为了在舒适非接触环境下检测被试者的心率变化, 本文设计了一种通过普通摄像头来检测心率参数的信号处理系统。首先, 将KLT(Kanade-Lucas-Tomasi)算法跟踪识别到的人脸视频图像转换到YCbCr颜色空间来进行皮肤检测, 并同时转换到Cg颜色通道来提取高质量的光电容积脉搏波 (Photoplethysmography, PPG)信号。然后, 用Morlet复小波作为母波绘制PPG信号的小波能量谱图。最后根据心率信号的生理特性, 去除伪点噪声, 提取随时间变化的心率参数。实验结果表明, 该方法在静息状态下的测量结果同标准仪器测量结果的平均绝对值误差|Me|小于2 bpm(beats per minute), 误差的标准差SDe小于2.5 bpm, RMSE均小于2.6 bpm; 头部运动状态下两种测量方法的|Me|均小于2.3 bpm, SDe均小于2.9 bpm, RMSE均小于2.9 bpm。对两种测量方法进行Bland-Altman一致性分析, 其测量结果显示静息状态下差值的均数为0.295 7 bpm, 95%置信区间为-3.340 1~3.931 4 bpm; 头部运动状态下为0.383 2 bpm, 95%置信区间为-3.677 1~4.443 5 bpm, 表明本文提出的非接触式方法的测量结果同标准仪器的测量结果具有高度的一致性。

为实现卧床病员生命状态的无感实时监测, 设计了一种非接触式呼吸率与心率监测系统。首先, 根据心脏射血收缩过程的力学特性, 选择灵敏度高、稳定性好的压电陶瓷传感器采集心冲击力学信号。对信号进行去噪, 滤波放大等处理, 通过数字化采集得到心冲击图(Ballistocardiogram, BCG)。其次, 通过对心冲击图进行平滑滤波提取呼吸信号, 利用快速傅氏变换(FFT)获取呼吸信号频率。采用带通滤波器去除BCG信号的呼吸包络以及高频干扰, 获取BCG信号的单位时间J波波峰数, 推算出心率值。最后, 为验证系统的准确性与一致性, 与 BIOPAC采集的呼吸及心电图(Electrocardiogram, ECG)信号进行比对, 结果表明本系统呼吸误差率小于4.5%, 心率误差率小于9.7%。通过Bland-Altman分析, 表明监测系统的心率测算准确度与BIOPAC具有较好的一致性。

基于摄像头（可见光)的心率测量方法, 能够以非接触的方式检测受试者心率, 无论在临床应用还是在家庭健康监护中都有着极大的应用前景。 但是, CMOS摄像头的行扫描方式采集图像以及计算机系统的图像采集时钟抖动都会影响此类心率测量的精度, 从而引入相位误差和系统随机误差。 本文针对这两大主要误差进行研究分析, 提出了消除相位误差的基于傅里叶变换的幅频叠加算法、 消除图像采集系统时钟抖动误差的基于时间标定的三次样条插值重构方法。 幅频叠加算法只在幅频域对信号进行处理, 能够忽略信号的相位影响, 从而消除相位误差。 时间标定的三次样条重构算法能够重构图像的均匀采集, 从而消除系统时钟抖动引起的随机误差。 同时, 通过理论推导论证了两种算法的可行性, 进而利用LED模拟实验和实际心率测量实验验证该算法在提高信号检测精密度中的特性。 在模拟实验中, 对每帧图像的200行作幅频叠加运算, 能够使信号幅值相对提升458%; 基于时间标定的三次样条重构算法能使检测的信号频率的均方根误差缩小30%以上; 在实际心率检测中, 幅频叠加算法可使心率幅值相对提升达335%, 基于时间标定的三次样条重构算法可使心率准确度提升40%左右。 因此, 模拟实验和实际心率测量实验均验证了提出的算法在提高系统检测精度上的有效性, 提高了基于机器视觉心率测量的抗干扰能力。 这两种算法不仅能够提高基于机器视觉的心率检测精度, 而且能够适用于基于机器视觉对一定频率信号的检测, 在机器视觉检测中具有广泛的意义。

由于使用经典的联合近似特征对角化(JADE)算法从视频中估计光电容积脉搏波(Photoplethysmography,PPG)信号,再经快速傅里叶变换转化成的心率值与真实心率值的误差较大,本文提出使用基于对角累积量算法从视频中分离PPG信号,再经过快速傅里叶变换转换成心率的方法来提高心率测量的准确性。进行了从RGB彩色可见光视频信号中恢复心率值的实验。对比实验表明,基于对角累积量分离算法所得心率值与真实心率值差的绝对值的统计特征参数较JADE算法均有所降低,均值、标准差、均方根误差平均分别下降1.46,4.98和4.49。通过Bland-Altman图的分析表明,在95%的置信区间内,对角累积量算法所得心率的浮动范围较JADE算法减小了2倍以上,显示对角累积量算法具有更高的估计精度,对肤色亮度和外界自然光的要求更低,通过调整参数值,可使运行时间控制在1 s之内,基本满足实时提取心率的要求。