基于人体浅表动脉视频精确提取脉搏波的方法

1.本发明涉及的是一种基于人体浅表动脉视频精确提取脉搏波的方法，可用于人体多个浅表动脉进行非接触式测量脉搏波，通过脉搏波的检测和记录可以分析出人体心率、血压、血氧饱和度等生命体征指标情况，属于医疗器械及计算机视觉技术领域。


背景技术：

2.心脏完成一次节律性的收缩和舒张的过程是一个心动周期，完成一个心动周期的过程相当于心脏完成一次泵血功能。在泵血功能实现的过程中，全身的血液循环系统起到至关重要的作用。心脏收缩时，人体血液由心室将血液射入动脉血管系统，经过毛细血管网，到达静脉系统；心脏舒张时，血液通过静脉系统到达动脉系统再回流到心房，为下一次心脏收缩时的射血做准备。所以，动脉系统是心脏泵血功能实现的第一环，可以较为明显的反映心动周期的节律性运动情况以及泵血量情况等。人体浅表动脉主要有颞浅动脉、颈动脉、桡动脉、肱动脉、股动脉、足背动脉等，这些动脉都有较为明显的由心脏收缩和舒张引起的血管搏动信号。
3.人体的不同组织可以不同程度的吸收可见光，血管内的血液量因心脏的收缩和舒张不断交替的原因呈周期性变化。因此，动脉血管内的血液吸收入射光线程度也呈周期性变化；而肌肉、骨骼等各种组织在人体内呈稳定形态，故吸收入射光线状态恒定不变，所以人体对于入射光的吸光度的波动主要是由于心脏的节律性的收缩与舒张引起的。
4.血管中血液容量的变化即血液容积的变化会引起拍摄的人体浅表动脉视频图像中亮度的变化。心脏收缩时，血管中血液容积增加，拍摄视频图像中感兴趣区域亮度增加。心脏舒张时，血管中血液容积减少，拍摄视频图像中感兴趣区域亮度减弱。
5.目前现有的非接触式提取脉搏波的方案中难免会因受到光照影响和运动影响使得提取的脉搏波准确度下降。其中，光照影响是指受到天气状况、室内外光线强弱的不同、拍摄角度的不同等情况影响，使得视频拍摄成像系统拍摄过程中接收到的图像引起的反射光的亮度差异而受到影响。关于运动的影响，一方面是在视频拍摄过程中，被测者会不自觉的发生微小晃动；另一方面是人体血液流动到血管各处时，会对血管壁不同方向产生不同大小的压力波，在血液流动的过程中压力波会波及皮肤使得皮肤表面发起周期性的微小运动。
6.近年来，随着医疗行业的不断兴起和计算机行业的不断壮大，计算机视觉在医疗方面的关注度逐渐增加。1938年，hertzman提出了光电容积描记技术(ppg)，并由此技术可从获取的波形中分析出被测者的心率。2000年atwu等人对传统ppg技术进行了改进，使用计算机知识提出了非接触式成像光电容积描记技术(ippg)，并由此引起了大量学者的深入研究。雷恒波等人的光电容积脉搏波信号的采集方法(专利号：201610373750.2)通过对皮肤视频进行两次处理获得光电容积脉搏波信号。hao-yuwu等人提出了欧拉放大的方法可以将人脸和桡动脉因血液流动引起的微小的运动放大，为实现对视频帧转换的脉搏波信号的精确提取提供了途径。
7.李江山等人在欧拉放大视频算法的基础上将桡动脉的视频处理后获取的脉搏波可视化，在欧拉放大处理后的信号中选取信噪比最高区域作为感兴趣区，采用独立成分分析算法分离有效脉搏波信号和噪声，最后使用盲源分离算法提取脉搏波。此方案中采用独立成分分析的方法，由于血容量的脉冲信号不一定是独立成分分量的第一个基向量，因此存在着随机性。苏培权等人在一种基于欧拉影像放大的无接触式心率测量方法及装置(专利号：201710303637.1)中同样使用欧拉算法放大桡动脉视频，不同的是其选用在ycrcb颜色空间中截取感兴趣区域，通过皮肤亮度变化的信号获取周期性的脉搏波并计算心率。但这种感兴趣区域选取的方式抗光照干扰能力较差。
