基于歐拉影像放大的非接觸式心率測量方法

蘇培權，許 亮，梁永堅

(廣東工業大學 自動化學院，廣州 510006)

0 引言

心率作為人體重要生命體征，是評估人體健康重要參數，其中，靜息心率是鑒別心臟健康狀況及其他臨床診斷風險預測重要因子[1]，因此對靜息心率日常測量將有助于對人體身體狀況監測以及相關疾病預防，特別是對老年人身體功能性下降和疾病風險的預測有著重要的意義[2]。目前，心電圖法是心率測量中應用最廣、準確度高的一種方法，但是由于這類接觸式測量法中傳感器設備需要與人體皮膚接觸，造成使用上不便。

早期非接觸式心率測量法有微波多普勒雷達[3]、超寬帶脈沖雷達分析[4-5]以及熱成像處理[6]，然而這些方法成本昂貴，且需要專業操作。另一方面，家庭式醫療診斷測量和遠程健康狀況監控越來越被重視，并且處于快速發展階段[7]，所以尋找一種低成本、操作方便且實時性較強非接觸式心率測量法具有重要意義。文獻[8] 對臉部感興趣皮膚區域采集30 s視頻，根據皮膚亮度變化采用自回歸頻譜實現脈搏測量，是早期通過視頻采集實現脈搏測量的方法。近年來，隨著計算機視覺技術發展，有研究人員利用光電容積描記法(Photo Plethysmo Graphy, PPG)原理對人體皮膚采集到視頻進行處理[9-10]，從而實現對心率非接觸式測量，該方法在降低視頻噪聲時大多采用線性濾波器，無法降低與心率同頻段信號噪聲，造成心率提取準確度較低。Poh等[11-12]和Pursche等[13]采用獨立成分分析(Independent Component Analysis, ICA)算法進行盲源分離去噪，對于測量對象人臉中非皮膚區域，特別是眼睛眨動會對信號波形產生較大干擾，且干擾頻率和心率相接近，不易被濾除[14]。另外，盲源分離并沒有提供一個判斷方法來區分分離后哪一組獨立信號相對于實際心率信號最具有真實性，從而影響到心率計算精度[15]。Xu等[16]針對盲源分離缺點，受光學血氧儀啟發，提出了針對人體皮膚基于脈搏變化交流信號成分分析的簡單數學模型心率計算，該方法在測量過程中要持續45～90 s，而且整個過程要求被測對象保持不動。短時傅里葉測量心率[17]，固定變換窗口寬度限制了心率估計，不正確窗口大小直接導致心率錯誤測量。文獻[15,18]在Poh等[11]提出方法基礎上對盲源分離算法改進，一定程度上提高了算法魯棒性。針對測量過程中被測對象移動和環境亮度變化對測量精度的影響，文獻[19] 通過臉部跟蹤和對臉部變化亮度矯正有效提高算法對移動和環境變化的魯棒性。文獻[20]根據建立皮膚模型和線性盲源分離從臉部多個局部區域提取的體積描記器(PlethysmoGraph, PG)信號，并使用多數投票法估計心率，進一步提高對被測對象移動和環境亮度變化的魯棒性，一定程度上克服Li等[19]在復雜測量背景臉部變化亮度矯正可靠性低的不足。人臉視頻PPG原理是皮膚對光吸收和反射隨著皮膚下血管血液灌注量變化而變化，人臉視頻通過捕獲這種變化來估計心率。非接觸式視頻心率估計方法，幾乎都在臉部皮膚上根據PPG原理演變而來，光電容積描記法相關醫學研究[21-22]表明，人體周圍環境溫度和表皮組織溫度直接影響到皮膚血流灌注，對PPG信號產生較大干擾，導致血氧飽和度及心率估計精度下降。人臉直接與周圍環境接觸，受環境溫度影響較大，所以造成基于光電容積描記法原理人臉心率測量精度和穩定性下降。因此，上述心率測量方法存在心率同頻段噪聲干擾大、受環境溫度影響較大、對分離信號真實性缺乏判斷等問題。

針對上述問題，并根據靜息心率可通過橈動脈一分鐘跳動次數來估算，本文提出了一種基于歐拉影像放大技術[23]的心率測量新方法。該方法運用歐拉影像放大技術實現橈動脈跳動微小變化放大，對放大后的視頻幀作亮度方差統計，并根據統計結果分割提取橈動脈跳動區域視頻圖像，對所提取橈動脈部位亮度通道進行時頻分析，實現心率非接觸式自動測量。

