基于樹莓派攝像頭的心率測量方法研究

羅凱 候曉旭

摘要：心率是一項重要的生命體征，可以有效直接的評估人們的健康狀態。本文提出了一種基于樹莓派攝像頭的心率測量方法，并搭建了一個樹莓派心率測量平臺。基于成像式光電容積描計術（iPPG）原理[1]，使用獨立成分分析（ICA）方法從人臉視頻原始信號當中分離出脈搏波相關分量；用傅里葉變換進行頻域分析得到心率值。實驗結果證明該方法測量準確度高，誤差在每分種4跳以內。由于樹莓派廉價、便攜、操作方便，并且基于光電容積描計術的測量方式具有無創、非接觸的特點，因此該設備在日常生理信號監測領域有著具大的應用前景。

關鍵詞：樹莓派；心率；成像式光電容積描計術

中圖分類號：TP391.41；R540.4 文獻標識碼：A 文章編號：1007-9416（2018）05-0107-02

1 引言

近年來，隨著社會現代化步伐的加快，生活質量的明顯提高，人們越來越重視自身的健康狀況，日常生理參數測量變得愈發重要。多數人都會攜帶具有計步功能的智能手環、智能手機，來記錄一天的運動步數，這種設備因為便攜、自然成為大多數人的首選。但是，此類設備只能單一記錄運動步數，對于真正反映人體健康狀況的生理參數，如心率、血氧飽和度、體溫、血液灌注量等并不能檢測。這些生理參數不僅能夠反映健康狀況，還能反映情緒[2]、壓力[3]、疲勞[4]等，這些領域都屬于現代人個人健康的范疇。心率是人的一項重要的生命體征，因此研究人員與醫生對心率測量的研究很早就已經開始。心電圖法（Electrocardiogram，ECG）是測量心電的金標準，并且還能夠測出更多的參數，但是需要在測量者身上貼電極貼，這就限制了在運動狀態的下的心率測量，所以并不適合日常使用。因此需要尋求一種全面、安全、便攜、舒適、自然的測量方式。

光電容積描計術的提出為這一問題提供了可行的技術思路。其主要依據原理是光電容積描記法，人體心臟周期性跳動將導致血液中含氧血紅蛋白含量周期性變化，致使血液吸收反射光線強度發生周期性改變。人體血管分布于皮膚表層，周期性吸收與反射光線強度變化形成周期性膚色變化，提取周期性顏色變化信息就可得到人體心率信息[5]。這種方法由于無創、非接觸式，一出現就受到了大量學者的關注，也有很多的研究[6-8]與相關應用的誕生。

基于光電容積描計術最早的應用是手機軟件，如北京春雨天下軟件公司開發的“春雨心鏡”。微軟亞洲研究院也開發了基于HoloLens的應用CardioLens來測量心率。但是這些設備要么是出于娛樂目的，缺少嚴格算法與實驗驗證；要么就是成本昂貴，并不適合日常行為測量。本文基于樹莓派平臺，提出了一種科學的算法。并對10名被試進行了實驗來評估此設備的準確性。

2 平臺搭建

樹莓派為Raspberry PI的翻譯名稱，是英國的一個慈善組織開發的一款基于Linux的開放式嵌入式系統，采用ARM11架構，僅有信用卡般大小，具有強大的系統與接口資源，系統包括一枚700MHz的處理器，512M內存，支持SD卡和Ethernet，擁有四個USB接口，以及HDMI和RCA輸出支持，并且支持1080P視頻.通過裝載相應的Linux系統和相應的應用程序，樹莓派可以實現強大的應用功能，且具有價廉物美等優點，因此本文也選擇樹莓派做為心率測量的設備平臺。

本文所搭建的心率采集系統整體框圖如圖1所示，樹莓派攝像頭采集到視頻信號之后傳遞到樹莓派的處理器。處理器對信號進行解析并將得到脈搏波相關信號與心率信息顯示在樹莓派屏幕上。

本文使用到的硬件設備信息如表1所示，將所有設備正確連接與設置如圖2所示。

3 算法設計

人臉包含了豐富的血管，這些血管的流動影響著面部皮膚對光的反射與吸收。心臟跳動，血液會隨著周期性的流動。因此人臉皮膚下的血管當中含氧血紅蛋白與血紅蛋白的密度也在發生著周期性的變化，血液對光的吸收度也會發生變化。攝像頭捕捉到皮膚的這種微軟的變化之后，就可以推算出來心率。依據這些原理，本文設計的心率計算的算法流程圖如圖3所示。當攝像頭拍攝到人臉視頻之后，進行主要4部分的計算，ROI提取、ICA分離、脈搏波提取、心率計算。

