號(hào)在時(shí)頻域具有能量守恒特性，設(shè)每個(gè)噪聲區(qū)間長(zhǎng)度為M，定義第k個(gè)IMF分量第p個(gè)噪聲區(qū)間的能量為：

將uk(p)分成l等份，每個(gè)小區(qū)間的能量記為Eki(p)，采樣點(diǎn)數(shù)為則有：

第k個(gè)IMF分量中第p個(gè)噪聲區(qū)間的第i個(gè)子區(qū)間的能量Eki(p)在該分量的總能量Ek(p)中的概率為：

則第i個(gè)子區(qū)間對(duì)應(yīng)的能量熵為：

得到第k個(gè)IMF分量中第p個(gè)噪聲區(qū)間的能量熵序列：

搜索第k個(gè)IMF分量的熵值最大子區(qū)間，為：

求第k個(gè)IMF分量第p個(gè)噪聲區(qū)間的第m個(gè)子區(qū)間的IMF分量系數(shù)的平均值：

定義第k個(gè)IMF分量第p個(gè)噪聲區(qū)間的閾值Tk(p)為：

其中，σk(p)為第k個(gè)IMF分量的第p個(gè)噪聲區(qū)間的熵值最大子區(qū)間的系數(shù)的平均值作為噪聲方差。根據(jù)得到的閾值Tk(p)，利用軟閾值函數(shù)分別對(duì)各IMF分量中的每個(gè)噪聲區(qū)間的分量系數(shù)進(jìn)行閾值處理，得到新的IMF分量系數(shù)，接著利用新的IMF分量系數(shù)重構(gòu)信號(hào)，得到去噪后的信號(hào)。如圖1所示，將原始的BVP信號(hào)經(jīng)過變分模態(tài)分解后，得到5個(gè)IMF分量，然后通過相關(guān)性檢測(cè)，剔除第一個(gè)明顯屬于運(yùn)動(dòng)偽影噪聲的IMF分量，起到了去趨勢(shì)化的效果，接著通過對(duì)每個(gè)保存下來的IMF分量進(jìn)行更細(xì)致的相關(guān)性分析，對(duì)屬于噪聲區(qū)間的分量進(jìn)行噪聲能量熵閾值分析，將得到的能量熵閾值重構(gòu)噪聲區(qū)間的分量，從而得到更準(zhǔn)確的IMF分量，最后對(duì)重構(gòu)的BVP信號(hào)進(jìn)行相應(yīng)范圍的濾波即可得到理想的心率和呼吸率的時(shí)域信號(hào)。故該噪聲能量熵閾值的確定方法可根據(jù)信號(hào)中噪聲的能量特征自適應(yīng)地去除IMF分量的噪聲，重構(gòu)出理想的BVP信號(hào)。

1.3 自適應(yīng)生理參數(shù)估計(jì)

1.3.1 基于方差表征序列的信號(hào)質(zhì)量檢測(cè)

從原始BVP信號(hào)中提取得到去噪后的心率信息后，為了繼續(xù)檢測(cè)該信號(hào)的質(zhì)量，采用Pang等人提出的方差特征序列（Variance Characterization Series，VCS）檢測(cè)方法[13]，進(jìn)行心率信號(hào)的質(zhì)量檢測(cè)。步驟如下：

步驟1找出心率信號(hào)中的所有局部最大值Mi,i=1,2,…,以及局部最小值mi,i=1,2,…。

步驟2計(jì)算每一個(gè)最大局部最大值Mi和接下來七個(gè)局部最大值的方差σMi，然后再計(jì)算每一個(gè)局部最小值mi和接下來七個(gè)局部最小值的方差σmi。

步驟3對(duì)于每個(gè)方差，設(shè)：

對(duì)于每個(gè)最大值和最小值，可以得到時(shí)間序列x(t)的兩個(gè)VCS。如圖2所示，當(dāng)不同心率信號(hào)的波形變化時(shí)，VCS的變化情況。綠色三角代表心率信號(hào)的極大值，紅色圓圈代表心率信號(hào)的極小值。對(duì)于每個(gè)最大值的VCS，基于兩個(gè)準(zhǔn)則來判斷心率信號(hào)的質(zhì)量：

