CN102309318A - 基于红外序列图像的人体生理参数检测的方法 - Google Patents

Abstract

本发明提出了一种应用红外序列图像检测人体生理参数的方法，实现了心率、呼吸的非接触式测量，具体的技术方案如下：第一步：构建红外动态图像采集系统，由以下三部分组成：FLIR红外长波传感器，大恒图像采集卡及视频存储工作站；第二步：利用上述系统采集受试者的红外序列图像，并对序列图像滤除头部的不规则运动；第三步：选取太阳穴处为感兴趣区，利用重心法从感兴趣区提取时间序列信号；第四步：对提取的时间序列信号进行经验模式分解；第五步：对经验模式分解的结果进行频谱分析，识别呼吸及心率信号。本发明实现了应用红外序列图像进行心率、呼吸的非接触式测量，在人脸特征信息识别和临床术中生理特征监控中具有较好的应用价值。

Description

基于红外序列图像的人体生理参数检测的方法

技术领域

本发明涉及一种应用红外序列图像检测人体生理参数的方法。通过记录人体面部太阳穴处的红外序列图像，然后结合重心法、经验模式分解及自回归模型频谱分析等实现信号提取和识别，最终完成呼吸及心率的无损，非接触式的测量。

背景技术

呼吸和心率是人体最重要的生理参数，他们实时反映着人体的生理状态及健康信息，在某些疾病发展过程中，心率及呼吸等生理参数会发生异常变化，但在通常条件下，尤其在家用环境中，人们对自身呼吸及心跳的变化不容易查觉，因此一种方便的适于家用的生理参数检测系统便具有很高的实际应用价值。

常用的呼吸检测手段大概有以下几种：1通过放置在鼻孔通气处的热电偶记录呼气及吸气时空气温度的变化实现呼吸的测量。2通过绑置在胸口的传感器记录胸口呼气及吸气时胸口压力及运动位移的变化来实现呼吸的测量。

常用的心率的检测方法主要有以下几种：1通过光电方法检测手指末端血液容积的变化以实现心率测量。2通过放置在体表皮肤电极的电位变化来实现心率的测量。3通过放置在桡动脉处的压力传感器记录血管脉动时的压力变化实现心率的测量。

以上这些测量方式在实验室及医院中有着广泛的应用，但是在家用环境中，普通人对这些测量方法不够熟悉，操作上的麻烦及这些测量方法直接或间接地接触人体可能会干扰测量状态，这些因素限制了常用的接触式测量方法在家庭环境中的应用。

红外辐射是在可见光之外直至与毫米波相接，处于0.7μm-300μm的电磁波段，是人眼看不到的光线。自然界中凡是温度高于绝对零度(-273℃)的任何物体都能产生红外辐射，皆可视为红外辐射源，人体也是一个红外辐射源，其辐射的峰值波长为9.348μm，根据人体的热辐射特性，选取与之匹配的红外探测器探测人体的热辐射，根据测得辐射量的大小，便可知道温度的高低。

热红外技术用来获取人体表面信息的优点：不接触体表，无副作用，可以反复多次进行，可以在短时间内获取全身的皮肤温度从而获得人体机能状态的大量信息，操作简便，测定部位与温度之间可以做定量的分析。

经验模式分解由Huang于1998年提出，它是基于数据局部特征的，它可把复杂的数据分解成有限的固有模式函数分量，由于分解是基于信号时域局部特征的，因此分解是自适应的，特别适合用来分析非平稳非线性的时间序列信号，它能清晰地分辨出交叠复杂数据的内蕴模式，因此在很多领域具有广泛的应用。

发明内容

本发明所解决的主要技术问题是利用构造的红外动态图像采集系统实现呼吸及心率信号的无损非接触的测量。本发明所采用的技术方案如下：

1根据提取的面部皮肤区域的质心的变化来滤除序列图像中头部的平面运动

2对感兴趣区应用重心法提取时间序列信号，重心法的应用弥补了所构建红外动态图像采集系统温度敏感度低的问题，使提取的时间序列信号能够全面反映感兴趣区的温度变化趋势。

3对时间序列信号进行经验模式分解，经验模式分解无需采用信号的先验知识，分解过程完全由数据自身驱动，基函数本身就是自适应地从原信号中分解而得，是后验的，克服了其他信号分析方法的诸多不足。

