基于PTZ相机的非接触式心率检测

高伟翔 李 擎* 杨玉竹

1(北京信息科技大学自动化学院 北京 100192)

2(北京科技大学自动化学院 北京 100083)

0 引 言

从近些年的情况来看,通过一些技术,人们可以自行检测身体的心率等生理参数,在发生异常时及时就医便可大概率抑制病发。关于衡量心脏健康程度,心率无疑是非常重要的生理指标参数,它是否稳定标志着被试者心脏的功能的优良程度,同时它也是诊断和治疗疾病最重要的依据之一。

医学行业里往往通过相关测量仪器去测量心率,比如指夹式脉搏血氧仪等,但是大部分都要和人的皮肤接触,可能会因为被试者的心理波动造成数据不准确,也可能会因为被试者的皮肤问题导致皮肤感染等病变现象。此外,在一些特殊时期,比如传染性较高的疫情期间,人为接触式测量可能会涉及对人力资源的要求,以及为确保不传染,对接触式测量仪器的无菌性要求,对于测量与被测量人员的安全性要求。

与传统心率检测设备相比,借助摄像机进行非接触式和网络在线的心率检测,既能适应疫情期间快速检测以及无法或不想进入医院等情况的人体参数检测,又能适应大数据分析。

近些年来人们提出用非接触的心率测量方式去检测这一指标。这种心率测量方式的核心在于远程光容积描记技术(rPPG)。这是一种无接触测量心率的方法,经过相机设备提取到面部PPG信号的周期性变化,再检测血液容积的周期性变化,最终得以测得心率数据,此方法常用在远程医疗等领域。

Haan等[4]提出了基于色度模型的心率检测方法,大大改善了光照对检测到的心率的结果的影响。

Wang等[5]提出了一种新的心率检测框架来改善rPPG的运动鲁棒性。其基本思想来源于观察到摄像机可以同时对多个皮肤区域进行并行采样,并且每个皮肤区域都可以作为独立的脉冲测量传感器进行处理。因此可以利用图像传感器的空间冗余来区分脉冲信号和运动引起的噪声。为此,该论文构造基于像素的rPPG传感器以使用运动补偿的像素到像素脉冲提取、空间修剪和时间滤波来估计鲁棒的脉冲信号,该系统大大改善了对于运动引起的肤色变化而导致的心率不稳的情况。

Wang等[6]提出了一个数学模型,该模型结合了皮肤反射的相关光学和生理特性,目的是增加对远程光电容积描记法(rPPG)背后的算法原理的理解。该模型用于解释现有rPPG脉冲提取方法的不同选择。来自该模型的理解可用于设计稳健或特定应用的rPPG解决方案。他们通过设计一种替代的rPPG方法来说明这一点,其中与肤色正交的投影平面用于脉冲提取。各种rPPG方法的一个大基准表明,它们的相对优点确实可以从提出的模型中理解。

Macwan等[7]提出了一种新的半盲源提取方法,用于使用自相关作为周期性度量的多目标优化方法来测量Rppg。

Yu等[8]提出了一种新颖的不显眼的多模态传感器,用于监测生理参数,包括电容式心电图(cECG)、反射光电容积描记图(rPPG)和单个传感器中的磁感应监测(MI)。传感器系统包括设计和优化的传感器节点,用于集成到床中的多个传感器的网格状阵列和用于数据收集和处理的中央控制器盒中。因此,它在应用中具有高度通用性,适用于在专业环境和家庭护理环境中对生命体征进行不显眼的监测。所提出的硬件设计考虑了cECG和MI之间的模间干扰以及由于紧邻的两个MI传感器之间的串扰引起的模内干扰。对于心跳间隔,该系统使用cECG实现了2.3 ms的RMSE和0.99的相关性。类似的,使用rPPG,该系统实现了18.9 ms的RMSE,其相关性为0.99。关于源自MI的呼吸间隔,该系统实现了1.12 s的RMSE和0.90的相关性。