8.很多学者对于非接触式脉搏波检测技术的研究都建立在欧拉放大后的视频结果上，但是欧拉放大对噪声敏感，在放大有用信号的同时，也将噪声一起放大，而且在使用过程中可能产生端点噪声。高冠群等人提出了基于相位的脉搏波提取方法，用复可控金字塔分解代替欧拉放大算法，用时域带通滤波器选择感兴趣区域内的水平方向相位谱的相位差信号，进而滤除噪声提取脉搏波。这种复可控金字塔分解算法不会放大噪声，但是只能放大边缘位置，且运算复杂。蒙文基于人脸视频实时显示脉象波形的方法(专利号：cn201911249939.0)中结合欧拉放大及对抗网络的方法通过模型的训练尽可能准确的表达被测者的脉搏波状态，但是在模型建立过程和对抗网络构建过程，需要大量的数据进行训练以保证对抗网路的准确性。余浩天等人提出了evm-frr放大算法，是对欧拉放大算法的延伸和改进，使其提取的一维时间信号不再出现相位失真的情况，即在放大视频帧有用信号的同时几乎不会放大噪声。但未解决端点噪声的影响，也未考虑光照干扰的影响。


技术实现要素：

9.本发明的目的在于提供一种基于人体浅表动脉视频精确提取脉搏波的方法。该方法一定程度上可以减少光照干扰和运动干扰的影响，很大程度提高信噪比获取精确脉搏波信号。
10.本发明的技术方案如下：
11.基于人体浅表动脉视频精确提取脉搏波的方法，包括以下步骤：
12.s1：获取人体浅表动脉位置处的视频；
13.s2：采用自适应伽马变换对视频进行预处理；
14.s3：采用evm-frr放大算法对人体浅表动脉视频运动放大；
15.s4：采用自适应阈值帧间差分法并选择多特征区域确定感兴趣区域(roi)；
16.s5：提取原始脉搏波信号；
17.s6：采用ii型切比雪夫滤波器、自适应阈值法的小波变换、自适应陷波滤波器滤除在信号中可能存在的噪声；
18.s7：采用调制域谱减法增强脉搏波信号。
19.步骤s1获取人体浅表动脉位置主要包含颞浅动脉、颈动脉、桡动脉、肱动脉、股动脉、足背动脉等，选择搏动位置明显部位均为较理想的视频获取位置。
20.步骤s2自适应伽马变换对视频预处理系统，是通过改变γ参数来调整由于光照亮度差异引起的视频输出，可以消除由于光照不均匀而引起的图像质量的影响。γ参数对以下公式进行调整：
[0021][0022]
其中，x(x,y)是输入图像；o(x,y)是输出图像；γ为伽马校正参数；γ参数大小由光照分量和图像的亮度均值来决定。其中决定γ参数的公式为：
[0023][0024]
其中，m是光照图像的亮度均值；l(x,y)为点(x,y)处的光照分量值。
[0025]
在自适应伽马变换对视频预处理系统中，由图像的亮度均值和在某点处的光照分量值可以得出该点对应的γ校正参数，当校正参数γ值大于1时，对输入图像局部亮度衰减；当校正参数γ值小于1时，对输入图像局部亮度增强；当校正参数γ值等于1时，对输入图像局部亮度不变。通过对每个像素的检索和判断，可完成局部亮度补偿，解决光照不均匀对图像质量的影响。
[0026]
步骤s3基于evm-frr放大算法对人体浅表动脉视频运动放大的方法包括以下步骤：
[0027]
s31：对视频帧进行空间滤波，即构建拉普拉斯金字塔将视频帧分解为不同尺度的频率空间带；
[0028]
s32：对空间滤波后所得的多个空间带中相同空间分辨率的图像层通过以下公式进行时域带通滤波，其中所述的公式为：
[0029][0030]
s33：i(x,t)是视频中某帧图像在空间点位置为x，时间点为t时的亮度。f(x)是当时间t＝0时，所对应空间点位置x的亮度，即f(x)＝i(x,0)。δ(t)是空间点经过时间t之后产生的动作位移。
[0031]