1 測量原理

由于心率測量可通過對橈動脈跳動次數的計數間接實現。而在影像中橈動脈很細微、跳動難以用人肉眼觀察出來，所以本文所提方法先采用歐拉影像放大技術對影像中橈動脈微小跳動進行放大，使脈搏跳動可視化，同時便于橈動脈跳動部位定位處理，如圖1所示。在歐拉影像放大技術中，對于微小運動對象采用空間多尺度方法放大像素亮度變化值，實現橈動脈跳動信號放大。對經過放大處理視頻幀，由于亮度包含了圖像微小運動信息，圖像變化主要在亮度上表達出來，因此亮度變化可用來解析橈動脈跳動信息。

圖1 心率測量原理

Fig. 1 Schematic diagram of heart rate measurement

橈動脈微小跳動信息主要集中在視頻幀像素點亮度通道的變化，所以本文對采集橈動脈區域視頻進行歐拉影像放大處理。歐拉影像放大處理中建立視頻幀拉普拉斯金字塔對視頻幀空間多分辨率分解，對視頻幀空間分辨率一樣的圖像層進行時域處理。時域處理算法，以及與運動放大之間關系可根據光流分析中基于一階泰勒級數展開微分近似法進行分析，一維運動信號具體分析說明如下所示。

函數I(x,t)表示在圖像空間點位置為x、時間為t時亮度，令I(x,0)=f(x)，經過時間t之后產生動作位移函數為δ(t)[23]，則：

I(x,t)=f(x+δ(t))

(1)

對于微小運動信號給予適當放大因子放大，可對式(1)進行關于x的一階泰勒級數展開分析，如式(2)所示：

(2)

令經過時域帶通濾波所要放大動作信號為：

(3)

將該信號放大α(放大因子)倍后，疊加到原信號I(x,t)，如式(4)所示：

(4)

由此可得：

(5)

將式(5)作關于一階泰勒級數展開逆方向運算，得到逼近運動放大后亮度信號：

(6)

由式(1)與式(6)比較，可知經過運動放大后，運動幅度是沒經過放大的(1+α)倍。為了防止放大失真，對所構造金字塔中不同空間頻率基帶應使用合理放大因子進行限制，假設信號空間波長為λ=2π/ω，其中ω為信號空間頻率，則放大因子α限制公式[23]如式(7)所示：

(1+α)δ(t)<λ/8

(7)

經過歐拉影像放大處理，橈動脈跳動部位對應像素點的亮度值在時域上波動較大，所以在時域上對視頻幀像素點亮度通道作亮度方差統計，以灰度值表示像素亮度方差值大小，灰度值越大代表該像素點亮度變化幅度越大。由于手臂背景中可能存在運動物體，在亮度方差統計中就會產生較大方差值，這會對后續步驟——橈動脈定位產生很大影響，所以在進行視頻幀亮度方差統計同時，對經過歐拉影像放大的視頻幀作皮膚分割，提取視頻中皮膚區域，并將提取結果與亮度方差統計結果作邏輯與運算，去除背景方差。去除背景后僅剩皮膚區域亮度方差，所以對該區域作形態學處理實現橈動脈跳動定位，并對所定位區域像素點根據其亮度方差大小計算該區域亮度加權平均值，獲取生理信號，對所獲信號進行時頻轉換，實現心率非接觸式測量。

2 測量方法

本文運用歐拉影像放大技術對橈動脈微小跳動動作幅度放大，通過圖像處理技術對視頻幀皮膚分割以及方差統計，實現對橈動脈跳動部位提取，然后對視頻幀所提取區域亮度通道時頻分析，實現心率自動測量，具體流程包括以下幾個部分：視頻輸入，橈動脈跳動微小變化放大，橈動脈跳動區域提取和心率計算。