（1）δMi的值遠(yuǎn)大于THAM。

（2）(i+4)th的最大值和ith的最大值之間的距離遠(yuǎn)小于distFAR或者(i+2)th的最大值和ith的最大值之間的距離遠(yuǎn)大于distNEAR。

THAM的設(shè)定由經(jīng)驗(yàn)給定，而distFAR和distNEAR的設(shè)定由之前估計(jì)的心率Epre和采樣頻率p給定，即：

圖1 提取心率和呼吸率成分的時(shí)間序列步驟

圖2 不同心率成分信號(hào)以及相對(duì)應(yīng)的方差表征序列

1.3.2 自適應(yīng)生理參數(shù)估計(jì)

VCS質(zhì)量檢測(cè)合格表明已經(jīng)得到較理想的BVP信號(hào)，該信號(hào)中存在強(qiáng)烈的心肺頻率成分，接著分別對(duì)符合心率和呼吸頻率的心肺信號(hào)進(jìn)行三階的巴特沃斯帶通濾波提取相應(yīng)的頻率成分，濾波范圍分別為（0.7～4 Hz）和（0.1～0.7 Hz），然后使用快速傅里葉（FFT）轉(zhuǎn)換到頻域上分析，最高的頻率成分即是對(duì)應(yīng)的心肺頻率fhr、fbr。最終心率（HR）和呼吸值（RR）可估計(jì)為：

當(dāng)VCS質(zhì)量檢測(cè)不合格時(shí)，表明心肺信號(hào)中還存在較強(qiáng)烈的噪聲頻率，這個(gè)時(shí)候選擇時(shí)域的分析方法來獲取心率和呼吸率值，在心肺信號(hào)上使用數(shù)峰值的方法來近似得到心肺速率的估計(jì)值etime。為了更進(jìn)一步提高準(zhǔn)確性，如圖3所示，接著進(jìn)行了頻域跟蹤的方法。接下來是具體的步驟：

（1）將心肺信號(hào)進(jìn)行三次樣條插值處理。由于動(dòng)作或光照帶來的影響是短暫的，進(jìn)行插值處理后，可以加強(qiáng)心肺頻率成分，從而削弱噪聲帶來的影響。

（2）使用FFT得到插值后的心肺信號(hào)的頻譜分布，找到前3個(gè)最大頻率成分。

（3）將這3個(gè)估計(jì)的頻率fest與前一次估計(jì)的fpre進(jìn)行比較，選擇與前一估計(jì)最接近的頻率為頻域跟蹤結(jié)果的估計(jì)epre。然后與時(shí)域分析的估計(jì)值etime比較，如果兩種方法的估計(jì)值相差在10 beat/min（每分鐘心跳次數(shù)）以內(nèi)，則取兩者的平均值作為最終的心肺頻率估計(jì)efinal。如果相差大于10 beat/min，則說明這段心肺信號(hào)的質(zhì)量太差，還存在較多噪聲，則選用機(jī)器學(xué)習(xí)的方法來預(yù)測(cè)結(jié)果eML。本文選用了背景ROI和人臉ROI的80個(gè)特征，其中包括頻域中前5個(gè)最大頻率成分、時(shí)域信號(hào)中波峰到波谷的距離、相鄰波峰、波谷的間距、ICA變換后的結(jié)果等等，最終將80個(gè)特征用支持向量機(jī)做回歸預(yù)測(cè)作為最終的估計(jì)efinal。