s34：经过时域带通滤波器确定需要放大的脉搏跳动的微小信号，即为视频帧图像在空间点位置为x，时间点为t时脉搏的跳动微小信号所对应的亮度变化信号b(x,t)，其中亮度变化信号b(x,t)由以下公式确定：
[0032][0033]
s35：视频帧图像在空间点位置为x，时间点为t的脉搏跳动信号所对应的亮度变化放大α倍，再叠加到原始视频帧中空间点为x，时间点为t的图像亮度信号i(x,t)上，如下公式所示：
[0034][0035]
其中，α是放大因子，是经过一次放大后叠加在空间点为x，时间点为t的图像亮度信号。
[0036]
s36：对于一次放大叠加的图像亮度信号将其在空间点为x处进行时间反转得到空间点为x，时间为-t的反转时间信号；
[0037]
s37：以反转时间信号为输入，通过放大因子关系式将空间位置为x，时间为-t处的
脉搏跳动信号所对应的图像亮度变化信号放大α倍；
[0038]
s38：将二次放大后在空间点位置为x，时间为-t处的微小信号再进行一次时间反转，得到空间位置为x，时间点为t的视频帧信号即为evm-frr放大后的视频帧信号。
[0039]
evm-frr放大算法将欧拉放大算法与frr滤波结合，在iir滤波器的基础上使用了两次时间反转以及两次放大的方案，改进了欧拉算法中对噪声敏感的问题，在视频信号放大的过程中不会产生因相位失真而引起的失真波形。
[0040]
步骤s4采用自适应阈值的帧间差分法主要包括以下步骤：
[0041]
s41：对采集的动脉视频相邻帧或者相隔几帧的两幅图像的像素灰度做差分运算。由于目标不断运动，相邻视频帧中的特征点相对静止的背景有明显的变化。所以，较容易获得视频帧间图像像素差的绝对值，即差分后的视频帧图像。
[0042]
s42：用自适应阈值算法选取视频帧图像阈值。假设视频帧图像中灰度级别有l个，二值化阈值为t。将视频帧图像分割为k0、k1两个区域。其中k0区的像素点灰度值在[0,t]范围内，k1区的像素点灰度值在[t 1,l-1]的范围。
[0043]
于是，灰度级j出现的概率为：
[0044]
其中，nj表示灰度级为j的像素点的个数，n为单个视频帧图像中像素点的总个数。
[0045]
而k0区中像素点数量，在整个视频帧图像中出现的概率为：
[0046][0047]
k0区域的平均灰度为：
[0048]
k1区中像素点数量在整个视频帧图像中出现的概率为：
[0049][0050]
k1区域的平均灰度为：
[0051]
视频帧图像中运动区域和静止区域的类间方差为：
[0052]
s2(t)＝p0p1(e
0-e1)2ꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0053]
选择类间方差最大时的阈值t，即为最佳的二值化阈值。
[0054]
s43：视频帧图像二值化。将每一个视频帧图像的像素点的灰度值与确定好的二值化最佳阈值比较，大于最佳阈值的点像素值变为255，确定为运动部位；小于最佳阈值的点的像素值变为0，确定为静止部位。
[0055]
s44：对处理后的二值化图像进行连通性分析，再将每一帧图像衔接起来成为一个新的视频，即得到运动部位视频。
[0056]
步骤s4选择多特征区域包括以下步骤：
[0057]
s45：使用sift算法提取帧间差分法获得的运动部位视频帧图像特征点，并且确定特征点的坐标。
[0058]
s46：在确定的特征点中，任意选择至少3个特征点组成一组特征点组，特征点组围
成一个多边形，计算特征点组的质心坐标。质心的计算公式如下：
[0059][0060][0061]
其中，x、y分别为质心的横坐标和纵坐标，xi、yi分别为各个特征点的横坐标和纵坐标(i＝1,2,3)
[0062]
