Исследование методов построения алгоритмов для измерения пульса

Размещено на http: //www. allbest. ru/

Санкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-Бруевича

Исследование методов построения алгоритмов для измерения пульса

Шарикова Мария Игоревна, магистр, аспирант

Аннотация

Наибольший интерес при бесконтактном измерении биометрических параметров человека с помощью видео вызывают показания пульса. Выведено много методик для проведения измерений, однако все они имеют ряд недостатков, что ограничивает их применение. В статье рассмотрены методы, наиболее четко отражающие существующие подходы, сделаны выводы о целесообразности применимости каждого из них, рассмотрены недостатки существующих методик, сделаны уточнения, которые могут привести к их более эффективному использованию.

На основе проведенного исследования выработана методика для достижения максимально верного результата.

В последние годы широкое распространение получили исследования, связанные с возможностью бесконтактного измерения данных человека с использованием видеоизображений. Такими данными являются, например, пульс или частота дыхания, изменение цвета кожи, частота моргания и непроизвольные движения мышц лица или же всего тела. Использоваться полученная информация может для медицинских освидетельствований тех пациентов, для которых лишний контакт с датчиками приборов нежелателен -- например, младенцы или люди с чувствительной кожей. Так же данные могут использоваться для построения нового типа полиграфа, реагирующего на изменение состояния организма человека или системы идентификации нестандартного поведения для выявлений преступников.

Из всех биометрических показателей, по мнению автора, наиболее практически применимым и информативным является измерение пульса человека, сравнение полученного пульса с нормами для данной возрастной категории людей, выявление отклонений, статистический анализ данных.

Ученые из MIT (Массачусетского технологического университета) занимались разработками алгоритма, который позволяет измерять пульс бесконтактно, используя лишь видеоряд. Рассматривались два подхода для решения задачи. сердечный пульс алгоритм видеоизображение

Первый основан на том, что при ударе сердца происходит выброс крови в сосуды, находящиеся, в том числе и на лице. В этом случае пульс можно высчитать, отслеживая частоту изменения цвета кожи.

Второй подход -- это выявление на видеоизображении мельчайших движений. Такие движения, не видимые невооруженным взглядом, но фиксируемые камерой, также происходят при каждом ударе сердца.

Однако разработчики алгоритмов пришли к выводу, что метод, основанный на изменении цвета кожи неточен. Большую роль при измерении пульса в этом случае играет освещение, а так же природный цвет кожи. Поэтому большинство разработанных методов посвящено именно выявлению невидимых человеческому глазу движений.

В своих научных исследованиях[1] группа ученых описывает рассмотренный ими способ выявления мельчайших движений, используя пространственную и временную обработку видеоряда. Метод характеризуется, прежде всего, как выявление мелких движений в режиме реального времени. Авторами математически выводится связь между временной фильтрацией и пространственным движением. Алгоритм метода подходит как для усиления пространственного движения, так и для только временных изменений.

Рассмотрим алгоритм подробнее. Пространственно-временная обработка видео осуществляется следующим образом. Вначале происходит пространственное разложение видеопоследовательности. В качестве метода разложения используется пирамида Лапласа -- каскадно включенные гаусовские фильтры для получения избыточного представления сигнала [2]. Затем применяется временная фильтрация для каждой субполосы пирамиды, выделяя интересующую полосу частот, соответствующую пульсу. Далее извлеченный сигнал умножается на коэффициент усиления, который может быть установлен пользователем или выбран автоматически, в зависимости от условий съемок и формы задачи. После пирамида собирается. На выходе алгоритма получается исходное изображение с настолько усиленными мелкими движениями, что они становятся видны глазу.

Для вывода взаимосвязи временной обработки и усилением движения используется разложение ряда Тейлора первого порядка и обобщенное представление функции для оптического потока. Однако такой метод точен только для сглаженных изображений с малыми движениями. При наличии в видеоряде высоких пространственных частот (широко амплитудных движений), они станут еще заметнее при применении к ним коэффициента усиления.