圖3 頻譜跟蹤算法

2 實(shí)驗(yàn)結(jié)果及分析

2.1 實(shí)驗(yàn)數(shù)據(jù)集和設(shè)置

選用公開的DEAP數(shù)據(jù)集[14]進(jìn)行該方法性能驗(yàn)證并與目前已有方法進(jìn)行比較。DEAP數(shù)據(jù)集是一個(gè)公共多模態(tài)數(shù)據(jù)庫(kù)，包括22名參與者（22～35歲）的面部視頻。各參與者均拍攝了40段長(zhǎng)度為1 min的面部視頻，同時(shí)還通過指夾式設(shè)備和呼吸帶記錄了心率及呼吸率數(shù)據(jù)，作為方法性能評(píng)估的金標(biāo)準(zhǔn)。視頻拍攝的分辨率為720×576，幀率為50 f/s。參與者被要求靜坐電腦前觀看“情緒誘導(dǎo)實(shí)驗(yàn)”中的各種視頻，隨著視頻的變化會(huì)改變參與者臉部的光照，模擬了自然條件下的光照變化，因此DEAP數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果可以反映各方法在光照變化時(shí)的性能效果。實(shí)驗(yàn)從22名參與者中選取金標(biāo)準(zhǔn)數(shù)據(jù)質(zhì)量高（沒有過多的動(dòng)作偽跡干擾，以保證金標(biāo)準(zhǔn)的準(zhǔn)確性）的數(shù)據(jù)進(jìn)行后續(xù)的對(duì)比實(shí)驗(yàn)。

為了進(jìn)一步進(jìn)行實(shí)際場(chǎng)景中的頭部運(yùn)動(dòng)和光照變化的影響實(shí)驗(yàn)比較，本文還采集了各種不同實(shí)際場(chǎng)景下的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行方法的性能比較。使用羅技C920網(wǎng)絡(luò)攝像頭默認(rèn)設(shè)置拍攝受試面部視頻，使用消費(fèi)級(jí)魚躍血氧儀（YX303）心率結(jié)果作為金標(biāo)準(zhǔn)（由于血氧儀只含心率結(jié)果，故沒有進(jìn)行呼吸率結(jié)果的比較）。采集了總共20個(gè)受試者在5種不同場(chǎng)景下的各5 min視頻。場(chǎng)景1，受試者在室內(nèi)電腦前坐立，距離攝像頭前0.5 m處，可進(jìn)行點(diǎn)頭、搖頭、微笑等動(dòng)作，光源為普通LED燈，面部位置光強(qiáng)為300 lux；場(chǎng)景2，受試者在室內(nèi)坐立，距離攝像頭前0.5 m，可進(jìn)行點(diǎn)頭、搖頭、微笑等動(dòng)作，光源為普通LED燈，調(diào)節(jié)面部處光強(qiáng)從10 lux到750 lux變化；場(chǎng)景3，受試者在室內(nèi)站立，距離攝像頭前0.5 m處，進(jìn)行身體左右搖晃、慢速走動(dòng)等動(dòng)作，光源為普通LED燈，面部位置處光強(qiáng)為300 lux；場(chǎng)景4，受試者站立在戶外街道，距離攝像頭前0.5 m處，進(jìn)行點(diǎn)頭、搖頭、微笑等動(dòng)作；場(chǎng)景5，受試者站立在戶外廣告牌下，距離攝像頭前0.5 m處，進(jìn)行點(diǎn)頭、搖頭、微笑等動(dòng)作。

本文中實(shí)現(xiàn)了基于面部視頻的實(shí)時(shí)生理信息采集系統(tǒng)軟件，所有實(shí)驗(yàn)在個(gè)人筆記本電腦（微星GP63，Win10操作系統(tǒng)，內(nèi)存8 GB，處理器i7-8750H，主頻2.2 GHz）上運(yùn)行，本文方法運(yùn)行速度可以平均穩(wěn)定在25 f/s。