s47：以质心为中心截取矩形区域作为视频帧图像中脉搏波信号的单个感兴趣区域，同样的方法确定6个感兴趣区域作为最终脉搏波视频帧图像的感兴趣区。
[0063]
步骤s5进行提取原始脉搏波信号，主要包括：
[0064]
s51:将每一帧感兴趣区域视频信号切片图像由rgb颜色空间转换到标准色度模型cie-xyz中，转换公式如下：
[0065][0066]
s52:将cie-xyz标准色度系统的感兴趣区域切片转换到adobe rgb颜色空间，转换公式如下：
[0067][0068]
s53：对adobe rgb颜色空间的感兴趣区域切片进行rgb三通道的分离。
[0069]
s54：对每一个通道中感兴趣区域的视频帧信号像素做均值处理，并按照时间顺序组合获得三组一维时间序列。
[0070]
s55：将每个通道一维时间序列xi(t)(i＝1,2,3)进行归一化处理，其表达式如下：
[0071]
其中，μi为xi(t)的像素均值，σi为xi(t)的像素标准差。
[0072]
对归一化处理后的信号进行快速傅里叶变换将时域信号转换成频域信号后，使用带通滤波器对频域信号进行0.8～3.3hz范围的初次滤波，获得原始的脉搏波。
[0073]
步骤s6的采用ii型切比雪夫滤波器、自适应阈值法的小波变换、自适应陷波滤波器滤除在信号中可能存在的噪声。其中ii型切比雪夫滤波器通过单调的通带保证在通带内的感兴趣区域数据不受滤波影响，而在阻带内的噪声快速被滤除，减少相位损失。自适应阈值法的小波变换通过改变参考变量和n，调整函数进行软阈值和硬阈值的切换，以滤除高斯白噪声。对于自适应陷波滤波器是通过快速傅里叶变换获得频率分布，将超过幅度阈值的频率点与陷波滤波中心频率进行匹配，使用权重系数将输入视频帧图像的线性输入信号与噪声信号部分分离，以达到消除视频帧信号中某些特定频率敢让的目的。
[0074]
ii型切比雪夫滤波器是通过转移函数进行滤波，其中，转移函数公式如下：
[0075]
其中w0为截至频率，是n阶切比雪夫多项式。
[0076]
转移函数中不同分贝χ的衰减度∈公式如下：
[0077][0078]
关于自适应阈值小波变换，当为0，且n为0时，小波变换为软阈值函数的小波变换，当设定为一个足够大的值时，小波变换就转变为硬阈值函数的小波变换。软硬阈指的小波变换切换函数如下：
[0079][0080]
其中，为经过处理后的小波分解系数；m
j,k
为处理前的小波分解系数；和n均为正数。λ值由的确定公式如下：
[0081][0082]
其中，mad为第一层小波绝对值的中间值，n为视频帧信号的长度。
[0083]
自适应陷波滤波器通过将小波变换后的信号在频域段为0.8～3.3hz范围内找出超过幅度阈值部分做出对应的频率分布，确定超过幅度阈值的陷波点个数k。
[0084]
自适应陷波滤波器采用最小均方算法(lms)作为自适应算法。滤波后信号的输出为：e(n)＝d(n)-y(n)
ꢀꢀꢀꢀꢀꢀ
(21)
[0085]
d(n)为输入信号，y(n)为自适应滤波器的输出。y(n)对应的公式为：y(n)＝ω1(n)x1(n) ω2(n)x2(n)
…
ω
2k-1
(n)x
2k-1
(n) ω
2k
(n)x
2k
(n)
ꢀꢀꢀꢀꢀ
(22)
[0086]
其中，ωi(n)为参考信号的权重系数，xi(n)为参考信号的输入；
[0087]
自适应滤波的算法采用最小均方误差算法，使得权重系数为：
[0088]
ωi(n 1)＝ωi(n) 2μe(n)xi(n)
ꢀꢀꢀꢀ
(23)
[0089]
其中，μ为调整步长的长度，控制着自适应收敛的速度。
[0090]
参考信号输入为中心频率的正交信号。参考信号公式为：