2.1 橈動脈跳動微小變化放大

歐拉影像放大技術主要先由圖像RGB空間轉換到Lab空間，并在Lab空間中通過對視頻幀空間域和時域上處理，實現放大視頻中人眼難以察覺到的微小運動變化，其中包括手腕附近橈動脈跳動。對于微小運動放大空間域上處理主要是建立視頻幀拉普拉斯金字塔，原圖像經過高斯低通濾波并以步長為2隔行隔列采樣即可得到高斯金字塔第1層圖像(第0層為原圖像)，對所得圖像同樣濾波和采樣，迭代若干次可得到高斯金字塔，所以高斯金字塔把原圖像分解為低通子帶，在低通子帶依次對高斯金字塔上一層上采樣，再將采樣結果高斯濾波之后與高斯金字塔下層作差運算即可得到拉普拉斯金字塔。在空間多分辨率分解過程中，結合采集視頻分辨率提高金字塔層數，可實現偽影抑制和運動放大，同時提高視頻信噪比。在時域上，運用時域濾波器對每一視頻幀金字塔分辨率相同的圖像進行時域濾波，提取視頻中感興趣微小運動信號。時域濾波對象是視頻幀中像素點，視頻中脈搏跳動引起對應像素值作同樣周期變化，所以可根據人體可能出現脈搏頻率范圍設定所需濾波器截止頻率。基于以上分析，對橈動脈視頻幀運用歐拉影像放大技術，實現橈動脈跳動幅度放大，算法流程如圖2所示。

圖2 歐拉影像放大方法流程 Fig. 2 Flowchart of Eulerian video magnification method

橈動脈跳動微小變化放大具體步驟如下：

步驟1 對輸入視頻每幀利用前文所述拉普拉斯金字塔進行空間多分辨率分解，每幀對應一個拉普拉斯金字塔，多分辨率金字塔中層次越高，空間頻率越低，信噪比越高。

步驟2 對每個拉普拉斯金字塔中空間分辨率相同的圖像作時域帶通濾波，時域濾波結果即是提取視頻L通道中脈搏信號，視頻幀時域濾波截止頻率由脈搏頻率范圍(0.3～3 Hz)決定。

步驟3 根據放大因子對步驟2濾波結果提取信號進行放大，其中放大因子隨著空間頻率增大(信噪比的下降)而減小，即由金字塔頂層到底層逐漸減小，然后將放大后多分辨率金字塔合成圖像。

步驟4 物體微小位移主要與亮度有關，因此在圖像的Lab空間中L亮度通道放大脈搏跳動信號時，抑制a、b通道信號，可提高輸出視頻信噪比。根據式(4)，放大后信號與原信號相加，將放大后圖像疊加到原視頻幀，完成圖像最后合成并轉換回RGB空間，重構視頻。

步驟5 輸出視頻，可見視頻幀標記位置時域上紋理變化比放大前明顯很多。

2.2 橈動脈跳動區域提取

橈動脈跳動微小變化放大之后，橈動脈跳動部分時域上亮度值變化幅度增大，根據放大后視頻幀像素點時域上亮度值的變化，可實現對橈動脈跳動區域提取。物體在運動過程中伴隨著視頻幀對應位置像素點亮度通道上變化，所以經過橈動脈跳動微小變化放大后，相對于皮膚其他區域，橈動脈跳動部位所對應像素亮度值變化幅度明顯較大。因此對視頻橈動脈跳動前1～3個周期像素亮度值，根據方差計算公式作時域上像素點亮度方差統計，統計結果以亮度方差統計灰度圖表示，其中灰度值較高表示該像素點亮度變化幅度較大。同時，對橈動脈跳動微小變化放大后視頻幀進行皮膚區域提取，提取結果與亮度方差統計灰度圖進行邏輯與運算，去除手臂背景方差，避免可能存在復雜運動背景和皮膚邊緣部分，對后續處理產生影響，以便進一步確定橈動脈跳動位置。最后，根據去除背景方差圖，利用圖像形態學處理，進行橈動脈跳動區域定位，從而實現橈動脈跳動區域提取。橈動脈跳動區域提取流程如圖3所示。

圖3 橈動脈跳動部位提取流程 Fig. 3 Flowchart of radial artery pulsing region extraction

2.2.1 統計方差

橈動脈細微跳動放大視頻幀中，結合人體可能出現的心率(20～180 beat/min)和采集視頻幀速率(n幀/s)，用橈動脈至少一個跳動周期對應的視頻幀計算像素點時域上亮度方差，用到視頻幀數N=60n/20，根據式(8)計算像素點(x,y)時域上亮度方差σ2(x,y)：

