基于视频图像的血压测量方法与流程

本发明涉及一种基于视频图像的血压测量方法，用于健康大数据的采集以及远程医疗等领域。

背景技术：

健康大数据的生理参数采集以及远程医疗等领域都需要对人体的生理参数进行长期的监测，这些有关健康信息的数据对人的身心健康评估有着积极的作用。现有的生理参数（心率、呼吸、血压、血氧等）采集方法大多是通过接触式的方式进行采集，然后通过无线的方式将采集到的数据传输到计算机中进行存储，以便医生进行查阅、参考及评估。尤其是血压测量，必须佩带袖带才能测量，经过充气及放气达到测量的目的，而且测量时间较长，这种接触式的测量方式对于被监测者来说非常不便，很难实现人体的连续血压监测。

发明专利CN102499664B公布了一种基于视频图像的非接触式生命体征的检测方法及检测系统，该系统能够固定帧频连续采集待测目标的视频图像，自动检测图像中的ROI（region of interesting）区域，采用独立分量分析对信号进行平滑处理，然后使用多重自相关法提取频率信号，从ROI区域划分出的多通道信号中分离出生命体征信号的频率值，生命体征信号频率包括了心率频率信号和呼吸频率信号。但是这仅仅是获得了心率值与呼吸率值，并没有得到人体的血压值。发明专利CN105011921A公开了一种通过视频分析测量血压的方法，首先得到人体血压与动脉尺度的关系，通过拍摄人体的浅表动脉处一侧的动脉视频并进行分析，计算出血压与动脉尺度的关联系数进而得到血压。该发明必须清晰的得到血管图像，才可以准确的获得动脉尺度随时间的变化信息，进而与血压建立数学关系。而且对视觉传感器要求较高，需要手腕式视频设备，加大了测量难度，不利于推广应用。

技术实现要素：

本发明的目的在于针对现有技术中存在的问题，提出一种非接触式的血压测量方法，通过采集人体脸部的视频图像，然后对脸部视频图像进行空间分解、时域滤波和实时处理，实现生命体征的连续测量。

本发明一种基于视频图像的血压测量方法，使用人体裸露部位的视频信息进行人体的血压测量，具体步骤如下：

（1）待测目标区域实时跟踪，确定ROI区域；采集人体待测部位的视频图像序列，获得一段时间内的视频，选取要分析的ROI区域；

（2）对获得的ROI区域每一帧图像序列进行RGB三通道分离，并求和取平均值，获得一段时间内的时间序列波形；

（3）对上述时间序列波形去趋势项并进行归一化处理，得到时间序列信号；

（4）采用经验模态分解的方法，对归一化后的信号进行去噪声处理，获得信噪比较高的三通道的时域信号；

（5）最后求取时域信号的波峰与波谷，建立时域信号与血压的关系式，从而得到血压值。

所述步骤（1）中，通过普通摄像头拍摄处理，采集人体待测部位的视频图像序列。

所述待测目标区域优选为脸部。

本发明检测方法可实时监测心率、呼吸率以及血压，应用到健康大数据的采集以及远程医疗等领域。

附图说明

图1为本发明实施例的血压测量流程图；

图2为本发明实施例的时间序列信号图；

图3为本发明实施例的波峰波谷示意图；

图4为本发明实施例的时间序列波峰及波谷值。

具体实施方式

以下结合具体实施例和附图进一步说明本发明。

实施例

首先，待测目标区域选择脸部，在室内充足光源下，被测人体与采集视频图像的普通摄像头距离50-60cm，让人体头部尽量保持不动，进行人体脸部视频的采集，采集帧率为15帧/秒，人体脸部视频的采集时间为30s或者60s。若采集的视频时间为30s，那么总共获得图片450张；若采集60s，那总共获得900张图片。获得的人体脸部每一帧图片的像素值为640*480。在获得一段时间的视频信息后，我们做如下处理：

（一）脸部区域的实时跟踪，确定感兴趣的区域ROI。首先我们采用级联分类器获得视频第一帧中人脸的位置，然后使用跟踪算法Kanade-Lucas-Tomasi (KLT)算法进行人脸的实时跟踪，获得视频中每一帧人脸的区域。ROI是一个长方形区域，然后取ROI区域中的80%进行图像的截取。

（二）在截取的每一帧图像中，对ROI图像进行R G B三通道的分离，对每一帧的ROI的每一个通道的像素值进行求和再除以总像素数，得到每一帧对应的一个数值，最后将这些数据值按照时间先后顺序相连接，得到一个一维的时间序列波形。其计算公式如下：

式中i表示图像的帧数，V_i表示第i帧图像ROI区域的像素平均值，I_ij表示第i帧图像ROI区域第j个像素值，m为ROI区域的行数，n为ROI区域的列数。

对每一个通道进行如上处理后，分别得到R G B三个通道的一维时间序列。

（三）在获得上述一维时间序列波形后，对一维时间序列波形使用平滑先验方法进行去趋势项，平滑参数λ为10 ，截止频率为0.059Hz。然后对去趋势项的信号进行归一化处理，归一化处理公式如下所示：