2.2 實(shí)驗(yàn)結(jié)果對(duì)比

BVP信號(hào)處理中最常用的方法有離散時(shí)間傅里葉變換（DTFT）、離散小波變換（DWT）、峰值計(jì)數(shù)（峰值計(jì)數(shù)）、獨(dú)立分量分析（ICA）、自回歸分析（AR）和經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）?？焖俑道锶~變換（FFT）復(fù)雜性較低，獨(dú)立分量分析（ICA）方法的使用頻率很高，自回歸分析（AR）方法比較新穎，經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）與變分模態(tài)分解原理相似，所以本文一共選擇了FFT[2]、ICA[4]、AR[15]和EMD[8]方法來進(jìn)行性能比較。本文在整體方法流程上做了很多改進(jìn)，因此為了說明其他非BVP因素（如ROI獲取、人臉跟蹤方法、信號(hào)平滑以及頻率跟蹤算法）的改進(jìn)帶來的提升，將整個(gè)方法與其他論文提出的整體方法進(jìn)行比較，本文選取的ROI區(qū)域如圖4所示，其中綠色空心圓表示選取的部分特征點(diǎn)，藍(lán)色區(qū)域是選取的粗略ROI，紅色矩形是精細(xì)ROI，包括鼻子和前額區(qū)域。

圖4 面部ROI選擇結(jié)果示例

為了公平比較，ICA、FFT、AR和EMD中用到的參數(shù)均參照原論文設(shè)置為最優(yōu)值，在處理不同視頻時(shí)，所有參數(shù)也保持不變。視頻時(shí)間窗都選擇30 s（包括25 s的重疊窗），最終比較結(jié)果如表1～3所示。

2.3 結(jié)果討論

由表1和表2結(jié)果可見，ICA方法的性能優(yōu)于FFT方法，這是因?yàn)镮CA方法增加了多重時(shí)域?yàn)V波，使得時(shí)間序列更加穩(wěn)定。而傅里葉變換是一種經(jīng)典的頻譜分析方法，在采樣頻率穩(wěn)定，且數(shù)據(jù)長(zhǎng)度足夠的情況下，生理參數(shù)估計(jì)可以取得較好的精確度。然而在使用傅里葉變換分析低頻段頻譜時(shí)，其頻率分辨率是不足的，而且實(shí)際應(yīng)用中通常含有光照、表情動(dòng)作等因素的影響，會(huì)在獲取的原始BVP信號(hào)中引入了非高斯白噪聲，將帶來多個(gè)偽峰值，尤其是運(yùn)動(dòng)噪聲帶來的頻率峰值。通常運(yùn)動(dòng)干擾信號(hào)的頻率成分會(huì)超過BVP信號(hào)中心肺頻率成分。在這種條件下，單純地將最高峰值的頻率點(diǎn)作為心肺頻率，其估計(jì)精度將很難保證。AR[15]方法雖然可以減少人工光照的影響，但是對(duì)于一些運(yùn)動(dòng)偽影的干擾則不能很好地抑制。而ICA方法是假定觀測(cè)到的信號(hào)為盲源的線性混合，而實(shí)際的環(huán)境光噪聲和其他運(yùn)動(dòng)噪聲可能是非線性和時(shí)變的，特別是在運(yùn)動(dòng)過程中，因?yàn)檫\(yùn)動(dòng)引起的血容量的生理變化也可能是非線性的。此外，ICA假設(shè)源信號(hào)的數(shù)量等于RGB通道的數(shù)量，但潛在噪聲源的數(shù)量是不同的，且在實(shí)際應(yīng)用難以確定。因此，ICA并不總是能正確地分解RGB通道來提取所需的心肺信號(hào)的頻率。而EMD方法是通過去除屬于噪聲的IMF分量進(jìn)行降噪，但存在著模態(tài)混疊和分解數(shù)目不可控的缺陷，如何選擇去除合適的IMF分量是重構(gòu)出精確的BVP信號(hào)的關(guān)鍵，而且之前討論過，去除的IMF分量里也包含著有效的信息，而剩余的IMF分量中還存在著其他噪聲，這是EMD方法準(zhǔn)確度不是很理想的關(guān)鍵原因。從表3可知，當(dāng)在更復(fù)雜的現(xiàn)實(shí)場(chǎng)景下（包含變化的光照、頭部運(yùn)動(dòng)），這些方法達(dá)不到滿意的估計(jì)結(jié)果。主要原因是，已有方法在人臉ROI獲取時(shí)對(duì)動(dòng)作的跟隨性能不高，隨著人臉轉(zhuǎn)動(dòng)，會(huì)出現(xiàn)人臉跟蹤失敗，進(jìn)而無法得到理想的BVP信號(hào)。而且，在已有方法中也缺乏對(duì)復(fù)雜噪聲的處理，如圖5所示，原始BVP信號(hào)中包含較強(qiáng)烈的偽影噪聲時(shí)，可能會(huì)出現(xiàn)運(yùn)動(dòng)偽影帶來的峰值高于心率成分的峰值，其中因AR方法與FFT方法一樣使用綠色通道，故未標(biāo)出。ICA方法在一定程度上減弱了運(yùn)動(dòng)偽影帶來的影響，而EMD方法通過選取合適的本征模態(tài)函數(shù)也可以較大程度減少運(yùn)動(dòng)偽影的噪聲，但都還殘留著部分噪聲。本文的方法簡(jiǎn)化了環(huán)境光的過濾，著重在ROI的精確選取上，以及應(yīng)用CHROM方法可以對(duì)運(yùn)動(dòng)噪聲起到一定的抑制作用。如圖6所示，當(dāng)同時(shí)出現(xiàn)強(qiáng)烈的運(yùn)動(dòng)偽影及光照變化的噪聲時(shí)，其他方法的頻譜中會(huì)殘留大量的偽峰，而通過應(yīng)用基于VMD方法的能量熵閾值自適應(yīng)去噪方法，具有更好的抗噪性，能夠重構(gòu)出更精確的BVP信號(hào)，而且根據(jù)重構(gòu)出的BVP信號(hào)的質(zhì)量通過VCS信號(hào)質(zhì)量分析可以自適應(yīng)地選擇不同的分析方法以及提出使用的頻譜跟蹤算法中機(jī)器學(xué)習(xí)的方法利用了背景ROI和面部ROI的信號(hào)得到光照和運(yùn)動(dòng)噪聲特征，可以更準(zhǔn)確地估計(jì)出心肺信號(hào)頻率。然而本文方法還不能有效地去除因劇烈運(yùn)動(dòng)帶來的噪聲影響。因此，在未來的工作中，將提高本文方法的健壯性，優(yōu)化方法流程，使其適應(yīng)更多的實(shí)際場(chǎng)景，從而提高方法在不同情況下的準(zhǔn)確性。