При работе с методом пользователям предлагается выбрать временной полосовой фильтр (который в общем случае выставляется автоматически, но может быть изменен) и коэффициент усиления. Так же предполагается, что у пользователя есть возможность в режиме реального времени настраивать коэффициент усиления и граничные частоты. Выбор фильтра, как правило, зависит от поставленной задачи. Для увеличения движения предпочтительным является фильтр с широкой полосой пропускания, для цветового усиления кровотока узкая полоса пропускания дает более бесшумный результат.

Недостатками данного метода является то, что линейное усиление движения поддерживает только малые коэффициенты на высоких пространственных частотах и может значительно усилить шум при увеличении коэффициента, что делает данный метод малоприменимым на практике.

В следующем исследовании[3] теми же авторами из MIT был предложен другой подход к обработке движения на видео для выявления скрытых движений -- фазовый. Он не связан с вычислением оптического потока и поддерживает более высокие коэффициенты усиления.

Алгоритм работы данного метода более зависим от разложения видеоряда. Вначале, как и в предыдущем методе, происходит разложение видеоряда с помощью управляемой пирамиды. Далее вычисляется локальная фаза для каждого поддиапазона пирамиды и применяется временная фильтрация, чтобы выделить и удалить неизменяющиеся компоненты. Оставшиеся после фильтрации фазы соответствуют движению в разных субполосах пирамиды. Чтобы синтезировать увеличенное движение, полученную полосу фаз умножают на коэффициент усиления. Затем пирамида собирается.

Управляемая пирамида -- преобразование, которое разлагает изображение, подобно пирамиде Лапласа. Базовые функции преобразования напоминают фильтры Габора, управляемые синусоиды. В методе управляемость этих базисных функций не используется, но у преобразования есть другие свойства, которые важны для анализа движения: сглаженные поддиапазоны и квадратурные фазовые фильтры.

Для вычисления фазы внутри каждого поддиапазона используется пары четных и нечетно-фазовых пространственных фильтров, выходы которых представляют собой комплексно значные коэффициенты в управляемой пирамиде. Вещественная часть каждого коэффициента представляет собой четно-симметричный фильтр (косинус), а его мнимая копия представляет собой нечетно-симметричный фильтр (синус).Управляемая пирамида строится путем применения передаточных функций к дискретному преобразованию Фурье для разложения изображения в различные пространственные полосы частот. Каждый фильтр изолирует непрерывную частотную область и, следовательно, имеет импульсную характеристику, которая локализована в пространстве. Передаточные функции сложной управляемой пирамиды содержат только положительные частоты соответствующего фильтра реальной управляемой пирамиды, поэтому существует понятие, как амплитуды, так и фазы.

Авторы метода вывели, что фазовые изменения между кадрами будут намного выше для высокочастотных компонентов, чем для низкочастотных компонентов. Движения низких пространственных частот могут быть увеличены больше, чем движения высоких пространственных частот. В статье описываются экспериментальные подтверждения, как для синтетических примеров, так и для естественных видеозаписей.

Другая группа ученых из того же университета [4] построила свой метод на том факте, что при выбросе крови при ударе сердца, происходит микродвижение головы только в вертикальной плоскости. При построении алгоритма они обращаются кPCA (методу главных компонент).

Метод построен таким образом. Вначале выделяется движение головы, фильтруя грубые движения, и применяется PCA для описания основных элементов движения. Далее исследуется частотный спектр и выбирается источник с наиболее выдающейся основной частотой. С помощью этой частоты определяется частота пульса.

Для описания и слежения за движением выбираются характерные точки, которые представляют положение головы на кадре. Для них вычисляется ковариационная матрица. PCA находит главные оси изменения положения как собственные векторы ковариационной матрицы, определяющие направление и величину движения для характерных точек. Для дальнейшего анализа выбирается самый периодический сигнал. Периодичность сигнала определяется как процент от общей спектральной мощности, учитывая частоту с максимальной мощностью и ее первой гармоникой. Максимальная частота выбранного сигнала маркируется как частота пульса. Данный метод оказался наиболее устойчивым к шумам.

