基于树莓派摄像头的心率测量方法研究

罗凯 候晓旭

摘要：心率是一项重要的生命体征，可以有效直接的评估人们的健康状态。本文提出了一种基于树莓派摄像头的心率测量方法，并搭建了一个树莓派心率测量平台。基于成像式光电容积描计术（iPPG）原理[1]，使用独立成分分析（ICA）方法从人脸视频原始信号当中分离出脉搏波相关分量；用傅里叶变换进行频域分析得到心率值。实验结果证明该方法测量准确度高，误差在每分种4跳以内。由于树莓派廉价、便携、操作方便，并且基于光电容积描计术的测量方式具有无创、非接触的特点，因此该设备在日常生理信号监测领域有着具大的应用前景。

关键词：树莓派；心率；成像式光电容积描计术

中图分类号：TP391.41；R540.4 文献标识码：A 文章编号：1007-9416（2018）05-0107-02

1 引言

近年来，随着社会现代化步伐的加快，生活质量的明显提高，人们越来越重视自身的健康状况，日常生理参数测量变得愈发重要。多数人都会携带具有计步功能的智能手环、智能手机，来记录一天的运动步数，这种设备因为便携、自然成为大多数人的首选。但是，此类设备只能单一记录运动步数，对于真正反映人体健康状况的生理参数，如心率、血氧饱和度、体温、血液灌注量等并不能检测。这些生理参数不仅能够反映健康状况，还能反映情绪[2]、压力[3]、疲劳[4]等，这些领域都属于现代人个人健康的范畴。心率是人的一项重要的生命体征，因此研究人员与医生对心率测量的研究很早就已经开始。心电图法（Electrocardiogram，ECG）是测量心电的金标准，并且还能够测出更多的参数，但是需要在测量者身上贴电极贴，这就限制了在運动状态的下的心率测量，所以并不适合日常使用。因此需要寻求一种全面、安全、便携、舒适、自然的测量方式。

光电容积描计术的提出为这一问题提供了可行的技术思路。其主要依据原理是光电容积描记法，人体心脏周期性跳动将导致血液中含氧血红蛋白含量周期性变化，致使血液吸收反射光线强度发生周期性改变。人体血管分布于皮肤表层，周期性吸收与反射光线强度变化形成周期性肤色变化，提取周期性颜色变化信息就可得到人体心率信息[5]。这种方法由于无创、非接触式，一出现就受到了大量学者的关注，也有很多的研究[6-8]与相关应用的诞生。

基于光电容积描计术最早的应用是手机软件，如北京春雨天下软件公司开发的“春雨心镜”。微软亚洲研究院也开发了基于HoloLens的应用CardioLens来测量心率。但是这些设备要么是出于娱乐目的，缺少严格算法与实验验证；要么就是成本昂贵，并不适合日常行为测量。本文基于树莓派平台，提出了一种科学的算法。并对10名被试进行了实验来评估此设备的准确性。

2 平台搭建

树莓派为Raspberry PI的翻译名称，是英国的一个慈善组织开发的一款基于Linux的开放式嵌入式系统，采用ARM11架构，仅有信用卡般大小，具有强大的系统与接口资源，系统包括一枚700MHz的处理器，512M内存，支持SD卡和Ethernet，拥有四个USB接口，以及HDMI和RCA输出支持，并且支持1080P视频.通过装载相应的Linux系统和相应的应用程序，树莓派可以实现强大的应用功能，且具有价廉物美等优点，因此本文也选择树莓派做为心率测量的设备平台。

本文所搭建的心率采集系统整体框图如图1所示，树莓派摄像头采集到视频信号之后传递到树莓派的处理器。处理器对信号进行解析并将得到脉搏波相关信号与心率信息显示在树莓派屏幕上。

本文使用到的硬件设备信息如表1所示，将所有设备正确连接与设置如图2所示。

3 算法设计

人脸包含了丰富的血管，这些血管的流动影响着面部皮肤对光的反射与吸收。心脏跳动，血液会随着周期性的流动。因此人脸皮肤下的血管当中含氧血红蛋白与血红蛋白的密度也在发生着周期性的变化，血液对光的吸收度也会发生变化。摄像头捕捉到皮肤的这种微软的变化之后，就可以推算出来心率。依据这些原理，本文设计的心率计算的算法流程图如图3所示。当摄像头拍摄到人脸视频之后，进行主要4部分的计算，ROI提取、ICA分离、脉搏波提取、心率计算。

3.1 ROI提取

本算法使用了Dlib目标检测库当中的68点人脸标记模型来识别人脸[9]，并将额头区域提取出来作为ROI。对任意一帧图像，将ROI区域内的所有像素的红绿蓝三通道的信号强度求均值，分别得到三个时间序列XR（t）、XG（t）、XB（t）。并对对XR（t）、XG（t）、XB（t）进行去趋势和归一化处理，得到xR（t）、xG（t）、xB（t）作为原始信号。

3.2 ICA分离原始信号

ICA是盲源分离（BSS：Blind Source Separation）的一种，指在信号的理论模型和源信号无法精确获知的情况下，从混迭信号（观测信号）中分离出各源信号的过程。在此实验当中，我们假设源信号，为其他组织、血液与噪声，RGB三通道为3个信源的观测信号。得到血液脉动的信息的过程，可以看作对RGB（观测信号）分离出源信号的过程。令XiPPG（t）=[xR（t），xG（t），xB（t）]T，由ICA的原理可知XiPPG（t）=AS（t），A为混合矩阵，S（t）为独立成分分量，使用FastICA的算法解出A之后可得到S（t）=A-1XiPPG（t），S（t）由3个分量构成，即S（t）=[s1（t），s2（t），s3（t）]T。s1（t），s2（t），s3（t）就是分离出来的血液，其他组织，噪声等信号。

3.3 脉搏波提取

根据相关学者的研究，血红蛋白对绿光的吸收度最高[10]，因此绿色通道与脉搏信号的相关性最高。分别计算s1（t），s2（t），s3（t）与xG（t）的相关性，得到相关性最大的分量即脉搏波分量s（t）。

3.4 心率計算

正常人的心率在45～180次每分钟，也就是0.75Hz到3Hz之间。对s（t）进行傅立叶变化，在频谱图当中找到0.75Hz和3Hz之间的峰值amax，也就到了这一时间段的心率。心率计算由下式计算得出心率=amax*60（bpm）。

4 实验与结果分析

本实验招募了10名健康男性大学生进行准确性验证的实验。对每名志愿者用该设备与ECG设备同时测量10分钟，每10s记录一次心跳。

将实验结果绘制成Bland-Altman图（图4）。95%的置信区间为[-3.16，3.36]，图中上下两条线为平均偏差加减标准差。由此可以看出该设备测量出来的心率与心电测量出来的心率具有较好的一致性，最大的误差小于5bpm，满足中华人民共和国医药行业标准（误差≤5bpm）的要求，因此可用来日常心率测量。

5 结语

使用本文开发的设备可以在自然光条件下实现心率的非接触式测量，准确度高，不仅可以避免接触式测量方法给被测者带来的不适，又具有操作便捷，成本低，可移动的优势。在日常家庭保健领域有着巨大的应用前景，也为生物医学实验提供了有利的工具。

参考文献

[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]冯军，汤文明，曹剑剑，等.非接触式心率测量研究初步[J].中国生物医学工程学报，2017，36（5）：627-631.

[8]孔令琴.非接触式生理信号检测关键技术研究[D].北京理工大学，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.