式中x(t)为归一化后的信号，V^’_i为去趋势项后的信号，u为V^’_i的均值，ә为V^’_i的标准差。

获得的时间序列如图2所示。

（四）在获得归一化的信号后，对信号进行经验模态分解（Empirical Mode Decomposition， EMD）。该分解方法是将信号分解成若干个固有模态函数（Intrinsic Mode Functions， IMFs），通过去除较高频率的IMF，选择剩余IMFs进行求和重构出信号。使用EMD的目的是对归一化的信号进行去噪声处理，以便获得高信噪比的三通道的时域信号。

（五）选择去噪声后的G通道信号进行心率及呼吸率的提取。

首先要将信号进行带通滤波，在求取心率值时，带通滤波器的频率阈值为0.7Hz到4Hz，然后对带通滤波后的信号进行离散傅里叶变换获得心率的频率分量f_h，f_h×60就为心率值。

在求取呼吸率时，带通滤波器的频率阈值为0.3Hz到0.7Hz，然后对带通滤波后的信号进行离散傅里叶变换获得心率的频率分量f_r，f_r×60就得到呼吸率值。

（六）血压测量。径向共振理论认为人体的循环系统是以压力来传递能量的，其径向脉搏压力为：

以脸部为测量对象，z为脸部到心脏的距离，c为波速，k为谐波数量，a_k，b_k为谐波的振幅，ω_Hk为角频率。假定z与c为固定值，信号以第0与第1谐波最为明显，所以将第1谐波后的谐波忽略，上式可以简化为：

式中，a₀，b₀为0次谐波的振幅，a₁，b₁为1次谐波的振幅，Q和R为1次谐波振幅。从上式可以看出，我们获得的时间序列信号的波峰、波谷与压力波有着必然的联系。正常生理情况下，小动脉搏动。入射光由于受到皮肤肌肉和血液的吸收衰减作用，则光接收器检测到的反射光强度将减弱。其中皮肤、脂肪、肌肉、骨骼等非血液成分组织在心动周期中基本保持不变，它对光的吸收和衰减作用也保持恒定不变，这些信号经过光接收器后就是恒定的直流分量。而组织中的动脉血管中血液则在心动周期中呈周期性变化，当心脏收缩时外周血容量最多，光吸收量也最大，检测到的光强度也最小；而心脏舒张时，正好相反，检测到的光强度最大，使光接收器接收到的信号是周期性脉动的交流分量。使用摄像头拍摄的脸部视频，可以看做对光是反射式接收的。所以心率信号的波峰可以看做是舒张压，波谷可以看做是收缩压。波峰波谷示意图如图3所示。

在获得处理后的时间序列波形后，求取此波形的波峰数量以及波谷数量。在求得的波峰及波谷值及个数后，要剔除掉那些杂散干扰的波峰及波谷值。在这里的帧率为15帧/秒，采集30s的数据，一共450个数据点。假设人的心率为一分钟120下，则0.5s跳一下，0.5s可以采集到0.5*15=7.5个数据点，波峰与波谷的间隔应为0.25，也就是说当波峰与波谷之间的时间小于0.25s时，应该舍弃掉这一对波峰、波谷值。通过这样的运算我们最终获得所需要的波峰及波谷值，如图4所示。

由于人的体质质量指数（BMI）与血压有着紧密的联系，这里引入BMI作为修正参数，血压与时域信号建立如下的关系：

舒张压：

其中，H_D表波峰序列值；BMI表示体质质量指标；A,B,C是常数。

收缩压：

其中，H_L表波谷序列值；BMI表示体质质量指标；D,E,F是常数。n₁为波峰的个数，n₂为波谷的个数。

在应用过程中，首先使用标准电子血压计及视觉传感同时测量，获得多组测量数据，对常数A、B、C、D、E、F进行标定，获得这些参量后就可以进行测量。

采用上述检测方法实现心率、呼吸率及血压的连续测量，设定对一定时长的视频进行采集处理，先获取一帧人脸图片，对其进行脸部跟踪与识别，在检测到人脸后确定我们要分析的区域ROI，然后对ROI进行R G B 三通道分离，对每个通道的像素进行求和取平均值，判断数据点是否达到计算的设定时长。如果没有达到，则返回读取一帧图片，继续采集视频图像处理；如果等于设定的时长，则对产生的时间序列进行波形进行处理，获得血压等参数。在连续测量过程中，需要更新数据点，要剔除最早5s的数据点，增加最新的5s的数据点。在连续测量过程中，都是对固定时长的视频进行处理获取生命体征参数。通过长期的监测这些参数，可以供被监测者以及医生进行健康分析。