CN105678780A - 一种去除环境光变化干扰的视频心率检测方法 - Google Patents

Abstract

本发明公开了一种去除环境光变化干扰的视频心率检测方法，首先获得面部感兴趣区域数据集和背景区域数据集，利用联合盲源分离技术对两个数据集进行处理，将共同拥有的环境光变化的信号源提取并置零，得到无环境光变化干扰的面部感兴趣区域数据集；其次选择最佳颜色通道的面部感兴趣区域数据，利用总体平均经验模态分解法得到本征模式分量；接着将所有最大幅值对应的频率处于所设定心率范围内的本征模式分量确定为候选本征模式分量集，并将其中最大幅值所对应的本征模式分量确定为最佳本征模式分量，通过峰值检测算法得到视频心率。本发明为非接触式心率检测提供了更准确的算法，在临床疾病诊断和日常的医疗保健方面具有重要的应用前景。

Description

一种去除环境光变化干扰的视频心率检测方法

技术领域

本发明属于生物图像信息的技术领域，尤其涉及一种去除环境光变化干扰的非接触式视频心率检测方法。

背景技术

心率是人体生命活动的重要生理参数之一。它是指单位时间内心脏搏动的次数，一般是每分钟心脏搏动的次数(beatperminute，bpm),是临床常规诊断的生理指标，对慢性疾病，例如心力衰竭、心房颤动和睡眠呼吸暂停等的诊断具有重要意义。

常规的临床心率检测仪器一般需要与人体进行直接接触。接触式主要包括心电图、胸带、脉冲血氧仪等常规测量方法，由于准确率高，广泛应用于医学临床、急救和社区医疗等场合。但是，有些测量方式需要使用导电凝胶，有些需要采用胸带进行捆绑，使用吸附电极作用于胸部，或使用弹簧夹夹在耳垂或手指等部位。这些电极接触方式长期作用时可能会引起皮肤刺激或者疼痛等不适。近些年来，非接触式心率检测方法引起了广泛的关注，它克服了传统接触式方法的不足，能够满足一些特殊情况的使用要求，例如，重症监护室、长期连续监测、家庭医疗、航天医疗等环境。根据测量原理不同，非接触式心率测量可以分为电容耦合心电图、微波多普勒雷达、超声多普勒雷达、光学心振动图、热成像、图像光电容积描记(imagingphotoplethysmography，iPPG)等技术，其中，新近兴起的iPPG生理参数监测技术，由于其设备要求较低，成本不高，并且能够做到随时随地舒适方便的监测，引起了国内外学术界的广泛关注。

iPPG技术实质上是通过摄像头获取连续人体视频图像信号，由于心脏的周期性收缩和舒张会引起体表血管容积发生周期性改变，从而导致体表入射光路径长度及入射角度发生变化，引起反射光强度产生相应变化，这种变化能够反映心血管活动的规律，通过视频图像来捕捉这些细微的变化，经过人脸识别和盲源分离技术，可以得到心率(heartrate，HR)。但是，盲源分离一般适用于较小幅度和慢速的运动伪迹视频心率检测，即要求测试者保持相对静止(或较小幅度的慢速运动)和环境光保持稳定。然而，实际应用时不可避免会引入运动伪迹和环境光变化。由于心脏搏动引起的体表血管容积的变化远远小于运动伪迹和环境光变化带来的变化，如何消除这两种因素的影响对于视频心率检测方法的推广使用具有重要研究意义。近年来已有不少研究学者从消除运动伪迹的影响方面出发，提高了心率测量的准确性，但却鲜见关于环境光变化方面的报道。因此，设计一种有效的方法来去除环境光变化对视频心率检测的影响迫在眉睫。