张家成等[12]提出了一种改进色度模型的非接触式心率检测与估计方法,他们考虑到在基于色度模型的视频图像心率估计算法未考虑到实验中光照变化产生的信号干扰。针对该问题,他们提出了一种基于改进色度模型的非接触心率估计算法,通过定义感兴趣(ROI)区域和背景区域的反射光模型,利用两种区域颜色通道信息的比值来消除光照干扰,从而得到消除光照干扰的色度模型,并进行脉搏波的提取与心率估计。对10名在校大学生采集到的人脸图像进行分析,发现该算法估计心率的相对误差为3.52%、2.53%,原始色度模型算法的相对误差为7.23%、2.82%,两者对比有显著性差异(P<0.01)。该算法能有效抑制光照变化所引起的干扰,使所提取脉搏波信号的信噪比平均提高1.52 dB,这对更精确地进行非接触式心率估计与脉搏波信号提取具有重要意义。

当前,非接触式心率检测大致有三类:小波多普勒雷达方法、热成像方法和基于计算机视觉的图像方法。但是第一种办法还有问题未解决,比如鲁棒性有待提高、信噪比不满足实验所需。热红外成像方法的心率检测成本较为昂贵。

所以本文采用基于视频的图像方法,首先,图像的特征信息比较丰富,这种丰富的信息有利于全面准确地获取心率信息,但是其噪声相对来说也比较多,如何对图像得到的心率进行滤波也是一个需要解决的问题,另外,基于视频的心率检测也比较容易受到光照的影响,但是其成本相对来说比较廉价,可以大规模地在人群中使用,考虑到目前通过普通摄像机测心率准确性低的问题,本文提出用PTZ摄像机的云台控制组成心率检测系统,以测得心率数据,即将基于摄像头的非接触式的心率检测应用于此。可这样理解,这种非接触式的心率检测方式能做到让人在不察觉的状态下被检测,由此可以规避由接触式检测带来的心理波动以及不舒服的感觉,此外,这种方式依赖于摄像头,只要有摄像头能安装的地点即可,摄像头可以安装的地点条件基本没有要求,所以可认为这种方法基本不受场地限制。综上所述,用摄像头检测心率的适用范围极其广。

首要在于人脸信息检测的准确性,本文采用的PTZ相机用以实现智能机器人检测心率的目的。该相机系统可自动调焦,结合云台控制系统得到分辨率适宜的视频图像(捕捉目标至视频中心处)。用海康威视PTZ相机进行人脸的捕捉放大和追踪,从而得以进行对于长距离非约束的人脸捕捉。之后由系统自动进行调节焦距,捕捉到目标再将其放大,之后检测心率。

为了进行实验系统的准确性校验,分别在被试者静止状态与上半身运动状态进行多组检测,且在用相机测心率的同时,用血压仪检测得到真实实时心率。通过计算求出两个状态下实验系统与血压仪所测心率结果的平均绝对误差A、误差的标准差B、均方根误差C,且用medcalc软件绘制实验系统与血压仪这两种方法的B-A图去分析两种办法的一致性,进而检验基于PTZ相机的非接触式心率检测这一方法的准确程度。

1 实验部分

1.1 实验原理

为了阐述基于PTZ相机非接触式心率检测实验系统的检测原理,本文从基础开始定义了一个rPPG模型,表示皮肤反射的光学和生理特性,如图1所示,采取一个光源去照明一部分皮肤组织(该组织内要包含人体动脉血液),同时由一个远程摄像机记录这幅图像。

图1 皮肤反射模型示意图

在实验中,随着人的心脏跳动(心室的收缩和舒张),人体血管内的血液容积会产生周期性的变化,则由光源照射到皮肤,经皮肤反射到PTZ相机传感器的光照强度也产生周期性的变化。采用面部作为研究点,是因为面部皮肤的毛细血管较为丰富,会很好地体现出血液容积的周期性变化,利用PTZ摄像机的云台控制、PTZ自动巡航检测功能,使其捕捉人脸目标并跟随,将人脸区域放大,也就是使面部皮肤的毛细血管内的血液容积的周期性的变化更明显,经过算法去分析提取到面部PPG信号的周期性变化,最终得以测得心率数据。

1.2 实验内容设计

1.2.1实验仪器

因为人的状态不一定恒为静止,为了检验实验的科学性,既要做静止组实验也要做运动组实验。针对于运动组实验,考虑到实际生活中人的运动往往具有多角度随机性,则选用PTZ相机,控制其云台全方位(左右/上下)移动及镜头变倍、变焦,实现多角度清晰跟踪式测量,PTZ相机如图2所示。在电脑上编写程序进行调用。为了后续检验实验系统的准确度,选用血压仪提取同步的心率数据,血压仪如图3所示。

