摘要: 心率作为人体最重要的生命体征，随着生活质量的提高越来越受到人们的关注。目前广泛使用的心率检测设备在使用上具有局限性，无法满足持续检测。基于人脸视频的非接触式心率检测相比之下更具优势，应用前景更为广阔。大多数研究局限于某种特定场景的... 展开 心率作为人体最重要的生命体征，随着生活质量的提高越来越受到人们的关注。目前广泛使用的心率检测设备在使用上具有局限性，无法满足持续检测。基于人脸视频的非接触式心率检测相比之下更具优势，应用前景更为广阔。大多数研究局限于某种特定场景的心率检测，如静止状态、头部轻微运动和光线变化等。由于日常生活中场景较为复杂，存在人脸旋转、面部表情等情况，对提取的rPPG信号产生干扰，因此需要进行深入研究。深度学习的兴起给非接触式心率测量带来了新的研究方向，进一步提高了非接触式心率检测的准确率。本文研究重点是基于深度学习的人脸视频心率检测技术，工作内容主要包含以下几点： (1)使用Dlib进行人脸关键点检测，在人脸检测的基础上增加预判断模块优化ROI区域选取，有效减小了由人脸转动时人脸检测器引入背景噪声的影响。对比分析了整个面部、脸颊和额头三个不同区域对提取rPPG信号的影响，验证了脸颊区域提取的rPPG信号信噪比最高。 (2)对从ROI提取的原始rPPG信号进行多种预处理。首先分析摄像头拍摄帧与帧之间时间间隔不均匀对rPPG信号的影响，并通过线性插值然后等间隔抽取方式重构出均匀采样的信号。其次进行L1去趋势滤波，去除重构的rPPG信号中趋势成分和心率对应频率以外的干扰信号。最后加入相位追踪模块，对去趋势滤波后的信号优化成类正弦信号，使得时域上信号周期性更强，频域上心率对应的频率更突出。 (3)对预处理后的rPPG信号，从时域和时频域角度分别生成特征图像，构建卷积神经网络进行训练和预测。在时域上，将三种不同算法提取的rPPG信号分别作为图像的单通道并进行叠加；在时频域上，将信号对应的时频图作为rPPG信号特征图。 实验结果表明时域特征图在ResNet18网络中加入注意力机制时预测效果达到最优（MAE=4.81，RMSE=6.44，ρ=0.85），并验证了信号预处理部分的重构等间隔均匀采样信号对预测结果有明显提升（MAE下降6.59，RMSE下降7.67）。此外，实验表明信号时长对预测结果有一定影响，20s信号构造特征图效果略优于10s信号构造特征图效果。 收起