[0091][0092]
其中，ω0为中心频率，a为滤波幅值，可根据μa2来调节信号幅值达到-3db时的带
宽，从而达到陷波器的缺口的肩部可以任意窄的目的。根据超过阈值的频率分布来配置不同的滤波频率ω0，再通过配置滤波幅值a调节带宽。
[0093]
步骤s7采用调制域谱减法增强有效脉搏波信号，其主要步骤包括：
[0094]
先对滤波处理后的脉搏波信号获得幅度谱|x(p,r)|和相位谱∠x(p,r)(其中r为离散频率)；在脉搏波信号的频域幅度谱的各个频率点上沿时间做快速傅里叶变换得到脉搏波信号的调制幅度谱|x(δ,r,l)|和调制相位谱∠x(δ,r,l)(其中δ为调制帧，l为调制频率)。调制谱减法得到的调制域幅度谱：
[0095][0096]
其中，β用来确定谱减法的类型，当β＝1时，确定为幅度谱减类型；当β＝2时，确定为能量谱减类型。η为调制域的过减因子，ξ为谱抑制因子即增强调制谱的下限值，介于0到1之间；|e(δ,r,l)|为噪声的调制幅度谱估计。通过信号的信噪比大小与预先设定的有效信号阈值比较，信噪比超过阈值的部分为信号的调制幅度谱，否则为噪声的调制谱。
[0097]
其中，
[0098]
其中，n为前导视频帧无感兴趣区域(噪声区域)对应的帧数。
[0099]
相位谱补偿增强后的调制相位谱：
[0100]
∠g(δ,r,l)＝arg[z
′
(δ,r,l)]
ꢀꢀꢀꢀ
(27)
[0101]
其中，z
′
(δ,r,l)是经过调制域谱减法与相位谱补偿增强后的调制谱，其公式如下：z
′
(δ,r,l)＝gg(δ,r,l) γ(δ,r,l)
ꢀꢀꢀꢀ
(28)
[0102]
其中，gg(δ,r,l)为谱减法后的调制域幅度估计，γ(δ,r,l)为调制域相位补偿。
[0103]
谱减法后的调制域幅度估计为：gg(δ,r,l)＝|g(δ,r,l)|e
j∠x(δ,r,l)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(29)
[0104]
相位补偿度数：γ(δ,r,l)＝λφ(l)|e(δ,r,l)|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(30)
[0105]
其中，λ为经验常数，φ(l)为反对称函数，其公式如下：
[0106][0107]
于是，最终的调制谱为：z(δ,r,l)＝|gg(δ,r,l)|e
j∠g(δ,r,l)
ꢀꢀꢀꢀꢀ
(32)
[0108]
将最终的调制谱做一次快速傅里叶逆变换得到信号增强后的频域幅度谱，把此频域幅度谱与频域相位谱结合后，再做一次快速傅里叶逆变换，从而得到谱减法与相位谱补偿增强后的脉搏波信号波形。
[0109]
从以上技术方案可以看出，本发明的有益效果在于：
[0110]
1.本发明提出的方法通过摄像头可以采集任何人体浅表动脉视频，并且分析出较精准的脉搏波。
[0111]
2.本发明在预处理阶段采用自适应伽马变换，通过自适应的调整γ值的大小，调
整原视频帧图像亮度进行图像的光照补偿，从而消除在高频部分的光照随机噪声。
[0112]
3.本发明选用evm-frr放大算法，克服了传统欧拉放大算法对噪声敏感的问题。对于微小的运动放大，在提取的一维时间信号序列不会因为相位失真而出现原始信号上的波形失真。
[0113]
4.本发明采用帧间差分法和多特征区域选择感兴趣区域。其中，采用帧间差分法提高运算速度的同时应用了其对动态环境适应性强的特点，将辅助自适应伽马变换中的光照补偿，获取较清晰的运动区域视频。另外，使用多特征区域选择的方式，在截取的多个感兴趣区域中有相互重叠的部分，这可以增加特征区域的覆盖面，一定程度上可以使得需要提取的脉搏波信号在空间上互补，提高特征区域跟踪的准确度，进而减少运动伪影。两种方法结合共同确定感兴趣区域，可以辅助预处理阶段减弱光照的影响，同时在一定程度上消除运动伪影。