3.1 ROI提取

本算法使用了Dlib目標檢測庫當中的68點人臉標記模型來識別人臉[9]，并將額頭區域提取出來作為ROI。對任意一幀圖像，將ROI區域內的所有像素的紅綠藍三通道的信號強度求均值，分別得到三個時間序列XR（t）、XG（t）、XB（t）。并對對XR（t）、XG（t）、XB（t）進行去趨勢和歸一化處理，得到xR（t）、xG（t）、xB（t）作為原始信號。

3.2 ICA分離原始信號

ICA是盲源分離（BSS：Blind Source Separation）的一種，指在信號的理論模型和源信號無法精確獲知的情況下，從混迭信號（觀測信號）中分離出各源信號的過程。在此實驗當中，我們假設源信號，為其他組織、血液與噪聲，RGB三通道為3個信源的觀測信號。得到血液脈動的信息的過程，可以看作對RGB（觀測信號）分離出源信號的過程。令XiPPG（t）=[xR（t），xG（t），xB（t）]T，由ICA的原理可知XiPPG（t）=AS（t），A為混合矩陣，S（t）為獨立成分分量，使用FastICA的算法解出A之后可得到S（t）=A-1XiPPG（t），S（t）由3個分量構成，即S（t）=[s1（t），s2（t），s3（t）]T。s1（t），s2（t），s3（t）就是分離出來的血液，其他組織，噪聲等信號。

3.3 脈搏波提取

根據相關學者的研究，血紅蛋白對綠光的吸收度最高[10]，因此綠色通道與脈搏信號的相關性最高。分別計算s1（t），s2（t），s3（t）與xG（t）的相關性，得到相關性最大的分量即脈搏波分量s（t）。

3.4 心率計算

正常人的心率在45～180次每分鐘，也就是0.75Hz到3Hz之間。對s（t）進行傅立葉變化，在頻譜圖當中找到0.75Hz和3Hz之間的峰值amax，也就到了這一時間段的心率。心率計算由下式計算得出心率=amax*60（bpm）。

4 實驗與結果分析

本實驗招募了10名健康男性大學生進行準確性驗證的實驗。對每名志愿者用該設備與ECG設備同時測量10分鐘，每10s記錄一次心跳。

將實驗結果繪制成Bland-Altman圖（圖4）。95%的置信區間為[-3.16，3.36]，圖中上下兩條線為平均偏差加減標準差。由此可以看出該設備測量出來的心率與心電測量出來的心率具有較好的一致性，最大的誤差小于5bpm，滿足中華人民共和國醫藥行業標準（誤差≤5bpm）的要求，因此可用來日常心率測量。

5 結語

使用本文開發的設備可以在自然光條件下實現心率的非接觸式測量，準確度高，不僅可以避免接觸式測量方法給被測者帶來的不適，又具有操作便捷，成本低，可移動的優勢。在日常家庭保健領域有著巨大的應用前景，也為生物醫學實驗提供了有利的工具。

參考文獻

[1]Wu T， Blazek V， Schmitt H J. Photoplethysmography imaging： a new noninvasive and noncontact method for mapping of the dermal perfusion changes[J].2000，4163：62-70.

[2]Zhao M， Adib F， Katabi D. Emotion recognition using wireless signals[C]// International Conference on Mobile Computing and NETWORKING. ACM，2017：95-108.

[3]Castaldo R， Melillo P， Pecchia L. Acute Mental Stress Assessment via Short Term HRV Analysis in Healthy Adults： A Systematic Review[J]. Biomedical Signal Processing & Control，2015，18：370-377.

[4]Al-Libawy H， Al-Ataby A， Al-Nuaimy W， et al. HRV-based operator fatigue analysis and classification using wearable sensors[C]//International Multi-Conference on Systems， Signals & Devices.IEEE，2016：268-273.

[5]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.

[6]Fan Q， Li K. Non-contact remote estimation of cardiovascular parameters[J]. Biomedical Signal Processing & Control，2018，40：192-203.

[7]馮軍，湯文明，曹劍劍，等.非接觸式心率測量研究初步[J].中國生物醫學工程學報，2017，36（5）：627-631.

[8]孔令琴.非接觸式生理信號檢測關鍵技術研究[D].北京理工大學，2014.

[9]Kazemi V， Sullivan J. One millisecond face alignment with an ensemble of regression trees[C]//Computer Vision and Pattern Recognition.IEEE，2014：1867-1874.

[10]Lee J， Matsumura K， Yamakoshi K I， et al. Comparison between red， green and blue light reflection photoplethysmography for heart rate monitoring during motion[C]//Engineering in Medicine and Biology Society.IEEE，2013：1724-1727.