)2

(8)

其中：Li(x,y)代表時域上像素點的亮度。

利用前N幀計算出每個像素點時域上亮度方差，令方差灰度圖矩陣為A，則A(x,y)=σ2(x,y)，A(x,y)越大表示像素亮度幅度波動越大。

2.2.2 皮膚分割

對橈動脈跳動微小變化放大后視頻幀進行皮膚分割，提取皮膚區域，可去除亮度方差統計灰度圖中運動背景影響，降低皮膚邊緣存在亮度變化干擾，使后續提取脈搏信號信噪比更高，因此有必要將視頻畫面中皮膚區域進行分割提取。在圖像顏色空間YCrCb空間中，Y是亮度，Cr、Cb分別是紅色、藍色的色度，為了對亮度變化具有較高適應性，YCrCb空間對皮膚檢測具有較高效率[24]，所以通過在Cr、Cb通道設置閾值實現皮膚分割，符合式(9)認為是皮膚區域[24]。對不同光照亮度皮膚分割結果如圖4所示，其中(d)、(e)、( f)是不同光照亮度圖像(a)、(b)、(c)對應的皮膚二值區域，即感興趣區域(Region Of Interest, ROI)，可見YCrCb空間對皮膚檢測具有較高魯棒性。

(9)

本文參考文獻[24]方法，并針對背景中可能出現與皮膚像素值接近像素的誤判，結合本文具體應用改進。經過式(9)閾值后產生二值圖像，對該二值圖像在閾值分割后進行連通域大小計算，并選擇面積最大連通域，對最大連通域中可能存在孔洞經行檢測和填充，并進行邊緣腐蝕從而分割提取出皮膚區域。皮膚分割結果RGB圖像和二值圖像如圖5所示。

圖4 不同光照下皮膚區域初步提取結果 Fig. 4 Initial extraction results of skin area under different light conditions

圖5 皮膚分割結果 Fig. 5 Results with skin segmentation

2.2.3 橈動脈跳動區域定位

亮度方差灰度圖與皮膚分割二值圖像進行邏輯與運算后，得到僅有皮膚區域亮度方差的方差灰度圖。通過對所提取的皮膚區域方差灰度圖作閾值分割、孔洞填充，腐蝕、最大連通域選擇和膨脹，最后，提取最大連通域外接矩形區域作為生理信號區域，其中閾值分割中閾值由經驗值和皮膚區域方差值范圍作動態設置，具體步驟如下。

步驟1 將統計方差灰度圖矩陣與皮膚分割二值圖像矩陣作點乘運算，消除皮膚背景方差灰度，避免背景中出現較高方差灰度值對橈動脈跳動區域定位造成影響。

步驟2 對皮膚區域方差灰度圖作動態閾值分割，閾值取值如式(10)所示：

(10)

步驟3 對步驟2 閾值分割保留下來區域對應的灰度進行灰度腐蝕，使灰度最高連通域相對最大化，灰度較低連通域最小化；然后進行連通域大小計算，并選擇最大連通域作為膨脹對象，將其恢復到腐蝕前大??；最后在亮度通道對該連通域取外接矩形，并將此矩形中像素點作為橈動脈跳動部位提取結果。

2.3 心率計算

經過上述步驟處理得到橈動脈跳動矩形區域，心率計算將對該區域中像素亮度求加權平均值，并將這些加權平均值構成信號作快速傅里葉變換得到傅里葉能量譜，將能量譜中能量最高頻率乘于60，即可實現心率計算。

由于最后提取橈動脈矩形區域中方差值大小不一，即橈動脈跳動部對應像素點亮度波動幅度存在差異，直接對矩形中像素點亮度取均值作為該幀脈搏亮度值，會造成生理信號信噪比下降。因此，根據橈動脈跳動矩形部位方差灰度圖中灰度值大小，對采集視頻幀的橈動脈跳動部位矩陣像素點亮度值求加權平均值，加權平均值在時域上形成計算心率所需脈搏波。亮度加權平均值計算和基于傅里葉能量譜分析心率計算具體步驟如下。

步驟1 橈動脈跳動矩形區域中像素亮度求加權平均值，權值wi如式(11)所示：

(11)