发明内容

本发明为克服现有技术的不足之处，提供了一种视频检测心率中去除环境光变化干扰的方法，以期能去除环境光变化对视频心率检测的影响，从而提高视频心率检测的准确性。

本发明为解决技术问题所采用如下技术方案：

本发明一种去除环境光变化干扰的视频心率检测方法的特点是按如下步骤进行：

步骤1：获取I帧视频图像；对I帧视频图像计算N个颜色通道的面部感兴趣区域的平均像素，获得面部感兴趣区域数据集X＝[X₁,X₂,…,X_n,…,X_N]^T；X_n表示第n个颜色通道的面部感兴趣区域数据；并对I帧视频图像计算N个颜色通道的背景区域的平均像素，获得背景区域数据集Y＝[Y₁,Y₂,…,Y_n,…,Y_N]^T；Y_n表示第n个颜色通道的背景区域数据；

并有，X_n＝[x₁ ⁽ⁿ⁾,x₂ ⁽ⁿ⁾,…,x_I ⁽ⁿ⁾]；x_I ⁽ⁿ⁾表示第n个颜色通道的面部感兴趣区域的第I个平均像素；Y_n＝[y₁ ⁽ⁿ⁾,y₂ ⁽ⁿ⁾,…,y_I ⁽ⁿ⁾]；y_I ⁽ⁿ⁾表示第n个颜色通道的背景区域的第I个平均像素；

步骤2：采用联合盲源分离法对所述面部感兴趣区域数据集X和背景区域数据集Y进行处理，获得混合矩阵解混矩阵面部感兴趣区域的典型相关变量集 $Z_X={\[Z_1^{\left(X\right)},Z_2^{\left(X\right)},...,Z_p^{\left(X\right)},...,Z_P^{\left(X\right)}\]}^T$ 和背景区域的典型相关变量集 $Z_Y={\[Z_1^{\left(Y\right)},Z_2^{\left(Y\right)},...,Z_p^{\left(Y\right)},...,Z_P^{\left(Y\right)}\]}^T;$ 表示面部感兴趣区域的第p个典型相关变量，表示背景区域的第p个典型相关变量，1≤p≤P，P表示典型相关变量的个数；且面部感兴趣区域的典型相关变量集和背景区域的典型相关变量集中的P个典型相关变量均是按两者的相关系数大小进行降序排列；

并有z_I ^(X)(p)表示第I帧视频图像中面部感兴趣区域的第p个典型相关变量值；z_I ^(Y)(p)表示第I帧视频图像中背景区域的第p个典型相关变量值；则所述面部感兴趣区域数据集X＝AZ_X；背景区域数据集Y＝AZ_Y；

步骤3、设定相关系数阈值，并将面部感兴趣区域的典型相关变量和背景区域的典型相关变量的相关系数与所设定的相关系数阈值进行比较，若超出相关系数阈值，则将超出所述相关系数阈值的面部感兴趣区域的典型相关变量和背景区域的典型相关变量均作为环境光变化的典型变量；

步骤4、获取超出所述相关系数阈值的面部感兴趣区域的典型相关变量的个数Q；并将面部感兴趣区域的典型相关变量集Z_X中的前Q个的典型相关变量均置为零；从而形成不包含环境光变化的面部感兴趣区域的典型相关变量集

步骤5、利用式(1)获得不包含环境光变化的面部感兴趣区域数据集 表示第n个颜色通道中不包含环境光变化的脸部感兴趣区域数据：

$\tilde{X}=A{\tilde{Z}}_X---\left(1\right)$

步骤6、利用氧合血红蛋白吸收率选择所述N个颜色通道中第best个最佳颜色通道；第best个最佳颜色通道具有最大的氧合血红蛋白吸收率；

步骤7、利用总体平均经验模态分解法将所述第best个最佳颜色通道中不包含环境光变化的脸部感兴趣区域数据分解成为L个本征模式分量S＝[S₁,S₂,…,S_l,…,S_L]^T；S_l表示第l个本征模式分量；

