基于Transformer和CNN特征融合的非接觸式心率檢測算法

畢福昆 李子靜 王彥平 孫 宇

（北方工業大學信息學院，北京 100144）

1 引言

隨著人們生活習慣的不規律化，心血管疾病的發病率急劇上升［1］，心率不穩定是心血管疾病的常見危險因素。傳統的心率（Heart Rate，HR）診斷方法，如電子血壓計和心電圖監測，需要佩戴袖帶或放置電極貼，既缺乏便利和舒適，也無法實現長期、實時監測。與之相比，非接觸式方法不需要逐一接觸人體，能夠實現對大規模人群的高效、實時心率監測。因此，在智能設備上實現基于透皮光學成像技術（Transdermal Optical Imaging，TOI）的非接觸式測量，操作簡便，將鼓勵更多的人進行更有規律的日常動態監測，及早發現潛在健康風險。

近年來，國內外學者對非接觸式心率測量的研究源源不斷。2017 年，Al-naji 等人［2］使用改進版的EMA 來增強HR 信號，但基于胸部和手腕等區域的運動。2018 年，CHEN 等人［3］使用名為DeepPhys 的深度卷積網絡開發了一種基于視頻的HR 和呼吸率的端到端方法。2020 年，LUGUEV 等人［4］采用三維卷積神經網絡對脈沖信號進行提取，使用深度時空網絡進行非接觸式HR 測量。PARACCHINI 等人［5］將深度學習與傳統的信號處理相結合，使用SPAD相機對脈沖信號進行提取和檢測。LIU 等人［6］基于時空卷積提出了輕量級的rPPG 估計網絡（DeeprPPG），用于涉及不同類型的輸入皮膚。2021 年，HUANG 等人［7］提出了一種基于視覺脈沖估計的單階段框架，在處理延遲方面實現了競爭性能。

雖然非接觸式檢測已有廣泛研究，但在資源受限的設備或場景中，模型有待進一步輕量化，準確度也需提高。本文提出了一種基于Transformer 和CNN 特征融合的非接觸式心率檢測算法。……