景 斌 李海云
(首都医科大学生物医学工程学院,北京 100069)
心率是衡量人体是否健康的重要生理指标,一些潜在疾病的存在会导致心率发生变化,因此检测并监控心率对于人们预防疾病有着很重要的意义。
临床上的心率检测有多种方法,如触诊式心率测量法,还有心音、心电、光电式脉搏心率测量法等。但是,采用这些方法检测主要依靠附着于人体的接触式传感器、电极等来获取信息,需要直接或间接地接触人体,虽能准确测量受试者的心率,却未必能够反映受试者自然状态下的心率。因此,非接触式测量对检测心率有着非常重要的意义。
近年来,手持成像仪、CCD和计算机结合的非接触式测量设备已经得到广泛的应用,一个典型的例子就是通过VICON系统实现对运动的测量[1]。另外,有学者研究利用摄像机来实现对姿势含义的分析[2]、对人脸表情的自动识别[3],还有学者尝试从获得的运动序列图像中提取生理信号。Nakajima记录了受试者床上睡眠的实时图像序列,并通过姿势的变化实现呼吸的测量[4];Takano利用普通摄像机序列图像实现了对心率的测量[5]。本研究提出了一种新的基于红外序列图像的心率无损检测方法。
红外动态图像采集系统由3个部分组成:传感器系统(FLIR Photon Camera,FLIR Company,USA)、数/模转换系统(DH-VT140 Card,Daheng Company,China)、计算机工作站(Dell workstation,USA)。
首先,受试者以一个放松的姿势坐在椅子上,然后红外动态图像采集系统开始采集受试者太阳穴处的灰度序列图像,视频格式是 PAL,帧速度是25帧/s,图片大小是768像素×576像素。这个过程持续20 s,总共得到了500幅图片。图1是序列图像的第一幅,图中正方形即研究该受试者心率的感兴趣区,因为太阳穴处附近存在血管,所以温度会比周围的组织高一些,在图像中温度越高,灰度值越高,越接近白色,因此在温度较高区域随机选取了一个大小是10像素×10像素的正方形作为感兴趣区。在图像采集的同时,利用BIOPAC生理检测仪(MP35,BIOPAC Systems Inc,美国)也开始测量并保存该受试者的心电信息。
总共有6名健康的受试者参与了本实验,均为男性,平均年龄24岁(23~25岁)。
图1 采集的序列图像的第一帧及感兴趣区Fig.1 The first frame of the sequence images and the ROI(region of interest)
由于血流与体表皮肤温度不同,所以血管周期性的跳动也会伴随着图像灰度值周期性地变化。为了更准确地利用灰度变化信息获得时间序列信号,这里引入重心法的概念。
1.3.1 重心法
该方法用像素的位置坐标对对应的灰度值进行加权,并在目标像素区域将加权后的灰度值求和,然后求出目标区域灰度均值的位置坐标,即所谓的图像重心[6]。
定义坐标为(m,n)上的像素f(m,n)的(p+q)阶距为
由上面的定义可知,k00是f(m,n)灰度的总和。对一阶距k01和k10,以k00标准化后,可以求出对象物图像的重心坐标G(mG,nG),即
在临床产科内,前置胎盘并发胎盘植入属于较为严重并发症,通常会造成大出血,使产妇与胎儿生命受到直接威胁,对此,强化产妇胎盘植入诊断和检测尤为重要,不仅可以防止出现产后大出血情况,而且还具有临床推广价值[1]。在本次研究中,选择前置胎盘并发胎盘植入诊断患者89例,主要研究腹彩超多普勒超声的诊断价值,具体如下。
由于血管的跳动,感兴趣区的重心是在不断变化的,取感兴趣区的左上端点为参考点,可以获得由原始序列图像每一幅中重心到参考点距离组成的时间序列信号,这个离散信号由500个点组成,图2所示的就是获得的原始时间序列信号。
图2 时间序列信号Fig.2 The time-lapse signal
由图2观测可知,此原始时间序列信号并非平稳随机信号,因此先对得到的时间序列信号进行一阶差分处理,图3所示的就是差分后的结果。
图3 差分信号Fig.3 The derivative signal
再对差分后的信号进行低通滤波处理,考虑到正常人的心率范围在1Hz~1.6Hz,所以选取截止频率为2Hz的低通滤波器。低通滤波去掉了差分信号中的高频分量的影响,图4所示的即为低通滤波后的信号。
图4 滤波后的信号Fig.4 The filtered signal
最后对所得的滤波信号进行AR模型功率谱分析。
AR模型是一个系数按最小均方误差原则估计出的模型,是一个全极点模型,其传递函数为
随机序列x(n)的AR模型为
式中,输入的随机序列u(n)是一个均值为零、方差为σ2的白噪声序列。
模型输出序列x(n)的功率谱为
sxx(w)=σ2|H(jw)|2
即
在本实验中,应用burg方法对滤波后的信号进行了AR模型功率谱分析[7]。
对滤波后的信号进行了AR功率谱分析,AR模型的阶数由经验值及与实际结果对比确定,最后确定为7阶,图5所示的即为所得的AR模型功率谱分析。