[0114]
5.本发明在降噪方面采用了ii型切比雪夫滤波器、自适应阈值法的小波变换、自适应陷波滤波器相结合的方法，对脉搏波的提取进行了多维降噪。其中，ii型切比雪夫滤波器主要用于滤除高频部分噪声，并且保证通带信号不受滤波影响，而阻带信号被滤除并且减少原始脉搏波波形受到相位的影响；自适应阈值法的小波变换通过对软硬阈值的调节滤除高斯白噪声；自适应陷波滤波器对于残余的一些特定频率的噪声噪声干扰。
[0115]
6.本发明使用调制域谱减法，将对微弱的有效脉搏波信号进行增强，提高视频帧中脉搏波信号细节的提取。
附图说明
[0116]
图1为本发明所述的基于人体浅表动脉视频精确提取脉搏波的方法流程图。
[0117]
图2为本发明实施例所述的一种基于颈动脉视频的精确提取脉搏波方法的原理图。
[0118]
图3为本发明所述的帧间差分法的流程图。
[0119]
图4为本发明所述的调制域谱减法获得增强调制域的系统示意图。
[0120]
图5为本发明提及的adobe rgb颜色空间色彩表现于标准rgb颜色空间色彩表现对比图。
[0121]
图6为本发明实施例所述的颈动脉rgb切片和adobe rgb切片的对比图。
具体实施方式
[0122]
下面结合附图来进一步阐述本发明。
[0123]
参照图1，本发明提供一种基于人体浅表动脉视频精确提取脉搏波的方法，以颈动脉作为说明实例，包括一下步骤：
[0124]
s1：获取人体浅表动脉位置处的视频：使用高清摄像头采集被测者颈动脉视频30秒，使用环境中的自然光源，尽可能使拍摄区域光照充足，以此来保证实验的普遍性和准确性。为了检验通过本发明方法的获取脉搏波波形的准确性，在采集颈动脉视频的同时使用指夹式血氧仪获取脉搏波进行比较。
[0125]
s2：采用自适应伽马变换对视频进行预处理：将采集好的颈动脉视频作为输入信号，同时也将引导视频进行输入，采用引导滤波算法，通过输入信号的逐帧图像与引导视频
的逐帧图像的降采样图像，先进行一个可以保持视频帧图像边缘的滤波处理。然后再对视频帧做逐帧的自适应伽马变换的亮度矫正处理。
[0126]
所述的引导滤波算法表达式为：
[0127][0128]
其中，d是引导视频的逐帧图像。q是视频逐帧图像经过滤波窗口后的输出图像即图像的光照分量。ak、bk是滤波函数线性变换的系数。ωk是滤波窗口。
[0129]
确定滤波窗口中的损失函数，由此获得线性变换系数的最优解，从而达到输入图像和引导图像差值最小的目的。其中，损失函数为：
[0130][0131]
其中，x为颈动脉视频逐帧图像的原始输入，ε为规则化参数。在e(ak,bk)取最小值时，线性变换系数取得最优解：
[0132][0133][0134]
其中，|ω|表示ωk中像素点的个数；μk表示引导图像d在滤波窗口中的均值；表示引导图像d在滤波窗口中的方差；为颈动脉视频逐帧图像的原始输入图像x在滤波窗口中的均值。
[0135]
由此获得引导滤波后的输出逐帧图像的表达式为：
[0136][0137]
以颈动脉视频帧图像像素点上的光照值组为参数进行自适应伽马预处理，其表达式为：
[0138][0139]
其中，o(x,y)为颈动脉视频逐帧图像经过伽马变换的输出图像，γ为伽马校正参数，γ的表达式如下：
[0140][0141]
其中，m是光照图像的亮度均值；l为像素点处的光照分量值。
[0142]
