荣猛，范强，李凯扬

(武汉大学 物理科学与技术学院，武汉 430072)

1 引 言

心血管疾病目前在中国已经成为损害人们身体健康最主要的疾病。根据国务院新闻办发布的报告[1]可知：从1995年开始，我国的心血管疾病死亡率高于肿瘤、呼吸疾病等其他疾病，处于首位。心率、呼吸频率及血氧饱和度作为心血管疾病相关的生理参数，是心血管疾病预防及临床诊断的非常重要指标[2]。目前便携式的健康监测设备主要有：健康手环、指夹式脉搏血氧仪、血糖仪等[3-4]。但是这些设备在使用过程中有很多的局限与不足。

成像式光电容积描记技术(IPPG)是近年发展迅速的一种非接触式生理信号检测的技术。它具有非接触的测量方式，平台易实现、易操作等优点。尤其是非接触测量方式特别适合日常家庭健康检测。该技术一经提出，就成为生物医学工程领域的新兴热点之一。

本研究的内容是基于数字图像处理的人体参数IPPG测量理论。通过高速电荷耦合器件(charge coupled device，CCD)相机在环境光下对人脸进行视频拍摄，然后通过我们的算法对视频进行处理，从得到的脉搏波的信号中计算出相关参数的值，并且将最后的测量结果与标准的测量仪器进行了对照。下面就对本系统所涉及的算法进行详细的介绍。

2 IPPG技术理论分析

2.1 IPPG技术的生理学理论基础

脉搏是随着心脏的舒张运动和收缩运动而产生的有规律的搏动。在一次心脏搏动的循环中，动脉血管会发生周期性的扩张和收缩，这种有节律搏动就称为脉搏[5]。

脉搏能够反应心血管的许多参数，如心率、心脏搏动频率等，因此，可以通过脉搏波测量心率及其变异性、呼吸频率、血氧饱和度等人体生理参数[6]。

2.2 IPPG技术的光学理论基础

IPPG技术是基于朗伯-比尔定律(Lamber-Beer)和光散射理论发展而成的。根据Lamber-Beer定律，波长为λ的单色光照在某物质的溶液上的时候，透射的光强I与发射的光强I0之间的关系如下：

I=I0e-ε(λ)CL

(1)

其中，ε(λ)是吸光系数，C为介质浓度，L为光在物质中的行进距离。当光照射皮肤组织后，光强会随着血管中血液容积的变化而改变，反射回的光强就包含了人体组织的许多生理信息[7]。

3 IPPG非接触生理参数测量系统

3.1 系统整体结构

IPPG系统主要由两大部分组成，即基于成像设备的视频采集装置和基于PC机的硬件及自主研发的系统配套软件两大部分组成，系统的结构见图1。

本系统首先通过高速CCD相机采集得到人脸视频，通过试验找到合适的敏感区域，对分离后的帧图片进行红绿蓝(RGB)三通道分离。通过曲线可以提取出脉搏波信息，进而得到需要的生理参数。

3.2 心率及呼吸频率算法原理

本节的算法也是本系统的核心功能部分。图2为IPPG测量心率及呼吸频率的算法流程图。

图1 系统整体结构

图2 心率及呼吸频率算法流程

心率及呼吸频率计算的主要流程为：

(1)摄像头采集到视频流(相机采集速率为60 fps)，将采集的视频流转化为序列帧图片。并对序列图片进行人脸识别追踪并通过试验分析找出最有效的感兴趣区域，作为后续图像处理区域。

(2)对序列图像进行三通道RGB分离，从而得到一个三维序列。

(3)进行独立成分分析(ICA)处理，得到新的三个一维序列。对新的序列进行相关性的分析，找出相关系数最大的一维序列。并进行带通滤波。

(4)得到结果：幅值最大处频率的值，即为心率值；次波峰的频率的值，为呼吸频率的值。

大量文献表明，并不是全部脸部区域都适合做ROI区域的，因此需要对不同的人脸部位作为ROI区域进行讨论。图3是通过matlab算法分别对整个脸部区域、额头、鼻子及脸颊区域对应的三通道的信号进行分析后得到的曲线。

图3 不同ROI区域的分析曲线

从图中可以看出，选取鼻子附近区域得到的信号相比其他区域更有规律，这是因为全脸区域包含了嘴巴和眼睛，这两个区域由于人的呼吸及眨眼等不可避免的动作造成信号信噪比降低，并且脸颊区域的毛细血管分布的更多。因此，我们选取鼻子及脸颊区域作为下一步计算的ROI区域。

本系统采用的人脸识别算法为AdaBoost算法[8]，其思想是利用很多弱分类器使用一定方法进行叠加，构成一个分类的能力较强的强分类器。算法的步骤是：人为输入n个训练样本{x1，y1}，…，{xn，yn}，其中yi={1,0}对应真样本和假样本，假设样本中有l个真样本，m个假样本，第j个特征生成的弱分类器形式为

(2)