步驟2 對脈搏波信號作快速傅里葉變換，結合人體可能出現的心率，選取頻率帶寬為0.3～3 Hz(20～180 beat/min)作為分析頻段，并在此頻段范圍內選擇能量最高點對應的頻率作為心率測量結果，生理信號頻域能量譜如圖6(b)所示。

步驟3 由步驟3中傅里葉能量譜可得能量最高所對應的頻率為fh=1.400 Hz，心率HR可由下式求出：HR=fh×60=1.400×60=84 beat/min。

3 實驗與分析

3.1 數據收集與處理

本文實驗中，利用攝像頭能清晰采集到橈動脈部位圖像，要求拍攝過程中手避免大幅度運動。設定采集原始視頻圖像空間為RGB，幀率為30幀/s，拍攝時長10～15 s，獲得300～450幀圖像。將采集到視頻直接作歐拉影像放大處理，實現橈動脈跳動微小變化放大。如圖7，橈動脈跳動微小變化放大前人眼難以觀察到的橈動脈微小跳動，脈動放大后顯示出明顯凹陷和凸起，如圖7中圓圈區域所示。

圖6 原始信號與傅里葉能量譜 Fig. 6 Original signal and Fourier energy spectrum

圖7 歐拉影像放大前后對比 Fig. 7 Comparison of before and after Eulerian video magnification

3.2 橈動脈跳動區域定位

圖8 橈動脈跳動區域定位 Fig. 8 Positioning for pulsing region of radial artery

3.3 心率計算

對所提取橈動脈區域，在亮度通道上根據式(11)計算每幀對應加權平均值，數據歸一化后可得到如圖9(a)的脈搏波，并對該生理信號作快速傅里葉變換，脈搏波傅里葉能量譜如圖9(b)所示，然后選取能量譜中最高能量所對應頻率計算心率：心率HR可由下式求出：HR=fh×60=1.166 7×60≈70 beat/min。

圖9 脈搏波與能量譜 Fig. 9 Pulse wave and energy spectrum

3.4 結果分析

由于本文方法主要是基于橈動脈視頻提取心率，所以在不同強度光照環境中橈動脈所在位置光照度對實驗結果精確度造成一定影響。為了驗證本文方法，借助光照度計，在日常室內不同光照度條件下獲取橈動脈視頻進行心率計算精度(日常室內光照度一般范圍為100～1 000 lux)，按照上述實驗方法步驟，在光照度為20～1 000 lux范圍內由光照度計測得光照度值并選取10個不同光照度作為實驗光照環境，對同一測試志愿者進行非接觸式心率測量；同時進行脈搏血氧儀測量，其中每一相同光照度進行5組實驗，并以脈搏血氧儀測量結果作為對比標準，計算在不同光照度下心率測量平均絕對誤差和最大絕對誤差，不同光照度(E)實驗誤差曲線如圖10所示。當光照度E≤80 lux時，由于采集的視頻質量較差，直接導致心率測量結果誤差比較大，當光照度逐漸充足時，心率測量結果誤差明顯下降并趨于穩定，符合中華人民共和國醫藥行業標準(誤差 ≤5 beat/min)的要求。

圖10 光照度實驗誤差曲線 Fig. 10 Error curve of difference lux

為了進一步驗證本文方法準確性，按照本文實驗方法步驟，在本實驗對10個測試志愿者進行非接觸式心率測量，并將測量結果與脈搏血氧儀同步測量結果對比分析。其中，10個測試者分為10組，即每組1人，每人非接觸式和同步接觸式心率測量各進行5次。對得到50對數據采用Bland-Altman 法對本次實驗與脈搏血氧儀測量進行一致性評估。

如圖11所示，坐標上點S的數學表達式表示為：

S(x,y)=((s1+s2)/2,(s1-s2))

(13)

其中s1，s2分別為同一次實驗中用本文方法和脈搏血氧儀測量心率值，橫坐標x表示同一次測量中兩種方法測量平均值，縱坐標y表示同一次測量中兩種方法測量值差值，置信率取95%(1.96標準差)。

圖11 Bland-Altman法估計兩種測量方法結果的一致性 Consistency estimation of results of two methods by Bland-Altman method