步骤8：定义候选本征模式分量集，并初始化为空；初始化l＝1；

步骤9、计算第l个本征模式分量S_l的频谱图，判断第l个频谱图中的最大幅值所对应的频率分量是否处于所设定的感兴趣的心率范围内，若处于，则将第l个本征模式分量S_l加入候选本征模式分量集中；否则直接执行步骤10；

步骤10、将l+1赋值给l；并返回步骤9；

步骤11、比较候选本征模式分量集中每个本征模式分量频率的最大幅值，选取最大的最大幅值所对应的本征模式分量作为最佳本征模式分量，对所述最佳本征模式分量采用峰值检测算法获得视频心率检测结果。

与现有技术相比，本发明的有益效果体现在：

1、本发明通过采用联合盲源分离法对面部感兴趣区域数据集和背景区域数据集进行处理，可以将面部感兴趣区域和背景区域共同包含的环境光变化的典型相关变量恢复出来，并且采用联合盲源分离法可以保证环境光变化的典型相关变量子在面部感兴趣区域和背景区域数据集中是对齐的。之后将环境光变化的典型相关变量置零，就可以得到不包含环境光变化的脸部感兴趣区域数据集。这样带来的直接好处是，即便是环境光变化引起视频图像的变化远远大于心脏周期性跳动带来的视频图像的变化，或环境光变化的频率和心率频率接近，该环境光变化均能被抑制。而传统的盲源分离方法，一方面无法将淹没在环境光变化中的心率信号很好地分离出来，另一方面结合带通滤波器等手段无法适应干扰频率和心率频率接近的情景。

2、本发明在获得不包含环境光变化的面部感兴趣区域数据集中将具有最大氧合血红蛋白吸收率的颜色通道确定为最佳颜色通道，通过选取具有最强的体积描记信号的颜色通道进一步保证视频检测心率的准确性。

3、本发明总体平均经验模态分解法具有将非平稳的时间序列分解为有限个数的本征模式分量，从而进一步消除其他噪声和可能的环境光变化残留噪声的影响，得到准确的视频心率检测结果。

综上所述，本发明充分利用了联合盲源分离法的优势，不仅考虑了单个数据集的信号源，更加强调了面部感兴趣区域数据集和背景区域数据集共同包含的信号源。由于环境光变化时，脸部感兴趣区域和背景区域均包含该环境光变化信息，利用联合盲源分离技术可以将这两个区域共同包含的环境光信息源提取出来并消除，从而实现环境光变化情况下视频心率的有效检测。较之前的方法，本发明方法能够更好地去除噪声干扰，为非接触式心率检测提供了更准确的算法，在临床疾病诊断和日常的医疗保健方面具有重要的应用前景。