4对经验模式分解的结果进行自回归功率谱分析，实现对特征信号的识别，克服了傅里叶变化中谐波分量对结果识别的影响。

本发明具有如下优点：

(1)对受试者在红外传感器视场平面的头部运动进行分析，通过质心法去除了以呼吸运动为主的头部视场面运动的干扰，使得感兴趣区在每帧图像中保持在相同的位置，这样通过每帧图像感兴趣区提取的信号才能可靠地反映血管脉动变化信息。

(2)对感兴趣区进行重心法分析，重心法既考虑了像素的位置信息，又考虑了像素的灰度值信息，从而更全面的记录了感兴趣内血管脉动产生的温度变化信息。

(3)利用经验模式分解对时间序列信号进行了特征信号分离，经验模式分解完全由数据自身驱动，避免了小波变换需要在信号分析之前选择适当小波基的局限。

(4)利用自回归模型进行功率谱分析，克服了传统傅里叶变换后信号谐波分量对结果识别的影响。

(5)实现了利用红外序列图像进行心率、呼吸的无损非接触式检测，该方法实现方便，操作简单可广泛的应用在家用及术中监控等场合。

附图说明

图1本发明的方法流程图

图2重心法得到的时间序列信号

图3经验模式分解的结果

图4心率信号频谱分析的结果

图5呼吸信号频率分析的结果

具体实施方式

1构建红外动态图像采集系统

红外动态图像采集系统由以下三部分组成：1 FLIR红外长波传感器(NETD＜90mk at 30℃)，2大恒图像采集卡(VT140)，3计算机工作站(DELL precision T5500)。

2红外序列图像的采集

红外视频采用PAL格式，帧速度为25帧/秒，存储格式为8bit的灰度图像，灰度值的大小与被测温度的高低成线性关系，分辨率为768pixel*576pixel。受试者在被检测之前，必须先在检查室内休息15分钟以上，以适应环境温度达到热平衡状态。然后受试者平静地坐在椅子上，同时要求受试者在采集的时候不能任意转动头部，因为考虑到长时间采集图像会引起受试者很多的头部无规则的运动，并且心率呼吸信号本身就是非平稳信号，长时间信号的频谱分析结果并不能代表此信号的瞬时频率值，因此实验采集时间被设置为20s。红外传感器对准受试者的左太阳穴处进行图像采集，采集的视频流通过图像采集卡实时存储在计算机工作站中。

3头动去除方法

受试者虽被要求不能任意的左右转动头部，但在试验过程中受到呼吸运动的影响，受试者头部会在红外传感器视场平面上下或前后运动，为此提出了以下步骤进行处理：

由于面部皮肤温度相对周围组织温度较高，因此可对采集的灰度序列图像取经验阈值，通过该阈值将灰度图像转换为二值图像，使该二值图像能够较清晰地分辨出面部皮肤区域，然后计算该区域的重心，每帧图像重心坐标的变化反映了受试者头部在红外传感器视场平面的运动位移，具体公式如下：

hormotion(i)＝centroid(i).x-centroid(1).x；

vermotion(i)＝centroid(i).y-centroid(1).y；i＝1，2，3........500

Centroid(i)代表第i帧图像的质心坐标，分别与初始帧的质心坐标相减，从而得到质心坐标在水平方向及垂直方向的运动趋势，即受试者的头动位移。

4感兴趣区的选取

因为测量采用的红外传感器是比较低端的非制冷型传感器，所以在图像中不能直接得到太阳穴处血管的精确位置，但从灰度对比度上，包含血管的区域的灰度平均值比周围组织的温度要高一些，因此，可在太阳穴区域选取一个具有较高灰度值的方形区域作为感兴趣区，通常该方形区域的面积会比较大，以确保该感兴趣区内有血管的存在。

5重心法

感兴趣区的选择决定了只通过记录血管位置像素灰度值的变化来构成时间序列信号是达不到的，因此，本发明应用了重心法：

定义感兴趣区内坐标为(m，n)上的像素f(m，n)的(p+q)阶距为

$k_{\mathrm{pq}}=\underset{m}{\mathrm{\Σ}}\underset{n}{\mathrm{\Σ}}{m}^p{n}^{q}f(m,n)$

