头部动态场景下非接触式血氧饱和度测量

创作时间:

作者:

@小白创作中心

头部动态场景下非接触式血氧饱和度测量

引用

来源

http://chineseoptics.net.cn/cn/article/doi/10.37188/CO.2024-0034

随着人们对健康监测需求的不断增加，非接触式血氧饱和度测量技术的研究和应用将越来越受到关注。本文提出了一种基于改进的自适应噪声完全集合经验模态分解与小波阈值相结合的去噪方法，用于提取高信噪比的脉搏波信号。研究结果表明，该方法在不同头部场景下的血氧饱和度测量具有较好的稳定性和准确性。

针对现有非接触式血氧饱和度测量方法在头部动态场景下准确性低的问题，提出一种基于改进的自适应噪声完全集合经验模态分解与小波阈值相结合的去噪方法，用于提取高信噪比的脉搏波信号。首先，为解决自适应噪声完全经验模态分解在分解重构早期产生虚假分量和模态混叠的问题，在分解过程中加入高斯白噪声，使其成为改进的自适应噪声完全集合经验模态分解(ICEEMDAN)，从而减少模态分量中的残余噪声。然后，使用ICEEMDAN对红蓝色通道的脉搏波信号进行模态分解，并使用db8小波基函数对符合血氧频谱范围的分量进行3级分解和重构，将重构后的信号用于后续血氧值的计算。最后，将不同头部动态场景下测量的血氧饱和度结果进行实验对比分析。结果表明：不同头部场景下得到的血氧饱和度平均误差为0.73%，相较于其他算法平均误差降低1.93%。本文提出的去噪方法在不同头部场景下具有较好的稳定性，可满足日常血氧饱和度测量的需求。

图表说明

图 1 Hb和HbO2吸收光谱

图 2 基于ICEEMDAN-WT的血氧饱和度测量整体设计图

图 3 检测追踪效果图

图 4 皮肤分割效果图

图 5 像素平均后B通道和R通道信号

图 6 去直流后B通道和R通道信号

图 7 B通道分解后的信号

图 8 B通道对应的频谱分量

图 9 R通道分解后的信号

图 10 R通道对应的频谱分量

图 11 B通道重构后的信号

图 12 R通道重构后的信号

图 13 头部运动部分帧

图 14 评价指标对比

图 15 不同方法的MAE对比

图 16 Bland-Altman散点图

表格数据

表 1 不同运动场景之下的SpO2结果

实验场景	ME	MAE	RMSE
静态场景	0.57	0.64	0.86
说话场景	0.69	0.83	1.08
左右晃动	0.89	0.89	1.26
上下晃动	0.76	1.04	1.29

表 2 不同运动场景下算法性能对比

方法	静态场景	说话场景	上下晃动场景	左右晃动场景
	ME	MAE	RMSE	ME
文献[7]	1.55	2.27	2.74	2.23
文献[8]	0.70	1.10	1.30	1.13
文献[10]	0.51	1.12	1.23	0.63
本文方法	0.57	0.64	0.86	0.69