附图说明

图1为本发明方法的流程图；

图2-1本发明方法的面部感兴趣区域示意图；

图2-2本发明方法的背景区域示意图；

图3-1环境光变化时得到本发明方法的原始的面部感兴趣区域数据集和背景区域数据集；

图3-2利用本发明方法得到的典型相关分量集；

图3-3利用本发明方法得到的无环境光变化干扰的面部感兴趣区域数据集；

图4-1以1Hz环境光变化为例，本发明方法得到的本征模式分量的示意图；

图4-2以1Hz环境光变化为例，本发明方法得到的本征模式分量对应的频谱图；

图5-11Hz脉冲波环境光变化时，利用现有的独立成分分析方法得到的独立分量及其频谱图；

图5-20.5Hz方波环境光变化时，利用现有的独立成分分析方法得到的独立分量及其频谱图；

图6-10.1Hz环境光变化时，基于现有的单独绿色通道总体平均经验模态分解方法得到的本征模式分量及其频谱图；

图6-20.5Hz环境光变化时，基于现有的单独绿色通道总体平均经验模态分解方法得到的本征模式分量及其频谱图；

图6-31Hz环境光变化时，基于现有的单独绿色通道总体平均经验模态分解方法得到的本征模式分量及其频谱图；

图6-43Hz环境光变化时，基于现有的单独绿色通道总体平均经验模态分解方法得到的本征模式分量及其频谱图1Hz环境光变化；

图6-55Hz环境光变化时，基于现有的单独绿色通道总体平均经验模态分解方法得到的本征模式分量及其频谱图；

图7-10.1Hz环境光变化时，基于本发明方法得到的本征模式分量及其频谱图；

图7-20.5Hz环境光变化时，基于本发明方法得到的本征模式分量及其频谱图；

图7-31Hz环境光变化时，基于本发明方法得到的本征模式分量及其频谱图；

图7-43Hz环境光变化时，基于本发明方法得到的本征模式分量及其频谱图；

图7-55Hz环境光变化时，基于本发明方法得到的本征模式分量及其频谱图；

图8三种方法检测心率的绝对误差分布。

具体实施方式

本实施例中，一种去除环境光变化干扰的视频心率检测方法，如图1所示。首先获得面部感兴趣区域数据集和背景区域数据集，利用联合盲源分离技术对两个数据集进行处理，将共同拥有的环境光变化的信号源提取并置零，得到无环境光变化干扰的面部感兴趣区域数据集；其次选择最佳颜色通道的面部感兴趣区域数据，利用总体平均经验模态分解法得到本征模式分量；接着将所有最大幅值对应的频率处于所设定心率范围内的本征模式分量确定为候选本征模式分量集，并将其中最大的最大幅值所对应的本征模式分量确定为最佳本征模式分量，通过峰值检测算法得到视频心率。具体的说，以真实采集到的30s视频数据来说明，是按如下步骤进行：

步骤1：利用摄像头等视频捕获设备，采集一段时间的视频数据，本实施例中，视频数据采集速率为30帧/秒，分辨率为640×480。获取I帧视频图像；对I帧视频图像计算N个颜色通道的面部感兴趣区域的平均像素，获得面部感兴趣区域数据X＝[X₁,X₂,…,X_n,…,X_N]^T；X_n表示第n个颜色通道的面部感兴趣区域数据；并对I帧视频图像计算N个颜色通道的背景区域的平均像素，获得背景区域数据集Y＝[Y₁,Y₂,…,Y_n,…,Y_N]^T；Y_n表示第n个颜色通道的背景区域数据；具体地，采用特征点定位算法得到每一帧视频图像的面部特征点，在本实施例中，面部特征点的个数有66个，如图2-1所示。选取较少数量的主要特征点构成多边形，该多边形内部的所有像素点就构成了面部感兴趣区域，本实施例中，共选取了9个主要特征点，构成的多边形如图2-1所示。面部感兴趣区域选取的基本原则是：(1)该区域包含的所有像素点应该落在人脸内部；(2)由于眨眼等行为会影响视频心率的检测，脸部区域最好不要包括进来。采用主动轮廓算法进行前景和背景区域的分离，得到背景区域如图2-2所示。

并有，X_n＝[x₁ ⁽ⁿ⁾,x₂ ⁽ⁿ⁾,…,x_I ⁽ⁿ⁾]；x_I ⁽ⁿ⁾表示第n个颜色通道的面部感兴趣区域的第I个平均像素；Y_n＝[y₁ ⁽ⁿ⁾,y₂ ⁽ⁿ⁾,…,y_I ⁽ⁿ⁾]；y_I ⁽ⁿ⁾表示第n个颜色通道的背景区域的第I个平均像素；

步骤2：采用联合盲源分离法对面部感兴趣区域数据集X和背景区域数据集Y进行处理，其中数据集X和Y如图3-1所示，由于本实施例中采用的摄像头只有RGB三个颜色通道，因此数据集X和Y的颜色通道数N＝3，获得混合矩阵解混矩阵面部感兴趣区域的典型相关变量集和背景区域的典型相关变量集典型相关变量集Z_X和Z_Y如图3-2所示。表示面部感兴趣区域的第p个典型相关变量，表示背景区域的第p个典型相关变量，1≤p≤P，P表示典型相关变量的个数；且面部感兴趣区域的典型相关变量集和背景区域的典型相关变量集中的P个典型相关变量均是按两者的相关系数大小进行降序排列；