表1 DEAP數(shù)據(jù)集下不同方法的心率比較結(jié)果

表2 DEAP數(shù)據(jù)集下不同方法的呼吸率比較結(jié)果

表3 自采數(shù)據(jù)集下不同方法的心率比較結(jié)果

3 結(jié)束語(yǔ)

本文提出了一種基于人臉視頻測(cè)量生理信息的方法，通過改進(jìn)ROI檢測(cè)方法，可以自適應(yīng)地精準(zhǔn)選擇ROI。針對(duì)直接去除低頻或高頻分量的EMD去噪方法中，不能有效區(qū)分各IMF分量中的有效信息和噪聲信息的問題，本文提出了基于變分模態(tài)分解的相關(guān)能量熵閾值自適應(yīng)去噪方法，該方法根據(jù)噪聲的能量熵自適應(yīng)地確定各IMF分量的閾值，重構(gòu)出更精確的BVP信號(hào)。相比傳統(tǒng)單一分析方法如FFT、數(shù)峰值等等，本文還使用了基于信號(hào)質(zhì)量的自適應(yīng)分析方法，有效地提升了應(yīng)用范圍，最后為了提高測(cè)量的精度。同時(shí)，通過采用頻譜跟蹤算法，可以更準(zhǔn)確地估算心肺頻率值。在公開的數(shù)據(jù)集和自采數(shù)據(jù)集上進(jìn)行的性能驗(yàn)證實(shí)驗(yàn)，證明了本文方法在生理參數(shù)估計(jì)精度較已有方法有較大提升，并且可以更好地適用于實(shí)際環(huán)境中。

圖5 不同算法對(duì)含較強(qiáng)運(yùn)動(dòng)偽影噪聲的BVP信號(hào)處理結(jié)果示例

圖6 不同算法對(duì)含強(qiáng)烈的運(yùn)動(dòng)偽影噪聲和光照噪聲的BVP信號(hào)處理結(jié)果示例