[发明专利]一种基于人脸视频的非接触式心率检测装置和方法

说明书

本发明涉及一种基于人脸视频的非接触式心率检测装置和方法，通过人工数据合成、深度神经网络、人脸区域检测、波形分析等方法，将人脸视频中所包含的心率信号精准地提取出来，融合编码解码器模型与相关的检测和数据分析技术，搭建出一套基于深度学习的针对人脸的非接触式心率脉搏波的完整检测框架，同时又开发出一个数据合成的算法用于解决目前包含生物特征的人脸数据及标签短缺的问题，从而实现了基于人脸视频的非接触心率脉搏波检测，可用于临床诊断。

技术领域

本发明涉及心率检测领域，特别是涉及一种基于人脸视频的非接触式心率检测装置和方法。

背景技术

心率是人体十分重要的一个生理参数，它能够及时地反映人体的健康水平。获取心率最直接的方式主要是通过接触式的传感器，如心电图仪和脉搏波检测仪，这些方式能够很精确地监测人体心率以及脉搏信息，然而它们需要外在地硬件设备以及与人体皮肤的直接接触才能获得被测信息。这些设备价格昂贵，不易携带，并且接触检测的形式经常给被测者带来很大的负担，因此检测成本很高，不利于使用者对自己生理信息的实时检测。

传统的非接触式心率检测方法主要基于通过建立数学模型来对心率进行远程估计。基于rPPG(remote photoplethysmography,远程光电脉搏容积描记法)原理，即人的心动周期内血液中的血红蛋白含量的变化会导致皮肤颜色发生微小的变化，通过对这个特征来对人体心率进行分析。早期的基于视频的非接触式心率估计方法中，常用的是信号分离、颜色通道分析和皮肤反射模型。如基于主成分分析的盲源分离法ICA，基于色度的方法CHROM和构建基于光照反射模型POS等数学模型方法。这些方法具有很好的泛化性能，但是在实际情况下有着比较低的信噪比，预测的心率准确性受到了很大的限制。

近年来随着深度学习的发展，一些深度学习模型被用来从人脸视频中更准确地检测心率。卷积神经网络在处理图像以及视频数据方面展现出了优异的性能，特别是对人脸肤色变化这种细微特征的检测上也有很不错的效果。现有很多基于深度学习的方法，需要精心设计人脸视频的手工特征表示，以确保成功地训练模型。比如在模型训练之前需要将多帧图片处理到一帧中，但是这样会引入额外的噪音，并且最后达到的检测精度也十分有限。与此同时，包含生理信息及标签的数据集十分有限，这也进一步限制深度学习模型的泛化性能，使得该方法在某些场景下获得很大误差。

发明内容

针对现有技术中存在的技术问题，本发明的目的之一是：提供一种基于人脸视频的非接触式心率检测装置，能够提高检测精度和泛化性能。

针对现有技术中存在的技术问题，本发明的目的之二是：提供一种基于人脸视频的非接触式心率检测方法。

为了达到上述目的，本发明采用如下技术方案：

一种基于人脸视频的非接触式心率检测方法，包括以下步骤，

获取不带肤色变化的人脸视频V，根据人脸视频V合成多个用于模拟真实人脸视频的视频V_rPPG；

发送多个视频V_rPPG作为训练样本对深度学习模型进行训练，以使深度学习模型对待检测心率的人脸图像进行信号放大，并从放大后的人脸图像中获得高信噪比的数据，进而计算得到心率。

进一步，不带肤色变化的人脸视频V的获取方式为，选取一张基础图片c以及一段驱动视频V_d，通过一阶运动模型，将基础图片c与驱动视频V_d拟合成不带肤色变化的人脸视频V。

进一步，获取人脸视频V后还包括以下步骤，对人脸视频V利用函数s生成脉搏波信号，将脉搏波信号s(t,f)添加到合成的视频V_rPPG中，用于深度学习模型的训练，

其中，σ表示信号的尺度，f表示信号频率；t表示信号的长度；a_i和b_i是决定信号波形的常数；