并有z_I ^(X)(p)表示第I帧视频图像中面部感兴趣区域的第p个典型相关变量值；z_I ^(Y)(p)表示第I帧视频图像中背景区域的第p个典型相关变量值；则面部感兴趣区域数据集X＝AZ_X；背景区域数据集Y＝AZ_Y；

步骤3、设定相关系数阈值，并将面部感兴趣区域的典型相关变量和背景区域的典型相关变量的相关系数与所设定的相关系数阈值进行比较，若超出相关系数阈值，则将超出相关系数阈值的面部感兴趣区域的典型相关变量和背景区域的典型相关变量均作为环境光变化的典型变量；在本实施例中，设定相关系数阈值为0.95，将超出相关系数阈值的面部感兴趣区域的典型相关变量和背景区域的典型相关变量作为环境光变化的典型变量。

步骤4、获取超出相关系数阈值的面部感兴趣区域的典型相关变量的个数Q；在本实施例中，Q＝1。并将面部感兴趣区域的典型相关变量集Z_X中的前Q个的典型相关变量均置为零；从而形成不包含环境光变化的面部感兴趣区域的典型相关变量集

${\tilde{Z}}_X={\[{\tilde{Z}}_1^{\left(X\right)},{\tilde{Z}}_2^{\left(X\right)},...,{\tilde{Z}}_p^{\left(X\right)},...,{\tilde{Z}}_P^{\left(X\right)}\]}^T;$

步骤5、利用式(1)获得不包含环境光变化的面部感兴趣区域数据集

如图3-3所示。表示第n个颜色通道中不包含环境光变化的脸部感兴趣区域数据：

$\tilde{X}=A{\tilde{Z}}_X---\left(1\right)$

步骤6、利用氧合血红蛋白吸收率选择N个颜色通道中第best个最佳颜色通道，第best个最佳颜色通道具有最大的氧合血红蛋白吸收率；RGB颜色通道中绿色通道具有最大的氧合血红蛋白吸收率，在本实施例中，选择无环境光变化干扰的面部感兴趣区域数据集中的绿色通道为最佳颜色通道。

步骤7、利用总体平均经验模态分解法将第best个最佳颜色通道中不包含环境光变化的脸部感兴趣区域数据分解成为L个本征模式分量S＝[S₁,S₂,…,S_l,…,S_L]^T；S_l表示第l个本征模式分量；如图4-1所示。这些本征模式分量对应的频谱图如图4-2所示。

步骤8：定义候选本征模式分量集，并初始化为空；初始化l＝1；

步骤9、计算第l个本征模式分量S_l的频谱图，判断第l个频谱图中的最大幅值所对应的频率分量是否处于所设定的感兴趣的心率范围内，若处于，则将第l个本征模式分量S_l加入候选本征模式分量集中；否则直接执行步骤10；在本实施例中，设定感兴趣的心率范围为[0.4,3]Hz，对应心率为24bpm到180bpm。从图4-2中，不难发现本征模式分量IMF1、IMF4和IMF5的最大幅值所对应的频率处于感兴趣的心率范围，构成候选本征模式分量集。

步骤10、将l+1赋值给l；并返回步骤9；

步骤11、比较候选本征模式分量集中每个本征模式分量频率的最大幅值，选取最大的最大幅值所对应的本征模式分量作为最佳本征模式分量，对最佳本征模式分量采用峰值检测算法获得视频心率检测结果。从图4-2中我们同时发现，IMF5的最大幅值是所有候选本征模式分量集中最大的，因此IMF5为最佳本征模式分量。

相对于传统方法的优势如下：

为了进一步量化评估本发明的效果，将本方法与目前主流的独立成分分析法(IndependentComponentAnalysis,ICA)和单独绿色通道总体平均经验模态分解法(EnsembleEmpiricalModeDecomposition,EEMD)进行对比。