s3：evm-frr放大算法对伽马变换后的视频帧图像处理：将传统欧拉放大的方法与frr滤波方法结合，在放大信号的同时减少相位损失。
[0143]
所述的evm-frr放大处理包括以下步骤：
[0144]
(1)空间分解：对颈动脉视频每一帧视频分别进行行和列的卷积和采样，去掉偶数列和偶数行(通过对行的卷积和采样去掉偶数列，对列的卷积和采样去掉偶数行)以此构建拉普拉斯金字塔将其分解为不同尺度的频率空间带；
(t)＝p0p1(e
0-e1)2(47)
[0163]
将颈动脉视频帧的图像的像素点灰度值与最佳二值化阈值进行逐一比较，大于最佳阈值的点像素值变为255，确定为运动部位；小于最佳阈值的点的像素值变为0，确定为静止部位。以此划分颈动脉搏动有效区域和其他非搏动区域。
[0164]
在颈动脉搏动区域中使用sift算法，标记出颈动脉的特征点，并在标记的特征点中，将三个特征点分为一组，选取6个特征点组。
[0165]
确定每个特征点组质心坐标，以质心为中心截取矩形区域作为视频帧图像中脉搏波信号的单个感兴趣区域，同样的方式完成6个感兴趣区域。其中质心计算公式如下：
[0166][0167][0168]
其中，x、y分别为质心的横坐标和纵坐标，xi、yi分别为各个特征点的横坐标和纵坐标(i＝1,2,3)。
[0169]
s5：提取原始脉搏波信号。对于每一个视频帧图像的感兴趣区域进行切片，将切片图像从rgb颜色空间转换到adobe rgb颜色空间。转换公式如下：
[0170][0171]
对于adobe rgb颜色空间的感兴趣区域切片进行rgb三通道的分离，每一个视频帧图片获得分离后的三个单通道灰度图像。对每一个通道中的每一个视频帧图像做均值处理，则每个视频帧单通道图像均可得到一个像素平均值。将得到的像素平均值按照视频帧的时间顺序组合即可获得单通道的一维时间序列。同理获取三个通道的一维时间序列，用x1(t)，x2(t)和x3(t)表示。
[0172]
对于一维时间序列xi(t)(i＝1,2,3)进行归一化处理，其表达式如下：
[0173][0174]
其中，μi为xi(t)的像素均值，σi为xi(t)的像素标准差。
[0175]
对归一化处理后的信号进行快速傅里叶变换将时域信号转换成频域信号后，使用带通滤波器对频域信号进行0.8～3.3hz范围的初次滤波，选择比较纯净的波形通道波形作为原始的脉搏波。
[0176]
s6：信号降噪采用ii型切比雪夫滤波器、自适应阈值法的小波变换、自适应陷波滤波器联合方式共同完成。将提取的原始脉搏波信号作为信号降噪模块的输入，根据不同的分贝χ确定滤波函数的衰减度∈，公式如下：
[0177][0178]
原始脉搏波信号通过ii型切比雪夫滤波公式为：
[0179][0180]
其中w0为截至频率，是n阶切比雪夫多项式。
[0181]
将ii型切比雪夫滤波器滤波后的信号波形作为输入进行小波分解，确定信号分解的小波系数。再对小波系数通过阈值函数进行自适应阈值处理，其中，小波变换的自适应阈值函数公式如下：
[0182][0183]
其中，为经过处理后的小波分解系数；m
j,k
为处理前的小波分解系数；和n均为正数，当为0，且n为0时，小波变换为软阈值函数的小波变换，当设定为一个足够大的值时，小波变换就转变为硬阈值函数的小波变换。λ值的确定公式如下：
[0184][0185]
其中，mad为第一层小波绝对值的中间值，n为视频帧信号的长度。
[0186]
将通过自适应阈值小波变换函数所确定的小波系数，对脉搏波信号进行小波重构获得重构脉搏波以此去除原始脉搏波信号中存在的高斯白噪声。
[0187]
在重构后的脉搏波信号中找出频域段在0.8～3.3hz范围内的超过幅度阈值的频率分布，通过频率分布确定陷波点的个数，每一个陷波点对应两个互为正交的输入参数信号。