图2 实验所选PTZ相机 图3 实验所选血压仪

1.2.2实验操作

为了检验基于PTZ相机的非接触式心率检测系统,实验环节安排被试者在不同的相机和人脸距离(0.5 m、1.0 m、1.5 m、2.0 m、2.5 m、3.0 m、3.5 m、4.0 m)下测量心率,以分析使用距离对于本实验系统的影响。之后由控制变量法设定相机的焦距为2倍,光照强度和距离不变时,让被试者分别以静止和上半身运动的状态进行30 s时长的测量。例如相机和人脸距离为2.0 m时,现场布置如图4所示。

图4 2.0 m距离时实验布置示意图

为了让相机测出无察觉状态下被试者的心率,静止状态只规定被试者头部保持静止,且不能以后脑勺朝向镜头,其余的面部及眼睛部位信息不作要求。

上半身运动状态规定:由上半身运动带动头部位置变化,导致相机镜头和眼睛连线由居中到倾斜至左侧60°,再到倾斜至右侧60°,最后回到居中。规定整个运动周期为10 s,每个距离的设定下连续运动三个周期。

特别说明,为了确保实验的科学性,所有实验均让被试者在被相机检测的同时,用血压仪检测出真实同步心率数据。例如让被试者提前佩戴血压仪,在静止组的相机与人脸距离为1.5 m实验过程中,运行程序。交互界面的结果如图5所示,血压仪检测结果如图6所示。

由图5可知,此时实验系统所测心率为64.1次/min。由图6可知,此时血压仪所测心率为66次/min。最后分别将静止组和运动组所得的各距离下两种心率测量方法的实验数据记录整合,再进行后续的数据处理与分析。

1.3 实验系统的介绍

1.3.1人脸检测

利用PTZ相机,为了实现能够捕捉定位并放大动态的人脸,就要在视频中精准检测到人脸形成定位捕捉框,并检测出尽可能多的关键点以便后续进行人脸关键点的预处理,去筛选出真正的面部皮肤像素点以便于后面的肤色检测。

参考于仕琪老师的人脸检测开源库,对于视频中的被试者进行人脸检测,得到68个人脸特征点。并将被试者的面部进行捕捉定位,得到人脸定位矩形框。

1.3.2皮肤检测

(1) 简介。经过人脸检测,得到68个人脸特征点以及人脸定位框。但是由于人脸定位框所选中的区域并不完全是想要的皮肤像素点,即包括眼镜和眼睛以及眉毛等无关信息。因此需要做一定的图像处理,初步筛选出明显不属于人脸皮肤的区域,然后再进行肤色检测。这样可以使得到的效果更加准确,也大大提高了算法的效率。

(2) 算法的比较与选用。对于所要用的皮肤检测的方法,经前期调研,可认为基于椭圆皮肤模型的皮肤检测在非机器学习方法中是比较准确的,另外,本文还参考了机器学习方法OCSVM(即单类支持向量机)。使用这一模型将获得的样本集合投影到高维空间里,基于此,再通过计算使得目标与坐标图的原点能大限度剥离开。

在不同的光照环境下测试OCSVM与椭圆皮肤模型两种皮肤检测算法,分析得出椭圆皮肤模型(即阈值法)的分割更为连续,且分割效果相较于OCSVM而言更好,则本文选用椭圆肤色模型进行肤色检测的研究。

(3) 椭圆肤色模型。首先,使用68个人脸特征点求凸包,即将最外侧人脸特征点连接成一个封闭区域。其次,以鼻子处特征点为中心做满水填充,生成所分割区域的图像掩码。最后得到预处理之后的区域部分,完成对图像中人面部的预处理。

关于皮肤检测,本文参考了传统的椭圆肤色模型,此算法针对像素点的分布情况,判断待检测像素点的位置是否不在限定区域(椭圆)之外去判断像素是否是皮肤像素。可以认为,本质上来说该算法属于一种阈值法。