由图5可知,该信号的频率在1.46Hz处有一明显的波峰,此值即该实验方法所得的心率。
通过BIOPAC生理检测仪,同时可以得到受试者的心电图,如图6所示。
由此可得受试者的心率为1.43Hz,说明本实验所用的方法对测量该名受试者心率具有相当的准确度。
在本实验中,共有6名受试者做了同样的检测,表1给出了所有受试者两种方法的检测结果,其相关系数为0.957。
表1 本方法和BIOPAC生理检测仪的检测结果Tab.1 The detection results of the proposed method and BIOPAC
本研究利用红外序列图像,实现了对心率的非接触式测量。与传统方式相比,该方法不但减少了受试者在测量中的不舒适和不方便,而且具有比较高的准确性。此外,在心理生理实验中,无干扰的测量生理反应是非常重要的,否则,这种干扰就会带到生理状态检测的结果中,因此所提出的方法具有重要的实际意义。
与用普通CCD作为图像的信号源相比,红外图像中包含了丰富的温度信息,所以能够监测感兴趣区的时变温度状态。有研究利用CCD作为图像的信号源,最终得到的心率与脉搏氧饱和度仪监测到的心率的相关系数是0.90[5];而本试验利用红外设备,得到的心率与BIOPAC生理检测仪获得的心率的相关系数是0.957。同时,由于普通CCD很容易受到环境光线亮度的影响,而红外图像在变化的光照条件下具有更大的适应性[8],因此表明红外图像比CCD图像在监测心率方面具有更大的优势。但在目前情况下,红外传感器的价格远远高于普通CCD传感器,高昂的价格使得这种方法目前还只能在实验室环境下应用,不能普及到医院及家用环境中。
在信号处理方法上,除了低通滤波器,其他多尺度多分辨率信号处理方法也可应用在本研究中,如小波分析[9]、经验模式分解等。相比于低通滤波器的简单有效,这些方法的多尺度辨析特性可以实现对某段范围频率信号的更准确的分离,从而使实验结果更加精确。同时,多尺度信号分解可以从时间序列信号中挖掘未知的有意义的信号,对以后生理信号的认识及建模具有重要的参考价值。
在实际应用中,各种各样的噪声都影响着检测的结果(如人脸部的化妆品、人体流汗等),这些因素不同程度地影响了脸部血管热量的传导,从而导致检测结果与实际结果误差过大。周围环境不同程度热源的存在也会对实际结果产生影响,包括空调、风扇、电脑及作为热源的人等,这些都可能影响最终的结果。同时,在试验中,由于受试者在图像采集过程中的不自觉晃动及其他未知噪声的干扰,使得获得心率时域信号仍然具有一定的难度。
现阶段实验中,笔者只对6位受试者的实验数据进行了分析和处理,以后还会进行更大数量的人群检测,以验证所提出方法的鲁棒性。目前,只对具有正常心率的人做监测,在以后的实验中,会逐步对异常心率的人做检测(心率>180beats/min)。由于心率的过速跳动远远超过了普通情况下2Hz低通滤波器的设置,此时,单一的低通滤波器很难解决这个问题,检测将面临更复杂的情况,因此对异常心率的人做检测具有更大的难度。
在现实生活环境中,需要越来越多的非接触式无损检测,如航天员在飞行过程中及航天站中的生理参数监控。由于宇航服的存在,给接触式的测量带来很大的不便,而通过红外图像测量会更加便捷与舒适,因此需要进一步研究设备的便携性及可适用性。
随着研究的深入,红外动态图像采集系统将能够研究更多的感兴趣区,包括颈动脉、桡动脉、鼻孔等。通过检测这些区域温度的变化,获得更多的人体生理信号,比如:通过鼻孔检测吸气与呼气温度的不同,可以得到时域的呼吸信号[10];通过对颈动脉、桡动脉做类似的研究,可以得到呼吸、脉搏信号;通过红外传感器记录体表皮肤及周围空气的温度,建立数学模型和热传导模型,可以得到体内的温度[11]、血流速[12]等。最终,利用每个人某些生理参数的特异性,可以使红外动态图像采集系统应用于人脸识别中[13]。
红外动态图像采集系统除了应用在生理参数的检测中,还可以应用在情绪识别[14]、测谎[15]等实际中,通过红外序列图像来记录人在不同情绪下脸部温度的变化,从而可以通过温度的变化来反映情绪的变化。
所有这些将极大的丰富红外动态图像采集系统的实际应用,今后会在临床及家用监控上发挥更大的作用,也将为脑部血流动力学的研究及其他科学研究提供新的方法。
[1]Krosshaug T,Bahr R.A model-based image-marching technique for three-dimensionalreconstruction of human motion from uncalibrated video sequences[J].J Biomech,2005;38(4):919-929.