参考文献

STRUYF T, DEEKS J J, DINNES J,et al. Signs and symptoms to determine if a patient presenting in primary care or hospital outpatient settings has COVID-19 disease[J].Cochrane Database of Systematic Reviews, 2020, 7(7): CD013665.
MORO E, PRIORI A, BEGHI E,et al. The international European Academy of Neurology survey on neurological symptoms in patients with COVID-19 infection[J].European Journal of Neurology, 2020, 27(9): 1727-1737.doi:10.1111/ene.14407
TAMURA T. Current progress of photoplethysmography and SPO2for health monitoring[J].Biomedical Engineering Letters, 2019, 9(1): 21-36.doi:10.1007/s13534-019-00097-w
ALHARBI S, HU S, MULVANEY D,et al. Oxygen saturation measurements from green and orange illuminations of multi-wavelength optoelectronic patch sensors[J].Sensors, 2019, 19(1): 118.
BAL U. Non-contact estimation of heart rate and oxygen saturation using ambient light[J].Biomedical Optics Express, 2015, 6(1): 86-97.doi:10.1364/BOE.6.000086
荣猛, 范强, 李凯扬. 基于IPPG非接触式生理参数测量算法的研究[J]. 生物医学工程研究,2018,37(1):27-31,35.RONG M, FAN Q, LI K Y. Study on the measurement algorithm of contactless physiological parameter based on imaging photoplenthysmography[J].Journal of Biomedical Engineering Research, 2018, 37(1): 27-31,35. (in Chinese).
AL-NAJI A, KHALID G A, MAHDI J F,et al. Non-Contact SpO2 prediction system based on a digital camera[J].Applied Sciences, 2021, 11(9): 4255.doi:10.3390/app11094255
WEI B, WU X P, ZHANG CH,et al. Analysis and improvement of non-contact SpO2 extraction using an RGB webcam[J].Biomedical Optics Express, 2021, 12(8): 5227-5245.doi:10.1364/BOE.423508
嵇晓强, 刘振瑶, 李炳霖, 等. 面部视频非接触式生理参数感知[J]. 中国光学,2022,15(2):276-285.doi:10.37188/CO.2021-0157JI X Q, LIU ZH Y, LI B L,et al. Non-contact physiological parameters sensing in facial video[J].Chinese Optics, 2022, 15(2): 276-285.doi:10.37188/CO.2021-0157
PIRZADA P, MORRISON D, DOHERTY G,et al. Automated remote pulse oximetry system (ARPOS)[J].Sensors, 2022, 22(13): 4974.doi:10.3390/s22134974
HU M, WU X, WANG X H,et al. Contactless blood oxygen estimation from face videos: A multi-model fusion method based on deep learning[J].Biomedical Signal Processing and Control, 2023, 81: 104487.doi:10.1016/j.bspc.2022.104487
KONG L Q, ZHAO Y J, DONG L Q,et al. Non-contact detection of oxygen saturation based on visible light imaging device using ambient light[J].Optics Express, 2013, 21(15): 17464-17471.doi:10.1364/OE.21.017464
吴其献, 胡玉斐, 李攻科. 可穿戴光谱传感器在医疗监测中的研究进展[J]. 分析化学,2024(4):449-459.WU Qi-Hsian, HU Yu-Fei, LI Tie-Ke. Research progress of wearable spectroscopic sensors in medical monitoring[J].Analytical Chemistry, 2024(4): 449-459. (in Chinese).
VIOLA P, JONES M J, SNOW D. Detecting pedestrians using patterns of motion and appearance[J].International Journal of Computer Vision, 2005, 63(2): 153-161.doi:10.1007/s11263-005-6644-8
MSTAFA R J, ELLEITHY K M. A video steganography algorithm based on Kanade-Lucas-Tomasi tracking algorithm and error correcting codes[J].Multimedia Tools and Applications, 2016, 75(17): 10311-10333.doi:10.1007/s11042-015-3060-0
KHANAM F T Z, AL-NAJI A, CHAHL J. Remote monitoring of vital signs in diverse non-clinical and clinical scenarios using computer vision systems: A review[J].Applied Sciences, 2019, 9(20): 4474.doi:10.3390/app9204474
向宪昕, 孙华悦, 柴会宁, 等. 基于智能手机的可视化生物传感器在即时检测中的研究进展[J]. 分析化学,2024(2):145-156.XIANXIN XIANG, HUAYUE SUN, HUINING CHAI,et al. Advances in smartphone-based visual biosensors for immediate detection[J].Analytical Chemistry, 2024(2): 145-156. (in Chinese).
NIU X S, HU H, SHAN SH G,et al. VIPL-HR: A multi-modal database for pulse estimation from less-constrained face video[C].Proceedings of the 14th Asian Conference on Computer Vision, Springer, 2018: 562-576.
NIU X S, SHAN SH G, HAN H,et al. RhythmNet: End-to-end heart rate estimation from face via spatial-temporal representation[J].IEEE Transactions on Image Processing, 2020, 29: 2409-2423.doi:10.1109/TIP.2019.2947204