通过此模型进行人脸皮肤关键点的筛选,去除掉眼镜和眼睛以及眉毛等无关信息,只保留毛细血管丰富的面部皮肤像素点区域,结果如图7所示。

图7 皮肤检测结果

1.3.3心率信号的提取

(1) 光流法提取rPPG信号。针对于前面皮肤检测步骤得到的被试者的面部皮肤像素点区域,本文用光流法去看其图里像素点活动的瞬时速度,检查时域内图像像素的转变以及相邻各图像间的一些联系。也可用这种办法去搜罗上一帧图像和目前帧的图像之间的那种关系,进而再由计算推广得出各相邻图像之间的目标各移动状态伴随的数据信息。通过光流法,能够捕捉上一帧图像中每个皮肤的像素在下一帧图像中的估计位置,从而获得两帧之间图像的相对位移量。

通过调研,选出两种光流算法,即以待选用。即Farneback光流算法和DIS光流算法。

Farneback光流算法会借由公式:f(x)=xTAx+bTx+c去对图像进行逼近,其中:x为像素矩阵;A、b、c为参数。对于每幅图像中的每个像素,要先定义一个有效的邻域,紧接着使用已定义的该邻域里(2n+1)×(2n+1)个像素点当成最小二乘法的样本点集合,就可以由此来调整所获得的图像的中心像素点的系数数据。对于某个像素点,假设原始灰度值是f(x),并且全局位移之后的值增加至f(x+d)。假设f(x)=f(x+d)。然后利用多项式的对应系数,能够求解出这个像素的全局位移d,最后获得图像的密集光流场。

DIS光流算法主要包含有3个方面:逆搜索,得到稠密的光流场,精细化搜索。

DIS算法最大的优点在于运算速度的提升,在单核CPU上,1 024×436分辨率可以达到300 Hz～600 Hz运行速率;包含图像预处理。OpenCV4中提供了DIS光流法的接口函数,其使用方式与Farneback算法在OpenCV中的接口函数类似[17]。

(2) 算法的比较与选用。针对于所选的Farneback光流算法和DIS光流算法,进行二者的比较和最终选用。

通过由DIS光流法进行计算后,会得到一个双通道图像(即光流flow),其中各通道分别包括x及y两个方向的位移,通过munsell颜色系统将其实现可视化。

DIS光流算法和Farneback光流算法的演示结果分别如图8和图9所示。可以看到,由DIS光流法得到的人脸区域光流信息较Farneback光流法更全面,且该算法运行的速度相较于Farneback光流法更快,则本文选用DIS光流算法。

图8 DIS光流法 图9 Farneback光流法

1.3.4PPG信号提取的精确化

通过使用DIS光流法得到相邻帧之间的像素对,然后对它们进行级联,在一个长的时间序列上将会得到若干个原始心率信号。但是,这种方法还是有弊端,头部的某些运动(比如转头)有可能导致某些像素在下一帧中丢失。

为了实现PPG信号的精确化提取,完善DIS光流算法的问题,参考论文《Exploiting Spatial-redundancy of Image Sensor for Motion Robust rPPG》。该文提到,在恒定的光照环境下,皮肤不同位置的像素呈现相同的相对PPG幅值。这意味着如果每个像素对的脉冲诱导的颜色变化被时域归一化,它们可以按照任意的顺序连在一起,从而得到一个长期的信号。相邻两帧之间的时域归一化的像素量可理解为:

(1)

借用Chrom法将时域归一化的RGB差值投影至色度面上(把脉冲信号定义成RGB通道的线性组合),如下:

(2)

(3)

(4)

式中:l是由滑动窗口定义的色度跟踪的间隔长度。本系统中,把l定为128帧。之后求滑动窗中的ppG信号为:

(5)

式中:α代表标准差。

(6)

注意,在上述过程中,局部像素的空间平均可以减少时间颜色正常化期间的量化误差。因此从人脸检测步骤开始对人脸ROI进行下采样(在OpenCV中,调用resize接口函数即可),这不仅降低了基于像素的rPPG传感器的噪声灵敏度,而且提高了DIS光流法的处理速度。选择下采样时,要斟酌关于尺寸的研究。考虑到精度和效率的大小,将人脸ROI区域均匀下采样至宽度为40像素的比例,下采样的比例由第一帧图像的人脸尺寸确定。

1.3.5利用PCA降维

在数据处理时,特征维度很可能比样本数量多很多,那样的话效果不一定利于实操。有两方面的原因:(1) 噪声影响机器运算的效果;(2) 因为无法避免地造成计算量增加,会导致时间复杂度和空间复杂度不必要地增加。为了解决这些问题,就要进行数据转换:关于特征维度高的问题就要进行降低维度的处理;为了减少噪声并且降低计算量,就需要消除一些特征之间的相关性。则可以选用PCA技术。将原始数据的特征空间投影至较小的子空间,以尽可能丧失少的信息去表达。为了更好地去表达数据,就进行降维并从子空间内得到数据信息。