[2]Neidle C,Sclaroff S,Athitsos V. SignStream:a tool for linguistic and computer vision research on visual-gestural language data[J].Behav Res Meth Instrum Comput,2001;33(3):311-320.
[3]Cohn JF,Xiao J,Moriyama T,et al.Automatic recognition of eye blinking in spontaneously occurring behavior[J].Behav Res Meth Instrum Comput,2003,35(3):420 -428.
[4]Nakajima K,Masumoto Y,Tamura T.Development of real-time image sequence analysis for evaluating posture change and respiratory rate of a subject in bed[J].Physiol Meas,2001,22(3):N21-N28.
[5]Chihiro T,Yuji O.Heart rate measurement based on a timelapse image[J].Med Eng Phys,2007,29:853 -857.
[6]张爱华,王亮.基于时变图像序列的脉搏信息提取[J].仪器仪表学报,2007,28(5):820 -825
[7]Burg JP.Maximum entropy spectral analysis[D].Stanford:Stanford University,1975.
[8]Diego A,Lawrence B,Wolffz,et al.Illumination Invariant Face Recognition Using ThermalInfrared Imagery [A]. In:Proceedings of the 2001 IEEE Computer Society Conference on on Computer Vision and Pattern Recognition [C].Kauai:IEEE,2001.527-534.
[9]Sergey Y,Aly AF,Edward AE.Multiresolution approach for non-contact measurements of arterial pulse using thermal imaging[A].In:Proceedings of the 2006 Conference on Computer Vision and Pattern Recognition Workshop[C].New York:IEEE,2006.129-137.
[10]Abbas K.A, K.Heiman, etal.Non-contactrespiratory monitoring basedonreal-timeIR-thermography[A].In:IFMBE Proceedings[C].Munich:Springer,2010.1306 -1309.
[11]Francesco P, Marybeth P.Non-invasive temporal artery thermometry:physics,physiology,and clinical accuracy[A].In:SPIE Defence and Security Symposium [C].Orlando:SPIE,2004.61-67.
[12]Garbey M,Merla A,Pavlidis I.Estimation of blood flow speed and vessel location from thermal video[A].In:Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition[C].Washington DC:IEEE.2004.356-363.
[13]Pradeep B,Ioannis.P,Panagiotis,et al.Physiology-Based Face Recognition in the Thermal Infrared Spectrum [J].IEEE Trans Pattern Anal Mach Intell,2007,29:613 -626.
[14]James AL,Ioannis P,Murray C.The face of fear[J].The Lancet,2001.357,1757.
[15]Ioannis P,Norman LE,James AL.Seeing through the face of deception [J].Nature,2002,415(6867):35.