[0188][0189]
其中，ω0为中心频率，a为滤波幅值。通过超过阈值的频率分布来配置不同的滤波频率ω0，再通过配置滤波幅值a调节带宽。
[0190]
滤波后信号的输出为：e(n)＝d(n)-y(n)
ꢀꢀꢀꢀ
(57)
[0191]
其中，d(n)为输入信号，y(n)为自适应滤波器的输出。y(n)对应的公式为：y(n)＝ω1(n)x1(n) ω2(n)x2(n)
…
ω
2k-1
(n)x
2k-1
(n) ω
2k
(n)x
2k
(n)
ꢀꢀꢀꢀꢀ
(58)
[0192]
参考信号的权重系数ωi(n)由以下公式确定：
[0193]
ωi(n 1)＝ωi(n) 2μe(n)xi(n)
ꢀꢀꢀꢀꢀ
(59)
[0194]
其中，μ为调整步长的长度，通过e(n)反馈调整参考信号的权重系数。
[0195]
s7：对于滤波后的信号做快速傅里叶变换得到信号的调制域幅度谱|x(δ,r,l)|和
调制域相位谱∠x(δ,r,l)，其中，r为离散频率，δ为调制帧，l为调制频率。
[0196]
对于脉搏波信号的调制幅度谱做调制域谱减法，得到改进的调制域幅度值：
[0197][0198]
其中，β用来确定谱减法的类型，当β＝1时，确定为幅度谱减类型；当β＝2时，确定为能量谱减类型。η为调制域的过减因子，ξ为谱抑制因子即增强调制谱的下限值，介于0到1之间；|e(δ,r,l)|为噪声的调制幅度谱估计。
[0199][0200]
其中，n为前导视频帧无感兴趣区域(噪声区域)对应的帧数。
[0201]
通过调制域谱减法改进后的调制域幅度谱与未改进的调制域相位谱∠x(δ,r,l)共同构成调制域谱减法后的调制域幅度谱估计gg(δ,r,l)：
[0202]gg
(δ,r,l)＝|g(δ,r,l)|e
j∠x(δ,r,l)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(62)
[0203]
通过噪声的调制幅度谱估计确定相位补偿度数γ(δ，r，l)：
[0204]
γ(δ,r,l)＝λφ(l)|e(δ,r,l)|
ꢀꢀꢀꢀꢀꢀ
(63)
[0205]
其中，λ为经验常数，φ(l)为反对称函数，其公式如下：
[0206][0207]
谱减法后的调制域幅度估计gg(δ,r,l)和相位补偿度数γ(δ,r,l)共同合成调制域谱减法增强后的调制谱z
′
(δ,r,l)：
[0208]z′
(δ,r,l)＝gg(δ,r,l) γ(δ,r,l)
ꢀꢀꢀꢀꢀ
(65)
[0209]
因此，调制谱减法增强后的调制相位谱：
[0210]
∠g(δ,r,l)＝arg[z
′
(δ,r,l)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(66)
[0211]
由此获得最终的调制谱：z(δ,r,l)＝|gg(δ,r,l)|e
j∠g(δ,r,l)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(67)
[0212]
将最终的调制谱做一次快速傅里叶逆变换得到信号增强后的频域幅度谱，对此频域幅度谱与频域相位谱结合后，再做一次快速傅里叶逆变换从而得到谱减法与相位谱补偿增强后的脉搏波信号波形。
[0213]
以上实施例只用于说明本发明的技术方案，并非对此限制；尽管以上实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行同等替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。