Анализируя представленные в данной статье методы, можно сделать вывод, что главным их недостатком является ограниченность применения. Во всех трех случаях эксперименты проводились при условии, что испытуемые были неподвижны. В противном случае, при естественном поведении человека, есть вероятность, что алгоритмы измерят пульс с большой погрешностью. При этом самое большое отклонение будет иметь первый описанный алгоритм, поскольку он рассматривает и усиливает амплитуду движения.

Самым устойчивым к шумам является третий подход. К тому же, он использует выделение области лица и задание характерных точек, что приводит к уменьшению обрабатываемой информации. Метод построен на утверждении, что при выбросе крови голова совершает непроизвольные микродвижения в вертикальной плоскости, что позволяет представить изображение как одномерный сигнал.

Необходимо более тщательно исследовать вопрос выбора характерных точек. Для точного измерения могут использоваться определенные части лица. В случае, когда человек разговаривает или ест, погрешность при анализе всего лица будет больше, чем, если рассматривать при этих действиях условно неподвижный лоб. Важным моментом может стать то, что при изучении зависимости движений головы от толчков крови необходимо рассмотреть совокупность характерных точек как двумерный сигнал. Или при выявлении разных частей лица потребуется различное их описание. Так же анализу могут подвергаться участки тела, где проходят главные артерии, например, запястье или шея. Это применимо для частных случаев, когда данные участки хорошо видны.

Методы, посвященные амплитудному и фазовому подходам больше направлены на усиление микродвижений и демонстрацию этого процесса. Причем фазовый метод справляется с этой задачей гораздо лучше, чем амплитудный. Он может использоваться в задачах, где необходима демонстрация наличия движения, а не точность измерений. Третий метод так же выявляет этот процесс, но к этому дает четкое представление о механизме измерения пульса. В статье [4] приведена сравнительная таблица результатов измерений, проведенных с помощью описанного метода и аппарата ЭКГ. Из данных следует, что в среднем погрешность составляет 1.5 удара, что является удовлетворительным результатом. Однако такая оценка весьма условна, поскольку в таблице представлены данные по 18 измерениям с вычисление погрешности для каждого значения.

В итоге, третий подход является наиболее приемлемым для поставленной задачи измерения пульса по изображению.

При воссоздании автором метода, приведенного в [4], выяснилось, что на результат измерения влияют такие параметры, как освещение, положение головы, естественность поведения. Эксперимент проводился для реальных условий, то есть подразумевалось, что человек не может сидеть абсолютно неподвижно и помещение может быть освещено недостаточно. Проанализировав полученные результаты, автор сделал вывод, что большая часть ошибок предложенного в [4] метода возникает на этапе обнаружения и распознавания лица. При проведении эксперимента в идеальных условиях таких ошибок не возникает. Естественное поведение человека вызывает маскировку биения пульса более широко амплитудными колебаниями, что влияет на время анализа частотного спектра и на результат измерения. Необходимо задействовать алгоритм трекинга, что позволит отслеживать изменение положения головы и фильтровать грубые движения. Так же следует задать более тщательный алгоритм распознавания лица и конкретных областей, в которых наиболее приемлемо использовать характерные точки.

Данные усовершенствования помогут улучшить существующий метод и сделают его применимым в реальных условиях и различных ситуациях.

Список литературы

1. Hao-Yu Wu, Michael Rubinstein,Eugene Shih, John Guttag, Fredo Durand, William T. Freeman.Eulerian Video Magnification for Revealing Subtle Changes in the World// ACM Transactions on Graphics (Proc. SIGGRAPH 2012). 2012. Vol. 31, No. 4

2. Воробьев В.И.,Грибунин В.Г Теория и практика вейвлет-преобразования// ВУС, 1999. - 204 с.

3. Neal Wadhwa, Michael Rubinstein, FredoDurand, William T. Freeman. Phase-Based Video Motion Processing// ACM Trans. Graph. (Proceedings SIGGRAPH 2013). 2013. Vol. 32, No. 4

4. GuhaBalakrishnan, Frйdo Durand, John Guttag Detecting. Pulse from Head Motions in Video// Computer Vision and Pattern Recognition (CVPR). 2013.IEEEConferenceon

Размещено на Allbest.ru