心率(HR)估计是健康监测的重要组成部分，可提供有关人类生理和情绪状态的有用见解。在过去十年左右的时间里，研究人员探索了非接触式心率估计的新方法，主要是为了克服与需要身体接触的传统方法相关的不适或皮炎。使用相机进行非接触式HR估计就是此类方法的一个示例。

该方法侧重于血量脉冲(BVP)，它会导致视频中捕获的面部肤色发生轻微的时间变化。通过检查这些颜色变化，可以估计HR。然而，由于这些颜色变化幅度较小，HR估计的准确性会受到面部运动、环境照明变化和噪声的不利影响。

为了应对这些挑战，日本的一组研究人员现已开发出一种利用血脉时间特征的新方法。重要的是，它建立在脉冲表现出准周期性行为的能力之上，这将其与噪声伪影区分开来。

(资料图片)

该研究由东京理科大学电气工程系初级副教授YoshihiroMaeda博士领导，并发表在IEEEAccess上。东京理科大学的TakayukiHamamoto教授和KosukeKurihara教授以及津田大学计算机科学系的DaisukeSugimura副教授也参与了这项研究。

所提出的方法利用动态模式分解(DMD)，这是一种分析多维时间序列信号中的时空结构的技术。它还采用基于心率频率医学知识的最佳时空结构的自适应选择。

KosukeKurihara解释说：“我们的方法与以前的DMD应用不同，通过将物理信息DMD结合到时滞坐标系中，同时考虑到BVP动力学的非线性和准周期性，可以有效地建模和提取BVP信号。”博士学位学生。

所提出的方法仅依赖于跟踪人脸视频中的时间序列数据，无需在人的身体上安装任何检测器。在该方法中，监控连续变化的面部视频时间序列被转换为RGB时间序列信号，这有助于提取皮肤下发生的血量变化信息。在有效处理可能渗透到数据中的噪声或错误信息后，观察到的RGB信号将转换为脉搏波信息数据。

在具有保守动力学建模的时滞坐标系中使用DMD方法，可以提取包含主要且准确信息的脉搏波来估计HR。

为了证明该方法的有效性，研究人员使用了来自三个公开数据集(即TokyoTechRemotePPG数据集、MR-NIRP数据集和UBFC-RPPG数据集)的67个面部视频。然后将该方法的结果与其他非接触式HR估计方法(包括DistancePPG、SparsePPG、SAMC、Hierarchical和MTTS-CAN)进行比较。

有趣的是，所提出的方法根据脉搏波成分的典型范围的知识自适应地选择包含最多脉搏波成分的动态模式。结果，与传统方法相比，该方法的估计精度提高了36.5%，尤其是在环境光波动的场景中。

“这一成果有望作为医疗和健身领域生命监测系统的基础技术发挥重要作用。突破性的非接触式方法在远程健康监测和生理监测等各种应用中的非接触式心率估计方面具有巨大的潜力。评估，”前田博士总结道。

研究结果为增强医疗保健技术和改善患者整体舒适度和福祉提供了新的可能性。展望未来，需要进一步研究探索结合多光谱信息的技术，这有助于减少噪声并提高方法的准确性。