图5-1和图5-2分别显示了1Hz脉冲波环境光变化时和0.5Hz方波环境光变化时，采用独立成分分析法所有颜色通道的独立成分及其相应的频谱图。本实施例中，这两种环境光变化时得到的独立成分的数目均为3；且从图5-1中不难发现，独立成分中最大幅值所对应的频率处于所设定的心率范围[0.43]Hz的候选独立成分为第二个和第三个独立成分，这两个独立成分最大幅值进行比较，发现第三个独立成分的最大幅值更大，确定其为最佳独立分量。但是该独立分量最大幅值所对应的频率为2Hz，该频率实际上是环境光变化频率的二次谐波分量。图5-2中则发现最佳独立分量最大幅值所对应的频率为1.5Hz，为环境光变化频率的三次谐波分量。因此，不经过环境光变化消除手段时，心率信号易淹没在环境光变化中。

HR＝60*f(bpm)(2)

图6-1到图6-5则显示了不同频率的环境光变化时，对绿色通道单独进行总体平均经验模态分解得到的本征模态分量及其频谱图，其中图6-1中环境光变化频率为0.1Hz，图6-2中环境光变化频率为0.5Hz，图6-3中环境光变化频率为1Hz，图6-4中环境光变化频率为3Hz，以及图6-5中环境光变化频率为5Hz。从图中不难发现，当环境光变化频率在感兴趣的心率范围[0.4，3]Hz之外，例如0.1Hz，0.5Hz和5Hz时，采用绿色通道单独总体平均经验模态分解方法尚能获得准确的心率估计。但是当环境光的变化在感兴趣的心率范围内，甚至是接近心率变化，则该方法会失效，心率信号会淹没在环境光的变化中。

图7-1到图7-5分别表示环境光变化频率为0.1Hz，0.5Hz，1Hz，3Hz和5Hz时，采用本发明方法得到的候选本征模式分量集和对应的频谱图集。不难发现，无论环境光如何变化，由于首先采用联合盲源分离法(JointBlindSourceSeparation,JBSS)将环境光变化的典型相关分量进行提取并置零，得到的无环境光干扰的最佳通道的面部感兴趣区域数据，采用总体平均经验模态分解法之后，得到候选本征模式分量集，比较各本征模式分量集中各个本征模式分量最大幅值，得到最佳本征模式分量均为IMF5。采用峰值检测算法得到的心率分别为：74bpm，74bpm，72bpm，70bpm和72bpm，与真实的心率值74bpm，72bpm，72bpm，70bpm和70bpm很接近。

为了进一步对比，表1给出了三种方法进行心率检测的统计数据，包括平均偏差、平均绝对偏差、标准差、均方根误差以及相关系数。从图中不难发现，本发明提出的方法(JBSS-EEMD)各方面性能都是最优的。与此同时，考虑到心率检测时可接受的误差范围，我们对比了三种方法得到绝对误差不高于6的百分比，结果如图8所示，可以发现本发明提出的方法效果最好，可以达到80.90％，而其他两种方法只有5.20％和32.30％。

表1三种方法得到的心率检测结果的统计数据

综上所述，本发明解决了视频检测心率中环境光变化干扰的问题，为非接触式心率检测提供了更准确的算法，在临床疾病诊断和日常的医疗保健方面具有重要的应用前景。

Claims (1)

1.一种去除环境光变化干扰的视频心率检测方法，其特征是按如下步骤进行：

步骤1：获取I帧视频图像；对I帧视频图像计算N个颜色通道的面部感兴趣区域的平均像素，获得面部感兴趣区域数据集X＝[X₁,X₂,…,X_n,…,X_N]^T；X_n表示第n个颜色通道的面部感兴趣区域数据；并对I帧视频图像计算N个颜色通道的背景区域的平均像素，获得背景区域数据集Y＝[Y₁,Y₂,…,Y_n,…,Y_N]^T；Y_n表示第n个颜色通道的背景区域数据；

