基于人工智能的心率檢測算法

【作者】蔡承賢，王偉

上海交通大學電子信息與電氣工程學院，上海， 200240

隨著醫學知識與信息科技的不斷發展和進步，傳統的醫療模式已逐漸從 “有疾始醫”向“無疾預防”轉變。這種轉變使人體各類生理信號的日常監測成為一項越來越重要的工作，其中一項心率信息的定義是心臟每分鐘跳動的次數。在眾多生體信號中，心率數據可謂是最基本同時也是最重要的信息之一，在諸多方面表現出極大價值，例如，在疾病預測及診斷方面，通過心率信號，可以捕獲心臟疾病的先兆情況，了解心腦血管疾病的潛在風險；在健康保健和運動醫學領域，可依據心率情況判斷健身效果以及保障被監測者的運動安全。

傳統的心率檢測方法一般基于繪制心電圖（ECG，electrocardiogram）的技術，如圖1所示[1]。此種方法需要在人體數個特定部位放置體表電極，用于身體表面各點生物電壓的采集；然后，根據各點間電位差，繪制出人體心電圖并籍此獲得心率信息。由于這種檢測方法事先需要進行較為繁瑣的準備工作，比如需要花費時間在體表安置電極和預熱儀器設備等。此外，由于該檢測方法需要儀器與體表直接接觸，所以還涉及到清潔儀器、體表消毒等問題。該方法另需通過波形分析方法分析數據，方能獲得心率信息。由此可見，在非專業醫療環境特別是那些我們僅需獲知被檢測者心率信息而對心電圖信息不甚關心的場合，以上測試方法顯得較為繁瑣與不便。綜上所述，迫切企盼一種操作簡便，無需與人體相接觸，并且能夠快速完成心率檢測的非接觸式心率檢測方法。

圖1 人體ECG測試圖Fig.1 Image of ECG Testing

為滿足上述需求，前人提出一種基于時滯圖像（time-lapse image）分析人體心率的非接觸、非侵入式檢測方法。該方法通過截取人體臉頰部位特定區域的視頻時滯圖像，透過該圖像區域平均灰度值的離散變化，籍由若干信號處理方法及6階自回歸分析而獲取心跳頻率（heart rate）及呼吸頻率(respiratory rate)，較好克服了前文所述傳統檢測方法的問題。但是，該方法也存在著精確度、可靠性上的缺陷，使得研究者繼而思索更佳分析處理方法，從而在滿足非接觸性、非侵入式特性的同時，提高準確率。

本文嘗試在此種方法的基礎上，著眼于新算法的開發，提出一種基于人工智能技術中模糊邏輯理論的生體信號分析算法，將其應用于心率檢測領域。實驗表明，采用該算法之后，檢測結果比較理想。

1 研究現狀

通過人體局部視頻圖像信號的變化檢測心率，作為一種新穎的非接觸式、非侵入式心率檢測方案受到學術界的關注。比如，在由Takano C等所發表的文章中[2]，提出一種由CCD攝像機捕捉人臉特定目標區域的時滯視頻圖像后，依次通過一階微分、低通濾波和6階自回歸分析等信號處理手段，于信號頻譜能量最大的兩個頻段處獲取呼吸和心跳頻率。然而，由于視頻圖像信號極易混入噪聲的特性，加上該算法先天所存在的局限性，最后的檢測結果不甚理想。

2 本文提出方法

為了提高前文所述心率檢測方法的精確度，本文嘗試在該方法基礎上，引入人工智能領域中模糊邏輯的分析算法，籍此能有效提高精確性。

2.1 模糊邏輯簡介

模糊邏輯是目前人工智能領域內較為活躍的一個分支。該方法植根于University of California, Berkeley的LotfiSedah教授于1965年提出的模糊數學理論，籍由其中的模糊集合論為工具，通過模糊隸屬函數之賦值，規避布爾邏輯所帶來的“絕對二元性”問題。由于其在精確度、魯棒性及易用性之間有良好的折衷處理關系，目前已廣泛應用于智能家電，醫療儀器和圖像處理等領域。