由上面的定义可知k₀₀是f(m，n)灰度的总和。对一阶距k₀₁和k₁₀，以k₀₀标准化后，可以求出感兴趣区的重心坐标G(m_G，n_G)，即

$m_G=\frac{k_{10}}{k_{00}},$ $n_G=\frac{k_{01}}{k_{00}}$

由于血管内的血流脉动，感兴趣区的重心是在不断变化的，因此可以构成对应的时间序列信号。

6时间序列信号的获取

在序列图像第一帧中先将感兴趣区左上角坐标确定下来，然后根据上面提取出的受试者头部的运动趋势，在随后的帧图像中，感兴趣区左上角点的坐标随着提取的运动趋势而改变，然后计算每帧图像中的感兴趣区的重心与左上角点之间的距离的变化，从而得到由500个点组成的时间序列信号。结果见图2。

7对时间序列信号进行经验模式分解

经验模式分解是将信号分解为一系列固有内在函数的和，固有内在函数定义为具有等量的或至多差一个的极值点(极大，极小)和过零点的函数，算法实施如下：

画出信号的上下包络线，计算上下包络线的平均值，把原始信号与求得的平均值信号相减，如果所得的信号不满足固有内在函数的定义，则用相减之后的信号代替原信号，若满足固有内在函数的定义，则检查相减信号的差值，若最后的差值满足相应的预先设定的停止标准，则信号经验模式分解筛选过程结束，若不满足，则重复以上步骤，直至满足停止标准。分解结果见图3。

8频谱分析

对于经验模式分解的结果，由于得到的固有内在函数频率按先后顺序是从高到低递减的，因此，可选取频谱分析结果落在心率及呼吸对应频带范围内的固有内在函数(IMF)作为测量结果，本方法选取了IMF3和IMF5做为心率及呼吸的检测结果，频谱分析采用自回归模型功率谱分析，P阶自回归模型表达式为：

$x\left(n\right)=-\underset{k=1}{\overset{p}{\mathrm{\Σ}}}a\left(k\right)x(n-k)+w\left(n\right)$

a(k)是自回归模型的系数，w(n)是方差为σ²的白噪声序列。

则功率谱分析为：

$p_{\mathrm{AR}}\left(f\right)=\frac{{\mathrm{\σ}}^2}{{\left|A\left(f\right)\right|}^2}$

这里A(f)＝1+a^-j2πf+.........+a_pe^-j2πf.频谱分析结果见图4，5，所测结果与接触式测量结果非常接近。

综上所述，本发明通过构建一种新的红外动态图像采集系统，提出一种新的算法分析并处理了人体面部太阳穴处红外序列图像，并从中提取了呼吸、心率等有意义的信号，该测量过程无需接触人体，测量结果比较精确，具有明显的实际应用价值。

以上所述的，仅为本发明的较佳实施例，并非用以限定本发明的范围，即凡是依据本发明申请的权利要求书及说明书内容所做的简单的、等效变化及修饰，皆落入本发明专利的权利要求保护范围。

Claims (3)

1.一种基于红外序列图像的人体生理参数检测的方法，包含有如下步骤：

第一步：构建红外动态图像采集系统，由以下三部分组成：FLIR红外长波传感器，大恒图像采集卡及视频存储工作站；

第二步：利用上述系统采集受试者的红外序列图像，并对序列图像滤除头部的不规则运动；

第三步：选取头部太阳穴处为感兴趣区，利用重心法从感兴趣区提取时间序列信号；

第四步：对提取的时间序列信号进行经验模式分解；

第五步：对经验模式分解的结果进行频谱分析，识别呼吸及心率信号。

2.如权利要求1所述的基于红外序列图像的人体生理参数检测方法，其第二步包括，利用序列图像中面部皮肤区域的质心坐标变化，提取受试者头部运动曲线，从而剔除受试者头部不规则运动带来的噪声干扰。

3.如权利要求1所述的基于红外序列图像的人体生理参数检测方法，其第三步包括，利用重心法，从感兴趣中提取有意义的时间序列信号，重心法既考虑了感兴趣区坐标的位置变化，也考虑了靠兴趣区的像素灰度值变化。

Images