基于心冲击描记术的心率检测方法 下载: 1382次
1 引言
心率是人体重要的生命体征参数,在个人日常健康监护中具有重要的参考价值。通过对心率进行监测,可以提前预防和控制诸如心绞痛,冠心病等心血管疾病的发生[1]。目前国际上对心血管疾病相关生理参数(如心率、心率变异性等)的采集方法,根据测量技术和方法上的区别可以分为接触式和非接触式两种[2]。接触式测量方法主要采用接触人体的传感器来获取信息,虽然其结果较准确,但不便于实际应用,也难以满足某些特殊应用场合(如具有开放性伤口的病人、烧伤病人及新生儿等的心率监测)的需要。同时,为了确保获得准确的测量结果,需要被测部位与检测设备紧密贴合,不能有相对运动,这使得该测量方式在很多情况下是不适用的,例如由于各种原因手部及脚步抖动的病人。非接触式测量方法[3-4]满足了以上特殊应用场合心率监测的需要,逐渐在临床生命体征信号监测领域发挥重要作用。
基于心冲击描记技术(ballistocardiography,BCG)的非接触心率检测方法具有非接触的特点,仅需成像设备采集一段视频即可实现心率检测,适合需要长期监护的特殊病患,逐渐引起生物医学领域的关注[2-7]。
心脏周期性波动时,从心室喷射出的血液在血管中流动时会对血管壁产生压力,进而引起人体规律性的弱机械运动[8]。Gordon首次发现并记录了BCG信号,他发现如果人笔直地站在粗大弹簧上,身体随着心脏的跳动会有节奏地出现微小的同步振动[9]。Alihanka设计了用于测量BCG信号的静电荷敏感床垫[10](static charge sensitive bed,SCSB)通过记录由BCG运动引起的SCSB内电荷的变化来提取BCG信号。然而,由于提取设备过于复杂和繁琐的信号处理步骤,BCG研究陷入了瓶颈。近年来,随着光电成像技术和应用设备的发展,基于视频的新型非接触式BCG技术逐渐引起了研究人员的关注。
Balakrishnan等[11]提出了基于BCG原理的非接触式且以软件处理为主的心率检测算法。该方法从一段记录了头部运动的视频中,通过跟踪大量特征点结合主成分分析将头部运动轨迹分解成一系列的主成分,进而计算出心率。然而, Balakrishnan的方法只对单一方向的轨迹信号进行了分析,限制了其心率测量精度;并且该方法往往需要跟踪大量特征点的运动,识别和跟踪这些特征点需要大量的求解运行时间。随后,Shan等[12]提出了基于单特征点的BCG心率检测算法。该方法仅利用前额上的单个特征点来表征头部运动,大大缩减了特征点数量,并通过Shi-Tomas角点检测算法[13]选择具有最大特征值的角点跟踪、提取BCG信号。Haque等[14]提出了基于多融合特征点的BCG心率检测算法,通过融合、跟踪具有良好特征的49个预定义人脸特征点[15]实现对BCG信号的提取。基于特征融合的算法在一定程度上克服了文献[ 11]和文献[ 12]中面部遮挡或移动导致的特征损失的缺点,但仍需要跟踪大量特征点。付晓静[16]提出了一种基于预决策金字塔层数的视频微弱运动放大技术,对原始输入视频中的微弱运动(包括头部运动)进行放大,再对放大后的视频进行处理,从而提取心率信号,但该方法在放大头部运动的同时也放大了视频中其他噪声信号,心率测量精度较低。Hassan等[17]提出了基于多元特征点的BCG心率检测算法,在Viola-Jones人脸检测器[18-19]的基础上采用Kanade-Lucas-Tomasi(KLT)跟踪算法[20]跟踪分布在前额和鼻子区域的T形特征点来提取BCG信号。
前人的研究文献[ 11-12,14,16-17]大多直接对头部特征点进行跟踪。然而,BCG中的头部运动十分微弱且与各种其他非自主头部运动混合在一起。同时,KLT跟踪算法基于光度不变性的假设[14],复杂的环境光条件会导致特征点跟踪出现误差,还会增加Shi-Tomasi角点检测的不可靠性[21]。这些噪声导致从头部运动中提取的BCG信号有着较低的信噪比(signal-to-noise ratio,SNR)。另一方面,大量特征点[11,14,16-17],的跟踪和计算大大增加了算法的复杂性,不利于算法的移植。针对以上问题,利用光学杠杆放大BCG头部运动(optical lever amplified BCG,OLA-BCG), 本文提出了一种非接触式高精度心率检测方法。OLA-BCG使用激光实现主动照明,减少环境光噪声对测量结果的影响;结合附着在头部的平面镜组成光学杠杆系统,放大头部运动。此外,OLA-BCG使用单激光特征点来表征头部运动状态,简化了算法复杂度。与现有的非接触式BCG心率检测算法相比,OLA-BCG有效提高了从头部运动中提取的BCG信号的SNR和心率的测量精度。
2 基本原理
2.1 基于BCG的头部运动
