基于人工智能的心率检测算法

【作者】蔡承贤，王伟

上海交通大学电子信息与电气工程学院，上海， 200240

随着医学知识与信息科技的不断发展和进步，传统的医疗模式已逐渐从 “有疾始医”向“无疾预防”转变。这种转变使人体各类生理信号的日常监测成为一项越来越重要的工作，其中一项心率信息的定义是心脏每分钟跳动的次数。在众多生体信号中，心率数据可谓是最基本同时也是最重要的信息之一，在诸多方面表现出极大价值，例如，在疾病预测及诊断方面，通过心率信号，可以捕获心脏疾病的先兆情况，了解心脑血管疾病的潜在风险；在健康保健和运动医学领域，可依据心率情况判断健身效果以及保障被监测者的运动安全。

传统的心率检测方法一般基于绘制心电图（ECG，electrocardiogram）的技术，如图1所示[1]。此种方法需要在人体数个特定部位放置体表电极，用于身体表面各点生物电压的采集；然后，根据各点间电位差，绘制出人体心电图并籍此获得心率信息。由于这种检测方法事先需要进行较为繁琐的准备工作，比如需要花费时间在体表安置电极和预热仪器设备等。此外，由于该检测方法需要仪器与体表直接接触，所以还涉及到清洁仪器、体表消毒等问题。该方法另需通过波形分析方法分析数据，方能获得心率信息。由此可见，在非专业医疗环境特别是那些我们仅需获知被检测者心率信息而对心电图信息不甚关心的场合，以上测试方法显得较为繁琐与不便。综上所述，迫切企盼一种操作简便，无需与人体相接触，并且能够快速完成心率检测的非接触式心率检测方法。

图1 人体ECG测试图Fig.1 Image of ECG Testing

为满足上述需求，前人提出一种基于时滞图像（time-lapse image）分析人体心率的非接触、非侵入式检测方法。该方法通过截取人体脸颊部位特定区域的视频时滞图像，透过该图像区域平均灰度值的离散变化，籍由若干信号处理方法及6阶自回归分析而获取心跳频率（heart rate）及呼吸频率(respiratory rate)，较好克服了前文所述传统检测方法的问题。但是，该方法也存在着精确度、可靠性上的缺陷，使得研究者继而思索更佳分析处理方法，从而在满足非接触性、非侵入式特性的同时，提高准确率。

本文尝试在此种方法的基础上，着眼于新算法的开发，提出一种基于人工智能技术中模糊逻辑理论的生体信号分析算法，将其应用于心率检测领域。实验表明，采用该算法之后，检测结果比较理想。

1 研究现状

通过人体局部视频图像信号的变化检测心率，作为一种新颖的非接触式、非侵入式心率检测方案受到学术界的关注。比如，在由Takano C等所发表的文章中[2]，提出一种由CCD摄像机捕捉人脸特定目标区域的时滞视频图像后，依次通过一阶微分、低通滤波和6阶自回归分析等信号处理手段，于信号频谱能量最大的两个频段处获取呼吸和心跳频率。然而，由于视频图像信号极易混入噪声的特性，加上该算法先天所存在的局限性，最后的检测结果不甚理想。

2 本文提出方法

为了提高前文所述心率检测方法的精确度，本文尝试在该方法基础上，引入人工智能领域中模糊逻辑的分析算法，籍此能有效提高精确性。

2.1 模糊逻辑简介

模糊逻辑是目前人工智能领域内较为活跃的一个分支。该方法植根于University of California, Berkeley的LotfiSedah教授于1965年提出的模糊数学理论，籍由其中的模糊集合论为工具，通过模糊隶属函数之赋值，规避布尔逻辑所带来的“绝对二元性”问题。由于其在精确度、鲁棒性及易用性之间有良好的折衷处理关系，目前已广泛应用于智能家电，医疗仪器和图像处理等领域。

图2 经预处理后之视频时滞信号Fig.2 Image of processed signal

2.2 数据预处理

由数码摄像机采集人脸面颊特定区域的视频时滞图像，其原始数据格式为NTSC，拍摄参数为每秒30桢，即信号采样率为30 Hz。此后经256阶灰度处理，取每桢图像的灰度平均值，所获预处理信号如图2所示。

由于该信号仍存在较大的噪声，宜先进行滤波处理。在此，采用加BLACKMAN窗的方法，其幅频及相频曲线如图3所示，其窗系数方程[4]为：

其中，n为滤波器系数的序列；BLACKMAN滤波器阶数为L=N+1。

图3 BLACKMAN滤波器频谱图Fig.3 Spectrogram of Blackman filter

基于人体心率的知识，取滤波器通带为0.5 Hz至2 Hz。经过以上处理之后的信号如图4所示。

图4 经滤波后之视频时滞信号Fig.4 Image offiltered signal

图5 时间模糊隶属函数Fig.5 Time FM function

2.3 算法说明

基于人体心跳特征的研究，可建立以下两条基本知识规则[5]：

1) 每次心跳所需时间以一定概率形式分布在时域中，其中包括心率正常者及心率异常者；

2) 在每次心跳过程中，信号幅度至少会出现一次较大波峰，心率异常者可能波峰更多。

根据以上知识，基于模糊集合理论[3]，我们据此构建两条模糊隶属函数：

基于第一条知识，定义时间模糊隶属函数，在此使用如图5所示的高斯形隶属函数：

其中，τ(t)为信号时间离散值；T为按Takano C方法[2]计算所得心跳频率的倒数；σ决定函数曲线的宽度，取经验值。

基于第二条知识，定义幅值模糊隶属度。由于幅值信号所受的干扰较为严重，因此如图6所示的线性分布被用于刻画幅值模糊隶属度：

其中，x(t)为信号幅度离散值；xmax及xmin分别为信号之极值。

通过以上两维模糊隶属函数之乘积，可定义综合模糊隶属度：

基于以上所定义模糊隶属度，可计算信号每一离散点之综合模糊隶属度。心跳点即为信号综合模糊隶属度最大的点。最后，通过计算一分钟内心跳点的个数，即可获得实验者的心率。

图6 幅值模糊隶属函数Fig.6 Amplitude FM function

表1 实验结果比较Tab.1 Results comparison

3 实验结果

为了测试本文所提出算法的有效性，将5位被测试者的实际心跳与用本文提出的心率检测算法同时进行对比验证，其结果如表1所示。

通过计算，该算法所得结果与实际心率的相关系数(correlation coefficient)为0.95，而Takano C等[1]所提出的算法检测结果与实际心率的相关系数为0.90。因此，本文提出的算法满足了性能提高的需求，达到设计目的。

4 结论

非接触式心率检测方法由于其方便性、安全性及灵活性受到业界广泛关注与研究。本文在前人基于人体视频时滞图像检测心率方法的基础上，提出了一种新颖的心率检测算法。该算法结合了信号处理技术及人工智能方法，在易用性及精确度之间进行了良好的平衡。实验结果显示，能基本满足心率检测的要求。

[1]Electrocardiography.http://en.wikipedia.org/wiki/Ecg

[2]Takano C, Ohta Y.Heart rate measurement based on a time-lapse image[J].Med Eng Phys, 2006, 29(8): 853-857.

[3]李人厚著.智能控制理论和方法[M].西安:西安电子科技大学出版社, 2005.

[4]Documentation for MathWorks Products, R2009b.http://www.mathworks.com

[5]Yutaka Hata, Yuya Kamozaki, Toshiyuki Sawayama, et al.Heart pulse monitoring system by air pressure and ultrasonic sensor systems[J].System of Systems Engineering, 2007, 16-18: 1-5.