之前提取出来的PPG心率信号是k个面部皮肤像素点组成的多维k×54矩阵,不利于实操分析。则本实验系统利用PCA技术将这些多维心率信号降成一维的心率信号。即将k×54矩阵进行数据的降维,降维到矩阵X(一个1×54矩阵)。

利用PCA技术得到的在一段时间内的心率信号如图10所示。

图10 一段时间内得到的心率信号

1.3.6用傅里叶变换计算心率信号

由上一步的PCA技术得到一段时间内的心率信号是处于时域状态的结果,因为要求得被试者心率数据,要得到频率值,则要将得到的时域心率信号转换到频域进行分析,寻找最高峰值处的数值即为被试者的心率数值。

由傅里叶变换去达到分析信号分量的目的,也能够操纵这些分量合成某信号,并使用正弦波作为信号分量。关于f(t)的傅里叶变换如式(7)所示。

(7)

式中:f(t)是F(ω)的原像。

在OpenCV中dft函数可以实现关于离散信号的傅里叶变换过程,将心率信号转换到频率域去算心率信息。首先找到频域中的峰值pmax,然后利用公式bpm=pmax×fps/total×SEC_PER_MIN,其中:fps为视频帧率;total为处理一组视频的帧数(在本系统中固定为54);SEC_PER_MIN为常数60。

经过傅里叶变换后得到频域的心率信号如图11所示。

图11 心率信号的频域结果

由图11可见,频域图中的最高点即为心率数据采集点,在该峰值处的心率数值传至含有人脸的视频页面,显示此时被试者的心率数值。

2 实验结果及相关分析

2.1 静止状态的测量

2.1.1实验测量

根据前面介绍的方案,在不同的相机与人脸距离下,做静止组实验并将心率数据统计整合,结果如表1所示。

表1 静止状态下的心率测量结果

2.1.2实验系统的精确度分析

由表11中数据计算出各距离下,两种心率测量方式测量结果的平均绝对误差为1.30次/min,误差的标准差是2.073 5次/min以及均方根误差为1.554 8次/min。

结果表明,在不同的机脸距离下,两种测量方法的平均绝对误差小于2.00次/min,不超过中华人民共和国医药业的误差标准5次/min,误差的标准差小于2.1次/min,均方根误差小于1.7次/min,这表明被试者静止状态下,实验系统和血压仪测量的结果非常接近,具有一定的准确性。

2.1.3一致性分析

在医学领域里,要画出B-A散点图去评估实验系统和血压仪两种心率测量方法的一致性,即检验实验系统的科学性。

借助MedCalc软件绘制两种心率测量方法的B-A图,结果如图12所示。

图12 静止状态的Bland-Altman数据分析图

关于图12,Mean线表示误差平均值线,SD代表标准差,±1.96 SD表示95%的置信区间。一般而言,从指标显示,二者的差值平均数越接近0,95%置信区间的范围程度越小时,可认为本实验系统和血压仪这两种心率测量方法的一致性越高,即本实验系统的准确度越高,科学性越强。

从图12可知,在被试者静止状态的情况下,实验系统和血压仪这两种心率测量方法的心率结果的差值平均数为-1.3次/min,取绝对值后为1.3次/min,95%置信区间为-3.1～+0.5 次/min,则可认为被试者静止状态下,本实验系统和血压仪这两种心率测量方法的一致性较高、即本实验系统的准确度较高,科学性较强。

2.2 上半身运动状态的测量

2.2.1实验测量

根据前面介绍的方案,在不同的机脸距离下,做运动组实验并将心率数据统计整合,结果如表2所示。

表2 上半身运动状态下的心率测量结果

2.2.2实验系统的精确度分析

由表13中数据计算出各距离下,两种心率测量方式测量结果的平均绝对误差为0.987 5次/min,误差的标准差是2.379 3次/min以及均方根误差为1.184 8次/min。

结果表明,在不同的相机与被试者面部距离下,两种测量方法的平均绝对误差小于1.00次/min,不超过中华人民共和国医药行业的规定误差标准(即误差控制在不超过5次/min),误差的标准差小于2.4次/min,均方根误差小于1.2次/min,这表明被试者在运动状态下,实验系统具有较高的准确性。