在整个心血管系统中,心脏具有血液泵的功能。组成心脏的心肌由于自动节律性而进行周期性、有节奏的收缩和舒张运动。心脏这种周期性的搏动将从心脏泵出的血液推送至身体各个器官[22]。根据牛顿第三定律,心脏搏动时,泵射的血液对血管壁产生压力引起人体包括头部在内的身体各部位周期性的弱机械运动[8]。这种弱机械运动导致的人体三个方向的周期性运动[23]分别是竖直(头足)方向、背腹方向和水平方向。在每个血液循环周期中,当心肌收缩时,左心室以高压将血液喷射到主动脉;当血流穿过颈部两侧的颈动脉到达头部时,对头部产生微弱的冲击力。在这种冲击力的作用下,头部将进行不自主的周期性运动,如
BCG中的头部运动十分微弱,肉眼无法察觉。考虑到颈动脉血管对人体头部所产生的不自主运动的加速度[24]约为0.098 m/s2,结合心室射血时间(正常值[25]为280~300 ms),因此,根据牛顿第二定律,在每次血液循环的过程中,BCG中的头部运动位移x'约为4.41 mm。
式中:x'为单次血液循环中BCG头部运动位移;a为头部运动加速度;t为射血时间。为了量化分析这种头部运动,假设该运动是初速度为0的匀加速运动,并且被摄像机以25 frame/s的帧率采集记录下来。所以,BCG中的头部运动在相邻视频帧间的位移Δx'i可以描述为
式中:ti'(i'=1,2,…,n')为第i'帧的时间,以第一帧为初始时间,即t0=0,n'为总帧数;Fps为视频的采集帧率。尽管这种估算忽略了人体头部系统的复杂结构,存在一定的误差。但所得到的数量级也表明了BCG中的头部运动是十分微弱的。
2.2 基于OLA-BCG的头部运动信号提取
本文利用光学杠杆放大BCG头部运动,提出了一种非接触式高精度心率检测算法。OLA-BCG实验系统示意图如
光学杠杆是一种基于光的反射定律来放大细小角度或微弱运动变化的光学方法[26]。如
式中:α为平面镜在位置M时激光束的入射角度;β为平面镜在头部运动作用下的旋转角度;h是为原始头部运动的位移,即dOO';L为平面镜在位置M时与接收屏之间的距离。因此,OLA-BCG实验系统的放大倍数G可描述为
为了更加直观地分析这种情况,针对一个确定的OLA-BCG系统,假设激光器、平面镜和受试者位置相对确定且头部运动引起的平面镜旋转角一定,即激光束的入射角α和平面镜的旋转角β为常数。因此,可以定义常数K1和常数K2为
将K1和K2代入(4)式可改写为
根据(6)式,OLA-BCG系统的放大倍数G与L成正比,并且始终大于1。可见,OLA-BCG系统实现了对BCG中的头部运动幅度的放大。
图 2. OLA-BCG原理。(a) OLA-BCG实验装置图;(b) OLA-BCG原理图
Fig. 2. OLA-BCG principle. (a) OLA-BCG experimental device diagram; (b) OLA-BCG schematic diagram
3 实验装置及过程
3.1 OLA-BCG实验装置
OLA-BCG的实验装置如
所有实验都要求受试者静止坐在固定椅子上,保持自然状态,并在后脑固定一个平面镜,保证平面镜与后脑无相对位移。调整OLA-BCG系统光路,确保激光经平面镜(与后脑固连)反射后在接收屏上形成明亮的反射光斑。其中,反射光斑的运动状态由1号相机采集记录。同时,为了与直接跟踪头部特征点的算法进行对比分析,使用位于受试者前方1.5 m的同步相机(2号相机)对受试者面部进行人脸图像的直接采集。
本文将OLA-BCG与现有的具有代表性的非接触BCG心率检测算法方法进行了对比。
图 3. 不同方法的特征点的选取。(a)文献[ 11]中的特征点选取;(b) S文献[ 12]中的单特征点选取;(c)文献[ 17]中的T型特征点选取;(d) OLA-BCG中的激光反射特征点
Fig. 3. Feature points selection. (a) Feature points selection in Ref.[11]; (b) feature points selection in Ref.[12]; (c) feature points selection in Ref.[17]; (d) reflected laser feature point in OLA-BCG
OLA-BCG中的平面镜也可以固定于受试者额头。在实验中,为了利用视频采集面部图像进行对比实验,将平面镜固定在后脑。所有实验均采用同样的BCG信号处理方法进行相关滤波处理,即对比实验唯一的区别是特征点的选择和原始BCG信号的提取。
3.2 BCG信号处理
本节主要介绍从头部运动轨迹中提取BCG信号和相关滤波算法,算法流程如
通过计算和跟踪经光学杠杆放大后的反射光斑的质心位置,获得用于描述头部运动随时间变化的轨迹信息,该轨迹信号称为原始BCG信号。其中,反射激光光斑质心位置采用质心加权平均算法[27]计算得到。
反射光斑质心位置计算的具体流程如
式中:x和y为反射光斑的质心坐标;g(i,j)为(i,j)位置处的图像像素值;m,n分别为图像的高度和宽度。