圖11的Bland-Altman 法一致性估計，對50對測量數據作符合度分析，誤差均值為0.120 0，標準方差為2.291 4，95%的置信區間為[-4.371,4.611]，可說明本文心率測量方法與脈搏血氧儀測量法具有很好一致性。對50對測量數據從平均誤差、標準方差和相關系數將本文與同樣采用Bland-Altman 法一致性估計的文獻[11,16]方法比較，對比結果如表1所示。同樣是將測量結果與脈搏血氧儀結果對比，與前兩種方法相比，本文測量方法的平均誤差絕對值和標準方差相對較小，標準方差相對于前兩者分別下降50.5%和32.6%，說明本文方法心率測量誤差明顯下降。另外，本文方法測量結果與脈搏血氧儀結果測量結果相關系數0.963 1，介于前兩種算法之間，經實驗分析，影響誤差以及相關系數的主要原因是測量過程中手腕部位移動幅度較大。實驗的10組數據的誤差具體如表2所示。

表1 各類方法測量結果對比Tab. 1 Measurement results comparison of various algorithms

表2 本文方法實驗測量誤差 beat/minTab. 2 Error of experimental measurement for the proposed method beat/min

實驗計算得出10組誤差平均絕對誤差為1.76 beat/min，平均最大絕對誤差為3.7 beat/min，較近國內相關研究文獻[14]平均絕對誤差2.0 beat/min，平均最大絕對誤差為4.0 beat/min，與之相比，本文測量方法平均絕對誤差下降12%，平均最大絕對誤差下降7.5%。根據中華人民共和國醫藥行業標準(誤差≤5 beat/min)的要求，本文方法滿足心率測量應用，適用于個人家庭應用或遠程醫療應用。

4 結語

本文針對接觸式心率測量所帶來不便，盲分離信號準確性缺乏判斷，以及基于PPG原理非接觸式心率測量受外部環境溫度影響較大等不足，提出一種新的心率非接觸式測量方法。實驗結果表明，本文心率測量方法在日常室內光照環境中具有較好的適應性，且與脈搏血氧儀測量法具有很好一致性，與基于PPG原理的測量方法相比，有效地降低了測量誤差，符合中華人民共和國醫藥行業標準，可達到預期心率測量效果，在日常家庭保健和遠程醫療上應用具有較大發展前景。經過實驗分析，本文測量誤差主要是測量過程中受測對象手腕發生幅度較大位移，下一步的主要工作將從受測對象手腕脈搏處提取相關紋理特征，并對其進行識別跟蹤，有效降低心率測量誤差。

參考文獻(References)

[1] STONE M L, TATUM P M, WEITKAMP J-H, et al. Abnormal heart rate characteristics before clinical diagnosis of necrotizing enterocolitis [J]. Journal of Perinatology Official Journal of the California Perinatal Association, 2013, 33(11): 847-850.

[2] OGLIARI G, MAHINRAD S, STOTT D J, et al. Resting heart rate, heart rate variability and functional decline in old age [J]. Canadian Medical Association Journal, 2015, 187(15): E442-E449.

[3] GRENEKER E F. Radar sensing of heartbeat and respiration at a distance with applications of the technology [C]// RADAR 97: Proceedings of the 1997 Radar Systems. [S.l.]: The Institution of Engineering and Technology, 1997: 150-154.

[4] HIGASHIKATURAGI K, NAKAHATA Y, MATSUNAMI I, et al. Non-invasive respiration monitoring sensor using UWB-IR [C]// ICUWB 2008: Proceedings of the 2008 IEEE International Conference on Ultra-Wideband. Piscataway, NJ: IEEE, 2008: 29-34.

[5] LAZARO A, GIRBAU D, VILLARINO R. Analysis of vital signs monitoring using an Ir-UWB radar [J]. Progress in Electromagnetics Research, 2010, 100: 265-284.

[6] GARBEY M, SUN N, MERLA A, et al. Contact-free measurement of cardiac pulse based on the analysis of thermal imagery [J]. IEEE Transactions on Biomedical Engineering, 2007, 54(8):1418-1426.

[7] TRESKES R W, van de VELDE V, ATSMA D E, et al. Redesigning healthcare: The 2.4 billion euro question?: Connecting smart technology to improve outcome of patients [J]. Netherlands Heart Journal: Monthly Journal of the Netherlands Society of Cardiology & the Netherlands Heart Foundation, 2016, 24(7/8): 441-446.