并有，X_n＝[x₁ ⁽ⁿ⁾,x₂ ⁽ⁿ⁾,…,x_I ⁽ⁿ⁾]；x_I ⁽ⁿ⁾表示第n个颜色通道的面部感兴趣区域的第I个平均像素；Y_n＝[y₁ ⁽ⁿ⁾,y₂ ⁽ⁿ⁾,…,y_I ⁽ⁿ⁾]；y_I ⁽ⁿ⁾表示第n个颜色通道的背景区域的第I个平均像素；

步骤2：采用联合盲源分离法对所述面部感兴趣区域数据集X和背景区域数据集Y进行处理，获得混合矩阵解混矩阵面部感兴趣区域的典型相关变量集 $Z_X={\[Z_1^{\left(X\right)},Z_2^{\left(X\right)},...,Z_p^{\left(X\right)},...,Z_P^{\left(X\right)}\]}^T$ 和背景区域的典型相关变量集 $Z_Y={\[Z_1^{\left(Y\right)},Z_2^{\left(Y\right)},...,Z_p^{\left(Y\right)},...,Z_P^{\left(Y\right)}\]}^T;$ 表示面部感兴趣区域的第p个典型相关变量，表示背景区域的第p个典型相关变量，1≤p≤P，P表示典型相关变量的个数；且面部感兴趣区域的典型相关变量集和背景区域的典型相关变量集中的P个典型相关变量均是按两者的相关系数大小进行降序排列；

并有 表示第I帧视频图像中面部感兴趣区域的第p个典型相关变量值； 表示第I帧视频图像中背景区域的第p个典型相关变量值；则所述面部感兴趣区域数据集X＝AZ_X；背景区域数据集Y＝AZ_Y；

步骤3、设定相关系数阈值，并将面部感兴趣区域的典型相关变量和背景区域的典型相关变量的相关系数与所设定的相关系数阈值进行比较，若超出相关系数阈值，则将超出所述相关系数阈值的面部感兴趣区域的典型相关变量和背景区域的典型相关变量均作为环境光变化的典型变量；

步骤4、获取超出所述相关系数阈值的面部感兴趣区域的典型相关变量的个数Q；并将面部感兴趣区域的典型相关变量集Z_X中的前Q个的典型相关变量均置为零；从而形成不包含环境光变化的面部感兴趣区域的典型相关变量集

步骤5、利用式(1)获得不包含环境光变化的面部感兴趣区域数据集 表示第n个颜色通道中不包含环境光变化的脸部感兴趣区域数据：

$\tilde{X}=A{\tilde{Z}}_X---\left(1\right)$

步骤6、利用氧合血红蛋白吸收率选择所述N个颜色通道中第best个最佳颜色通道；第best个最佳颜色通道具有最大的氧合血红蛋白吸收率；

步骤7、利用总体平均经验模态分解法将所述第best个最佳颜色通道中不包含环境光变化的脸部感兴趣区域数据分解成为L个本征模式分量S＝[S₁,S₂,…,S_l,…,S_L]^T；S_l表示第l个本征模式分量；

步骤8：定义候选本征模式分量集，并初始化为空；初始化l＝1；

步骤9、计算第l个本征模式分量S_l的频谱图，判断第l个频谱图中的最大幅值所对应的频率分量是否处于所设定的感兴趣的心率范围内，若处于，则将第l个本征模式分量S_l加入候选本征模式分量集中；否则直接执行步骤10；

步骤10、将l+1赋值给l；并返回步骤9；

步骤11、比较候选本征模式分量集中每个本征模式分量频率的最大幅值，选取最大的最大幅值所对应的本征模式分量作为最佳本征模式分量，对所述最佳本征模式分量采用峰值检测算法获得视频心率检测结果。