《表3 自采数据集下不同方法的心率比较结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《自适应去噪的非接触式生理参数检测方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注：*表明在p=0.05水平上相关性有统计学意义。

由表1和表2结果可见，ICA方法的性能优于FFT方法，这是因为ICA方法增加了多重时域滤波，使得时间序列更加稳定。而傅里叶变换是一种经典的频谱分析方法，在采样频率稳定，且数据长度足够的情况下，生理参数估计可以取得较好的精确度。然而在使用傅里叶变换分析低频段频谱时，其频率分辨率是不足的，而且实际应用中通常含有光照、表情动作等因素的影响，会在获取的原始BVP信号中引入了非高斯白噪声，将带来多个伪峰值，尤其是运动噪声带来的频率峰值。通常运动干扰信号的频率成分会超过BVP信号中心肺频率成分。在这种条件下，单纯地将最高峰值的频率点作为心肺频率，其估计精度将很难保证。AR[15]方法虽然可以减少人工光照的影响，但是对于一些运动伪影的干扰则不能很好地抑制。而ICA方法是假定观测到的信号为盲源的线性混合，而实际的环境光噪声和其他运动噪声可能是非线性和时变的，特别是在运动过程中，因为运动引起的血容量的生理变化也可能是非线性的。此外，ICA假设源信号的数量等于RGB通道的数量，但潜在噪声源的数量是不同的，且在实际应用难以确定。因此，ICA并不总是能正确地分解RGB通道来提取所需的心肺信号的频率。而EMD方法是通过去除属于噪声的IMF分量进行降噪，但存在着模态混叠和分解数目不可控的缺陷，如何选择去除合适的IMF分量是重构出精确的BVP信号的关键，而且之前讨论过，去除的IMF分量里也包含着有效的信息，而剩余的IMF分量中还存在着其他噪声，这是EMD方法准确度不是很理想的关键原因。从表3可知，当在更复杂的现实场景下（包含变化的光照、头部运动），这些方法达不到满意的估计结果。主要原因是，已有方法在人脸ROI获取时对动作的跟随性能不高，随着人脸转动，会出现人脸跟踪失败，进而无法得到理想的BVP信号。而且，在已有方法中也缺乏对复杂噪声的处理，如图5所示，原始BVP信号中包含较强烈的伪影噪声时，可能会出现运动伪影带来的峰值高于心率成分的峰值，其中因AR方法与FFT方法一样使用绿色通道，故未标出。ICA方法在一定程度上减弱了运动伪影带来的影响，而EMD方法通过选取合适的本征模态函数也可以较大程度减少运动伪影的噪声，但都还残留着部分噪声。本文的方法简化了环境光的过滤，着重在ROI的精确选取上，以及应用CHROM方法可以对运动噪声起到一定的抑制作用。如图6所示，当同时出现强烈的运动伪影及光照变化的噪声时，其他方法的频谱中会残留大量的伪峰，而通过应用基于VMD方法的能量熵阈值自适应去噪方法，具有更好的抗噪性，能够重构出更精确的BVP信号，而且根据重构出的BVP信号的质量通过VCS信号质量分析可以自适应地选择不同的分析方法以及提出使用的频谱跟踪算法中机器学习的方法利用了背景ROI和面部ROI的信号得到光照和运动噪声特征，可以更准确地估计出心肺信号频率。然而本文方法还不能有效地去除因剧烈运动带来的噪声影响。因此，在未来的工作中，将提高本文方法的健壮性，优化方法流程，使其适应更多的实际场景，从而提高方法在不同情况下的准确性。