Т.М. Волосатова – к.т.н., доцент кафедра РК6, Московский государственный технический университет им.Н.Э.Баумана

E-mail: tamaravol@gmail.com

Т.А. Соколова – студент, кафедра РК6, Московский государственный технический университет им.Н.Э.Баумана

E-mail: tanya.sokolova195@gmail.com

А.Ю. Спасёнов – студент, кафедра РК6, Московский государственный технический университет им.Н.Э.Баумана

E-mail: a.spasenov@bmstu.ru

К.В. Кучеров – студент, кафедра РК6, Московский государственный технический университет им.Н.Э.Баумана

E-mail: cvkucherov@yandex.ru

Постановка проблемы. Развитие современных средств последовательной регистрации изображений с высокой частотой дискретизации и чувствительностью позволяет создавать системы мониторинга, направленные на оперативный анализ биомедицинских данных. Характерным проявлением такой информации является результат работы сердечнососудистой системы (ССС). В процессе функционирования ССС изменяются тепловые характеристики поверхности кожи, отражающиеся в изменении интенсивности цветовых компонент соответствующих фрагментов зарегистрированных изображений. Применение современных нейросетевых методов анализа данных позволяет находить характерные участки исследуемых изображений с высокой точностью и скоростью, благодаря чему становится возможным создание систем мониторинга и диагностики функционального состояния человека на основе соответствующей информации.

Цель. Разработать алгоритм бесконтактной идентификации пульсовой волны с использованием последовательной регистрации изображений поверхности лица и верифицировать полученные результаты с использованием сигнала фотоплетизмограммы.

Результаты. Рассмотрены современные методы поиска характерных фрагментов изображений на основе сверточных нейронных сетей. Разработан алгоритм оценки вариабельности цветовых компонент фрагментов изображений с использованием частотно-временного вейвлет-анализа. Создана экспериментальная база, содержащая параллельную регистрацию видео и фотоплетизмограмм.

Практическая значимость. Бесконтактные методы анализа вариабельности сердечного ритма дают возможность проводить оперативную диагностику ССС. Разработанный метод может быть использован для создания систем оценки функционального состояния человека.

Волосатова Т.М., Соколова Т.А., Спасёнов А.Ю., Кучеров К.В. Метод бесконтактного обнаружения пульсовой волны. Нейрокомпьютеры: разработка, применение. 2020. Т. 22. № 2. С. 35–42.  DOI: 10.18127/j19998554-202002-03

1. Rahman H., Ahmed M. U., Begum S. Non-Contact Physiological Parameters Extraction Using Camera. The 1st Workshop on Embedded Sensor Systems for Health through Internet of Things, School of Innovation, Design and Engineering. Mälardalens University, Västerås, Sweden, 2015.
2. Rahman H., Ahmed M. U., Begum S. Vision-Based Remote Heart Rate Variability Monitoring using Camera. in: Internet of Things (IoT) Technologies for HealthCare, Västerås, Sweden, Springer, 2016. P.10-18.
3. Rahman H., Ahmed M. U., Begum S. Non-Contact Heart Rate Monitoring Using Lab Color Space // 13th International Conference on Wearable Micro and Nano Technologies for Personalized Health, 2016.
4. Shao D., Liu C., Tsow F., Yang Y., Du Z., Iriya R. Noncontact Monitoring of Blood Oxygen Saturation Using Camera and Dual-Wavelength Imaging System // IEEE Transactions on Biomedical Engineering. 2016. V. 63. P. 1091- 1098.
5. Al-Naji A. Computer Vision for Remote Cardiorespiratory Monitoring // Middle Technical University, 2018.
6. Alghoul K., Alharthi S., Osman H. A., Saddik A. E. Heart Rate Variability Extraction From Videos Signals: ICA vs. EVM Comparison // IEEE. 2017. V. 5. P. 4711-4719.
7. Al-Naji A., Gibson K., Lee S., Chahl J. Monitoring of Cardiorespiratory Signal: Principles of Remote Measurements and Review of Methods // IEEE. 2017. V. 5. P. 15776-15790.
8. Rahman H. Real Time Heart Rate Monitoring from Facial RGB Color Video Using Webcam // The 29th Annual Workshop of the Swedish Artificial Intelligence Society, 2016.
9. Viola P., Jones M.J. Robust Real-Time Face Detection // International Journal of Computer Vision. 2001. V. 57. P. 137–154.
10. Shu C., Ding X., Fang C. Histogram of the oriented gradient for face recognition // Tsinghua Science and Technology 2011 Volume 16 pp. 216-224.
11. Liy J., Wangz Y., Wangz C., Taiz Y., Qiany J., Yangy J., Wangz C., Liz J., Huang F. DSFD: Dual Shot Face Detector [Электронный ресурс]. – URL: https://arxiv.org/abs/1810.10220v3 (дата обращения: 26.05.2019).
12. Simonyan K., Zisserman A. Very Deep Convolutional Networks For Large-Scale Image Recognition [Электронный ресурс]. – URL:https://arxiv.org/abs/1409.1556 (дата обращения: 25.05.2019).
13. Liu W., Anguelov D., Erhan D., Szegedy C., Reed S., Fu1 C., Berg A. C. SSD: Single Shot MultiBox Detector. [Электронный ресурс]. – URL:https://arxiv.org/abs/1512.02325 (дата обращения: 25.05.2019)).
14. Riedel R.B. Infrared Identification of Faces and Body Parts // Biometrics Springer. 2006. P.191-212.
15. Raspberry PI [Электронный ресурс]. – URL: https://www.raspberrypi.org/ (дата обращения: 25.05.2019).
16. ImageNet [Электронный ресурс]. – URL: http://www.image-net.org/ (дата обращения: 25.05.2019).
17. Волосатова Т.М., Спасёнов А.Ю., Логунова А.О. Автоматизированная система анализа и интерпретации электрокардиосигнала // Радиостроение. 2016. № 1. С.1-18.