通过质心加权平均算法可以获得x(水平方向)和y(竖直方向)两个方向上的原始BCG信号,如
图 6. 不同方向上的原始BCG信号。(a) x方向;(b) y方向
Fig. 6. Original BCG signals in different directions. (a) x direction; (b) y direction
图 7. 不同方向上的原始BCG信号频域图。(a) x方向;(b) y方向
Fig. 7. Frequency domain diagrams of original BCG signals in different directions. (a) x direction; (b) y direction
ICA是一种从一组潜在信号源线性混合的观测信号中分离相关源信号的算法[28]。考虑到从头部运动中观测提取到的原始BCG信号是各种潜在信号源的线性混合[11],采用独立成分分析算法将主要由血液循环引起的头部弱机械运动信号从原始混合头部运动轨迹中分离出来。以x方向和y方向的原始BCG信号作为ICA算法的输入,经独立成分分析算法,选取最具有周期性的信号作为BCG脉冲信号,如
对经过ICA处理后的BCG脉搏信号进行去趋势处理,消除信号的缓慢平稳趋势,采用平滑度先验滤波算法和多层小波滤波来消除高频噪声的影响。最后,对BCG信号进行FFT处理。通过选择功率谱中0.75~3 Hz范围内的峰值频率进行心率计算,如
4 实验结果分析与讨论
本文对30位受试者进行了对比实验,受试者均来自于课题组, 15位男性和15位女性,年龄22到28岁之间。文献[
17]表明受试者年龄并不会对BCG信号的产生造成影响。所有受试者均无心血管疾病史,并且未服用可能影响心率的药物。所有受试者均书面知情,同意参与本实验。将接触式BVP和OLA-BCG进行了对比实验。同时,为了全面评估所提出的OLA-BCG,采用了前人工作中使用过的几种主要数据评价指标进行不同方法的对比分析,评价指标如
式中:Hr_BVP为接触式脉搏血氧仪采集的心率真实值;Hr_BCG代表各种非接触式BCG方法采集的心率测量值。
表 3. 不同评价指标的提升情况
Table 3. Improvement of different evaluation indexes
|
表 1. 评价指标汇总
Table 1. Summary of evaluation indicators
|
表 2. 不同方法的评价指标统计
Table 2. Evaluation index statistics of different methods
|
信噪比计算示意图如
本文将OLA-BCG与现有的具有代表性的方法进行了对比实验。所有算法均采用接触式BVP采集心率真实值。
式中:VOLA-BCG表示OLA-BCG下各评价指标的数值;Vmethod表示现有不同算法下各评价指标的数值;±表示性能的提升或下降。根据(9)式定量计算了OLA-BCG相对现有算法对不同指标(除Mean_SNR外)的提升情况,其中Mean_SNR指标采用直接相减计算。计算结果如
同时,使用Bland-Altman方法评估接触式BVP心率真实值和OLA-BCG心率测量值之间的一致性。
综上,OLA-BCG测得的心率值与接触式BVP测得的结果具有较高的一致性,心率差异在4 beat/min以内,r为0.88,如
图 10. Bland-Altman分析结果和皮尔逊相关系数。(a) Bland-Altman分析结果;(b)皮尔逊相关系数
Fig. 10. Bland-Altman analysis result and Pearson correlation coefficient. (a) Bland-Altman analysis result; (b) Pearson correlation coefficient
5 结论
非接触式BCG心率检测技术为有效全面地测量生理参数(如心脏/呼吸率等)提供了新的方法。但是,由血液循环引起的BCG头部运动十分微弱,不易测量且易受外界噪声干扰,从头部运动中提取的BCG信号质量较差,具有较低的信噪比。针对以上问题,提出了一种基于光学杠杆的非接触式高精度心率检测算法OLA-BCG。该算法利用光学杠杆放大BCG头部运动。OLA-BCG使用激光实现主动照明,减少环境光噪声对心率测量结果的影响,结合附着在头部的平面镜组成光学杠杆系统,放大BCG头部运动幅度。此外,OLA-BCG以单个激光光斑来表征头部运动,易于实现高精度跟踪,且单一特征点大大简化了算法复杂度,便于算法的移植。与现有的非接触式BCG心率检测方法相比,OLA-BCG有效提高了从头部运动中提取的BCG信号的信噪比和心率的测量精度。实验表明,OLA-BCG测得的心率值和接触式BVP测量的心率真实值之间的误差在4 beat/min以内,测量误差ERMS约为2.22 beat/min。