其中：hj代表简单分类器的数值，pi表示不等号的方向，θj为阈值，fi(x)表示的是特征值。

(1)初始化误差targrt权重，对于yi=0的样本，wl,i=1/21;对于yi=1的样本，wl,i=1/21。

(2)对每个t=1,2，…，T(T为训练次数)进行权重归一化，并计算误差。选择最小误差的加入强分类器。更新每个样本的权重。

(3)最后形成一个强分类器

(3)

AdaBoost算法是许多强分类器的组合，能够检测出复杂环境下的人脸，检测速度快。

3.2 血氧饱和度算法原理

图4为IPPG系统测量血氧饱和度算法流程图。其中有部分算法具有通用性。

图4 血氧饱和度算法流程

血氧饱和度计算的主要流程为：

(1)、(2)流程同上。

(3)对蓝通道和红通道进行平滑滤波。

(4)计算红蓝通道极值点和平均值。进而计算出R值。

(5)利用线性拟合计算出血氧饱和度的数值。

血氧饱和度是指人体的血液中结合了氧元素的血红蛋白的容量与全部可以结合血红蛋白的容量的比值[9]。可用下列公式进行表征：

(4)

在IPPG系统中，通过带通滤波的红、蓝通道的信号，平均值作为脉搏波直流分量IDC，方差作为交流分量IAC。则血氧饱和度的提取方程可变成如下公式：

(5)

本研究中我们采用带通滤波后的红、蓝通道信号的标准方差，作为IPPG信号的交流分量IAC，其平均值作为直流分量IDC来进行计算。

我们采用彩色视频中的红、蓝通道信号，代替接触式血氧仪中的红光和红外光。图5绘制了CCD相机吸光谱线。可以看出蓝光的主吸收峰位于450～500 nm波长范围内，红光的吸收峰位于650 nm左右的位置。其中蓝光位置两种血红蛋白有相似的吸收系数，红光位置的吸收系数有明显的差异。这就为红蓝通道计算血氧饱和度提供了可能。

图5 CCD相机吸光谱线

在实验的过程中，我们利用多参数监护仪测得的SpO2值作为对比的标准信号，与IPPG系统测得的R值通过最小二乘法进行线性拟合最终来确定A、B。

4 实验结果4.1 实验过程

为测试系统的准确性和可靠性，我们进行了一些实验来验证。本实验我们选取的是迈德威视MV-GED32C-T高速工业相机，最高帧速可达180FPS(frames per second,FPS)，分辨率为30万像素。另一方面使用瑞博PM-9000A多参数监护仪监测志愿者以便与本系统结果进行对比。

本实验选取了35名20～40岁成年健康人员进行测试，被测者均无病史，并且近三周未使用过药物。我们对受试者进行30 s的视频拍摄，实验中被测人员尽量保持不动，以减少干扰。在实验同时，志愿者的手指通过多参数监护仪进行监测，其结果作为与本系统对比的标准信号。

4.2 软件分析过程

视频采集结束后，通过我们自主研发的软件来进行数据处理和结果显示。选取其中一组实验进行说明。

首先，将采集到的视频转化为帧图片并进行人脸识别，找到感兴趣区域(ROI区域)。见图6，图中蓝色圆圈表示本算法识别出的人脸区域；黄色框表示选取的ROI区域；灰色条是为保护隐私而对眼睛进行遮蔽。

图6 人脸识别

对ROI区域进行RGB三通道分离，得到三个一维序列。对这三个一维序列进行ICA处理，从而得到新的三个一维序列。再进行相关性分析与带通滤波，最后得出心率和呼吸频率。

对得到的RGB三通道中的红蓝通道进行平滑滤波。计算出二个通道的极值点和平均值，进而通过线性拟合公式得到R值。最后计算出血氧饱和度。

上述步骤处理后的曲线见图7。

图7 (A) RGB三通道分离后曲线，(B) ICA处理后的曲线，(C) 带通滤波后的曲线

通过软件分析得到的结果见图8。

图8 结果显示

4.3 结果分析

我们进一步使用精确度(accuracy)和均方根误差(root mean square error，RMSE)来量化评价测量结果。精确度和RMSE的计算公式为：

(6)

(7)

我们将这些统计结果列在表1。

图9 三种测量参数的Bland-Altman图

Table 1 Statistical analysis table of three kinds of measurement parameters

从以上结果可以看出，两种方法所测得的结果具有较好的一致性，表明本算法及设备的可行性。

5 结论及展望

本研究所介绍的算法为IPPG系统最为核心的部分。并且从系统原理、算法流程、结果统计分析等方面介绍了本算法的可行性。

IPPG技术是通过成像设备对北侧部位进行视频拍摄，将反射光的强度变化用图像视频的方式记录下来，再对其处理进而得到各种生理参数的生物医学检测方法。相较于传统的接触式的测量方式，具有非接触、平台易实现、操作便捷、便于长时间监测等优点[11]。在未来医疗事业的发展中，具有非常大的应用前景。

目前所做实验因条件限制，范围比较窄。在以后的实验中，我们会在不同年龄、肤色、人种等条件下进行实验来进一步验证本设备的通用性。