[8] TAKANO C, OHTA Y. Heart rate measurement based on a time-lapse image [J]. Medical Engineering & Physics, 2007, 29(8): 853-857.

[9] ZHENG J, HU S, CHOULIARAS V, et al. Feasibility of imaging photoplethysmography [C]// BMEI ’08: Proceedings of the 2008 International Conference on Biomedical Engineering and Informatics. Washington, DC: IEEE Computer Society, 2008, 2: 72-75.

[10] VERKRUYSSE W, SVAASAND L O, NELSON J S. Remote plethysmographic imaging using ambient light [J]. Optics Express, 2008, 16(26):21434-21445.

[11] POH M Z, McDUFF D J, PICARD R W. Non-contact, automated cardiac pulse measurements using video imaging and blind source separation [J]. Optics Express, 2010, 18(10): 10762-10774.

[12] POH M Z, McDUFF D J, PICARD R W. Advancements in noncontact, multiparameter physiological measurements using a webcam [J]. IEEE Transactions on Bio-medical Engineering, 2011, 58(1):7-11.

[13] PURSCHE T, KRAJEWSKI J, MOELLER R. Video-based heart rate measurement from human faces [C]// ICCE 2012: Proceedings of the 2012 IEEE International Conference on Consumer Electronics. Piscataway, NJ: IEEE, 2012: 544-545.

[14] 劉祎,歐陽健飛,閆勇剛.基于普通攝像頭的心率測量方法研究[J].計算機工程與應用,2016,52(7):210-214. (LIU Y, OUYANG J F, YAN Y G. Method of measuring heart rate using a webcam [J]. Computer Engineering and Applications, 2016, 52(7)：210-214.)

[15] ZHAO F, LI M, QIAN Y, et al. Remote measurements of heart and respiration rates for telemedicine [J]. PLOS ONE, 2013, 8(10): e71384.

[16] XU S, SUN L, ROHDE G K. Robust efficient estimation of heart rate pulse from video [J]. Biomedical Optics Express, 2014, 5(4): 1124-35.

[17] YU Y-P, KWAN B-H, LIM C-L, et al. Video-based heart rate measurement using short-time Fourier transform [C]// ISPACS 2013: Proceedings of the 2013 International Symposium on Intelligent Signal Processing and Communications Systems. Piscataway, NJ: IEEE, 2013: 704-707.

[18] YU Y-P, RAVEENDRAN P, LIM C-L. Dynamic heart rate measurements from video sequences [J]. Biomedical Optics Express, 2015, 6(7): 2466-2480.

[19] LI X, CHEN J, ZHAO G, et al. Remote heart rate measurement from face videos under realistic situations [C]// CVPR ’14: Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway, NJ: IEEE, 2014: 4264-4271.

[20] LAM A, KUNO Y. Robust heart rate measurement from video using select random patches [C]// ICCV ’15: Proceedings of the 2015 IEEE International Conference on Computer Vision. Washington, DC: IEEE Computer Society, 2015: 3640-3648.

[21] ZHANG X Y, ZHANG Y T. The effect of local mild cold exposure on pulse transit time [J]. Physiological Measurement, 2006, 27(7): 649-660.

[22] KHAN M, PRETTY C G, AMIES A C, et al. Analysing the effects of cold, normal, and warm digits on transmittance pulse oximetry [J]. Biomedical Signal Processing & Control, 2016, 26: 34-41.

[23] WU H-Y, RUBINSTEIN M, SHIH E, et al. Eulerian video magnification for revealing subtle changes in the world [J]. ACM Transactions on Graphics, 2012, 31(4): Article No. 65.

[24] MAHMOUD T M. A new fast skin color detection technique [J]. World Academy of Science: Engineering & Technolog, International Journal of Computer and Information Engineering, 2008, 2(7): 2354-2358.

This work is partially supported by the National Natural Science Foundation of China (21376091), the Guangdong Provincial Science and Technology Plan Project (2015A030401089, 2015B090922004, 2016B090927004).

SUPeiquan, born in 1991, M. S. candidate. His research interests include machine vision, machine learning.

XULiang, born in 1971, Ph.D., senior engineer. His research interests include machine vision, machine learning, wireless sensor network.

LIANGYongjian, born in 1991, M. S. candidate. His research interests include machine vision, machine learning.