2.2.3一致性分析

借助MedCalc软件绘制运动状态下,两种心率测量方法的B-A图去分析二者的一致性,结果如图13所示。

图13 上半身运动状态的Bland-Altman数据分析图

从图13可知,在被试者上半身状态的情况下,实验系统和血压仪这两种心率测量方法的心率结果的差值平均数为-1.0次/min,取绝对值后约为1.0次/min,95%置信区间为-2.4～+0.4次/min,则可认为被试者上半身运动状态下,本实验系统和血压仪这两种心率测量方法的一致性较高,实验系统科学性较强。

2.3 两种被试者测量状态的比较与总结

通过前面统计的心率数据,比较静止状态与上半身运动状态这两种被试者实验状态组的平均绝对误差、误差的标准差、均方根误差,发现均符合测量标准,且变动不大。

通过Bland-Altman图,比较静止状态与上半身运动状态这两种被试者实验状态组的差值平均值的绝对值以及95%置信区间,发现变动不大,且符合检测标准。

则本实验系统对于静止以及上半身运动的人来说,均可进行精确度较高的心率测量,对非接触式测心率的研究有参考意义。

3 结 语

医学行业测量心率,大部分都要和人的皮肤接触,可能会因为被试者的心理波动造成数据不准确,还可能会引发被测人员的皮肤问题。在一些特殊时期,比如传染性较高的疫情期间,人为接触式测量可能会涉及对人力资源的要求。以及为确保不传染,对接触式测量仪器的无菌性要求,对于测量与被测量人员的安全性要求。则非接触式的心率检测具有很大的应用前景。

本文中采用PTZ相机作为非接触式检测心率的媒介。该相机系统可自动调焦,结合云台控制系统得到分辨率适宜的视频图像(捕捉目标至视频中心处)。在操作相机系统的自动巡航功能捕捉到人脸目标后,进行视频处理。借助经比较后所选的椭圆肤色模型将得到的人脸框和特征点区域进行皮肤检测。针对于提取到的皮肤像素点,结合经过预先挑选比较后的采用的DIS光流法精确提取其PPG信号。再由PCA技术降维整合得到时域的心率信号,最后借助傅里叶变化得到频域的心率信号,读取得到心率数据。分别在静止与上半身运动这两种被试者状态下,各进行八组不同距离的对比实验,求出各组的实验值与血压仪测量值的平均绝对误差、误差的标准差、均方根误差,并绘制了B-A一致性分析图去判断95%置信区间的范围,由数据分析证明出本实验系统与血压仪测量这两种测量方法的一致性较强,即证明实验系统具有一定的准确性。

目前关于非接触式心率检测,一些学者采用自适应去噪进行心率检测。本文的准确性较之更为优良,且不亚于同类的多数其他文章里的实验系统,存在科学应用性。

同类大多数文章所采用的摄像头均为固定式摄像头或者某个固定摄像头平台,只能捕捉一定角度范围内的人脸目标。本文选用PTZ相机作为视频处理的媒介就具有很大的应用优势。因为应用于现实中,所测之人当时不一定保持静止,则基于PTZ相机,编写程序调用其360°全方位自动巡航的功能就可以全方位捕捉在附近运动任意角度的人的面部,具有更大的应用型优势。

同类一些文章的实验中,被试者直视摄像头进行信息采集,一定程度上会对被试者的心理造成波动,得到的心率数据不一定准确。本文在用相机采集人脸时,被试者多数以侧面朝向镜头,且注意力不在相机镜头上,一定程度实现了无察觉的心率测量,且得到的数据具有一定的准确度。应用到现实中就可以将PTZ相机进行隐蔽处理,从而使人在未知的情况下被采集信息,解决了强制直视镜头进行信息采集导致数据说服力可能不足的问题,从而提升了最终数据的生态效度。

对于应用距离的远近程度,本文的实验系统的检测距离由0.5 m到4.0 m。通过数据可知,具备一定的准确性。通过猜想和分析,当应用距离即相机与人脸间距大于4.0 m时依然存在可观的准确性,但是还未经证实,目前仍在研究,已获得的成果已达预期的目的,实现了显著的效果,且具有一定的科学性。基于PTZ相机的非接触式心率检测有了很大优势。