[1] 金艳, 曹克将. 心率与人类心血管疾病的相关性[J]. 中华心律失常学杂志, 2004, 8(5): 310-313.
Jin Y, Cao K J. The relationship between heart rate and heart disease[J]. Chinese Journal of Cardiac Arrhythmias, 2004, 8(5): 310-313.
[2] Sun Y, Thakor N. Photoplethysmography revisited: from contact to noncontact, from point to imaging[J]. IEEE Transactions on Biomedical Engineering, 2016, 63(3): 463-477.
[3] 刘鸿程, 王笑梅, 陈桂安. 非接触式胎儿心率检测[J]. 计算机系统应用, 2019, 28(8): 204-209.
Liu H C, Wang X M, Chen G A. Non-contact detection of fetal heart rate[J]. Computer Systems & Applications, 2019, 28(8): 204-209.
[4] 陈旭. 基于人脸视频的心率测量算法研究[D]. 成都: 电子科技大学, 2019: 1- 68.
ChenX. Research on heart rate measurement algorithm based on face video[D]. Chengdu: University of Electronic Science and Technology of China, 2019: 1- 68.
[5] . Lee, et al. Vision-based measurement of heart rate from ballistocardiographic head movements using unsupervised clustering[J]. Sensors, 2019, 19(15): 3263.
[6] Albukhari A, Lima F, Mescheder U. Bed-embedded heart and respiration rates detection by longitudinal ballistocardiography and pattern recognition[J]. Sensors, 2019, 19(6): 1451.
[7] Huysmans D, Borzée P, Testelmans D, et al. Evaluation of a commercial ballistocardiography sensor for sleep apnea screening and sleep monitoring[J]. Sensors, 2019, 19(9): 2133.
[8] Noordergraaf A, Heynekamp C E. Genesis of displacement of the human longitudinal ballistocardiogram from the changing blood distribution[J]. The American Journal of Cardiology, 1958, 2(6): 748-756.
[9] Trefny Z, Seliger V, Woydinek K. New trends in ballistocardiography[J]. Ceskoslovenska' Pediatrie, 1968, 23(8): 673.
[10] Alihanka J, Vaahtoranta K, Saarikivi I. A new method for long-term monitoring of the ballistocardiogram, heart rate, and respiration[J]. American Journal of Physiology-Regulatory, Integrative and Comparative Physiology, 1981, 240(5): R384-R392.
[11] BalakrishnanG, DurandF, GuttagJ. Detecting pulse from head motions in video[C]∥2013 IEEE Conference on Computer Vision and Pattern Recognition, June 23-28, 2013, Portland, OR, USA. New York: IEEE, 2013: 3430- 3437.