圖2 經預處理后之視頻時滯信號Fig.2 Image of processed signal

2.2 數據預處理

由數碼攝像機采集人臉面頰特定區域的視頻時滯圖像，其原始數據格式為NTSC，拍攝參數為每秒30楨，即信號采樣率為30 Hz。此后經256階灰度處理，取每楨圖像的灰度平均值，所獲預處理信號如圖2所示。

由于該信號仍存在較大的噪聲，宜先進行濾波處理。在此，采用加BLACKMAN窗的方法，其幅頻及相頻曲線如圖3所示，其窗系數方程[4]為：

其中，n為濾波器系數的序列；BLACKMAN濾波器階數為L=N+1。

圖3 BLACKMAN濾波器頻譜圖Fig.3 Spectrogram of Blackman filter

基于人體心率的知識，取濾波器通帶為0.5 Hz至2 Hz。經過以上處理之后的信號如圖4所示。

圖4 經濾波后之視頻時滯信號Fig.4 Image offiltered signal

圖5 時間模糊隸屬函數Fig.5 Time FM function

2.3 算法說明

基于人體心跳特征的研究，可建立以下兩條基本知識規則[5]：

1) 每次心跳所需時間以一定概率形式分布在時域中，其中包括心率正常者及心率異常者；

2) 在每次心跳過程中，信號幅度至少會出現一次較大波峰，心率異常者可能波峰更多。

根據以上知識，基于模糊集合理論[3]，我們據此構建兩條模糊隸屬函數：

基于第一條知識，定義時間模糊隸屬函數，在此使用如圖5所示的高斯形隸屬函數：

其中，τ(t)為信號時間離散值；T為按Takano C方法[2]計算所得心跳頻率的倒數；σ決定函數曲線的寬度，取經驗值。

基于第二條知識，定義幅值模糊隸屬度。由于幅值信號所受的干擾較為嚴重，因此如圖6所示的線性分布被用于刻畫幅值模糊隸屬度：

其中，x(t)為信號幅度離散值；xmax及xmin分別為信號之極值。

通過以上兩維模糊隸屬函數之乘積，可定義綜合模糊隸屬度：

基于以上所定義模糊隸屬度，可計算信號每一離散點之綜合模糊隸屬度。心跳點即為信號綜合模糊隸屬度最大的點。最后，通過計算一分鐘內心跳點的個數，即可獲得實驗者的心率。

圖6 幅值模糊隸屬函數Fig.6 Amplitude FM function

表1 實驗結果比較Tab.1 Results comparison

3 實驗結果

為了測試本文所提出算法的有效性，將5位被測試者的實際心跳與用本文提出的心率檢測算法同時進行對比驗證，其結果如表1所示。

通過計算，該算法所得結果與實際心率的相關系數(correlation coefficient)為0.95，而Takano C等[1]所提出的算法檢測結果與實際心率的相關系數為0.90。因此，本文提出的算法滿足了性能提高的需求，達到設計目的。

4 結論

非接觸式心率檢測方法由于其方便性、安全性及靈活性受到業界廣泛關注與研究。本文在前人基于人體視頻時滯圖像檢測心率方法的基礎上，提出了一種新穎的心率檢測算法。該算法結合了信號處理技術及人工智能方法，在易用性及精確度之間進行了良好的平衡。實驗結果顯示，能基本滿足心率檢測的要求。

[1]Electrocardiography.http://en.wikipedia.org/wiki/Ecg

[2]Takano C, Ohta Y.Heart rate measurement based on a time-lapse image[J].Med Eng Phys, 2006, 29(8): 853-857.

[3]李人厚著.智能控制理論和方法[M].西安:西安電子科技大學出版社, 2005.

[4]Documentation for MathWorks Products, R2009b.http://www.mathworks.com

[5]Yutaka Hata, Yuya Kamozaki, Toshiyuki Sawayama, et al.Heart pulse monitoring system by air pressure and ultrasonic sensor systems[J].System of Systems Engineering, 2007, 16-18: 1-5.