[12] ShanL, Yu MH. Video-based heart rate measurement using head motion tracking and ICA[C]∥2013 6th International Congress on Image and Signal Processing (CISP), December 16-18, 2013, Hangzhou, China. New York: IEEE, 2013: 160- 164.
[13] ShiJ, Tomasi. Good features to track[C]∥Proceedings of IEEE Conference on Computer Vision and Pattern Recognition CVPR-94, June 21-23, 1994, Seattle, WA, USA. New York: IEEE, 1994: 593- 600.
[14] Haque M A, Irani R, Nasrollahi K, et al. Heartbeat rate measurement from facial video[J]. IEEE Intelligent Systems, 2016, 31(3): 40-48.
[16] 付晓静. 基于头部微弱运动的心率信号检测方法研究[D]. 天津: 河北工业大学, 2016: 1- 71.
Fu XJ. Study on heart rate detection method based on subtle head motions[D]. Tianjin: Hebei University of Technology, 2016: 1- 71.
[17] Hassan M A, Malik A S, Fofi D, et al. Video-based heartbeat rate measuring method using ballistocardiography[J]. IEEE Sensors Journal, 2017, 17(14): 4544-4557.
[18] ViolaP, JonesM. Rapid object detection using a boosted cascade of simple features[C]∥Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, December 8-14, 2001, Kauai, HI, USA. New York: IEEE, 2001: 511- 518.
[20] TomasiC, KanadeT. Detection and tracking of point features[R]. Carnegie Mellon University Technical report, 1991: 91- 132.
[21] Fusiello A, Trucco E, Tommasini T, et al. Improving feature tracking with robust statistics[J]. Pattern Analysis & Applications, 1999, 2(4): 312-320.
[22] Wiard RM, Kim HJ, Figueroa CA, et al. Estimation of central aortic forces in the ballistocardiogram under rest and exercise conditions[C]∥2009 Annual International Conference of the IEEE Engineering in Medicine and Biology Society, September 3-6, 2009, Minneapolis, MN. New York: IEEE, 2009: 2831- 2834.
[23] Scarborough W R, Talbot S A, Braunstein J R, et al. Proposals for ballistocardiographic nomenclature and conventions: revised and extended[J]. Circulation, 1956, 14(3): 435-450.
[24] He DD, Winokur ES, Sodini CG. A continuous, wearable, and wireless heart monitor using head ballistocardiogram (BCG) and head electrocardiogram (ECG)[C]∥2011 Annual International Conference of the IEEE Engineering in Medicine and Biology Society, August 30-September 3, 2011, Boston, MA. New York: IEEE, 2011: 4729- 4732.
[25] Yorifuji S. Study on ballistocardiogram (IV): stroke-volume and momentum of cardiac ejection[J]. Japanese Circulation Journal, 1958, 22(6): 393-396.
[26] Kirtley C, Smith R A. Optical lever method for video-based micro-kinematic analysis[J]. Medical & Biological Engineering & Computing, 1996, 34(1): 101-102.
[27] Rakesh S, Hattuniemi J M, Mäkynen A J. Analysis of accuracy of laser spot centroid estimation[J]. Proceedings of SPIE, 2008, 7022: 702216.
[28] Cardoso J F. High-order contrasts for independent component analysis[J]. Neural Computation, 1999, 11(1): 157-192.
[29] LewandowskaM, RumińskiJ, KocejkoT, et al. Measuring pulse rate with a webcam——a non-contact method for evaluating cardiac activity[C]∥2011 federated conference on computer science and information systems (FedCSIS), September 18-21, 2011, Szczecin, Poland. New York: IEEE, 2011: 12361132.
Article Outline
孔令琴, 吴育恒, 庞宗光, 赵跃进, 董立泉, 刘明, 惠梅, 王伟洁, 郭影, 王夏天. 基于心冲击描记术的心率检测方法[J]. 中国激光, 2020, 47(2): 0207042. Kong Lingqin, Wu Yuheng, Pang Zongguang, Zhao Yuejin, Dong Liquan, Liu Ming, Hui Mei, Wang Weijie, Guo Ying, Wang Xiatian. Measurement of Heart Rate Based on Ballistocardiography[J]. Chinese Journal of Lasers, 2020, 47(2): 0207042.