陳永康，侯振杰，陳 宸，梁久幀，蘇海明

(1.常州大學(xué) 信息科學(xué)與工程學(xué)院，江蘇 常州 213164；2.佛羅里達(dá)大學(xué)計(jì)算機(jī)視覺研究中心，佛羅里達(dá) 32118)

基于深度圖像的非接觸式呼吸檢測算法研究

陳永康1，侯振杰1，陳 宸2，梁久幀1，蘇海明1

(1.常州大學(xué) 信息科學(xué)與工程學(xué)院，江蘇 常州 213164；2.佛羅里達(dá)大學(xué)計(jì)算機(jī)視覺研究中心，佛羅里達(dá) 32118)

呼吸是人的基本生命活動(dòng)，監(jiān)測呼吸可以得知呼吸道和胸廓運(yùn)動(dòng)的生理、病理學(xué)狀態(tài)，對(duì)某些呼吸系統(tǒng)疾病的診斷有重要的參考價(jià)值；提出了一種非接觸式呼吸監(jiān)測方法：對(duì)紅外視頻流中的每幀胸腹部區(qū)域數(shù)據(jù)進(jìn)行降維，計(jì)算所有胸腹部區(qū)域數(shù)據(jù)的方差，將一定時(shí)間段內(nèi)的方差序列進(jìn)行低通濾波；最后根據(jù)方差序列可以獲得該段時(shí)間內(nèi)的呼吸頻率和呼吸暫停時(shí)間；提出的非接觸式呼吸檢測算法在不影響被監(jiān)測者正常睡眠活動(dòng)的情況下，可以準(zhǔn)確獲取呼吸頻率與其他相關(guān)參數(shù)，為健康監(jiān)測和相關(guān)疾病的診斷提供了數(shù)據(jù)支持；日常家居場景的實(shí)驗(yàn)中，檢測到的呼吸次數(shù)與實(shí)際完全一致，并且與實(shí)際胸腹部起伏變化基本同步，較好的保證了結(jié)果的準(zhǔn)確性。

呼吸檢測；深度圖像；非接觸

0 引言

呼吸是人體的一項(xiàng)基本生命活動(dòng)，然而由于生理構(gòu)造的原因，呼吸系統(tǒng)易感染各種呼吸疾病。通過檢測呼吸能發(fā)現(xiàn)并預(yù)防呼吸道、肺部以及心血管等部位的病變。呼吸頻率是一項(xiàng)檢測人呼吸的重要參數(shù)。醫(yī)學(xué)上發(fā)現(xiàn)，呼吸頻率和血液的一些生化參數(shù)的變化有著密切的關(guān)系，可能會(huì)影響到血氧飽和度、二氧化碳分壓、血氧含量等。經(jīng)研究發(fā)現(xiàn)，阻塞性呼吸睡眠暫停(obstructive sleep apnea,簡稱OSA)與呼吸頻率及呼吸暫停時(shí)間有著密切的關(guān)系。維基百科中關(guān)于OSA有這樣一段介紹：阻塞性呼吸睡眠暫停多生于中年男性，男性的發(fā)病率約為女性的2至8倍，平均20個(gè)成年人就有一個(gè)患上，老年人的病發(fā)率則為10%。另外，肥胖、扁桃腺過大、鼻骨移位、酗酒、吸煙及服用安眠藥的人士較易患上睡眠呼吸暫停。近年醫(yī)學(xué)研究發(fā)現(xiàn)原來兒童患有睡眠呼吸暫停的比例其實(shí)比想像中嚴(yán)重。

檢查及診斷OSA常用手段是借助睡眠多維圖(Polysomnography，PSG)。PSG提供了腦電圖、眼動(dòng)圖、肌電圖、口鼻氣流、胸及腹部動(dòng)態(tài)以及脈動(dòng)式血氧計(jì)。PSG能夠監(jiān)察人的睡眠時(shí)期、監(jiān)察人的呼吸狀態(tài)以及監(jiān)察血氧濃度。然而使用PSG費(fèi)用很高、并且PSG是接觸式設(shè)備，很容易打斷人的正常睡眠，影響最后診斷的結(jié)論。

近年來隨著各種傳感器技術(shù)的進(jìn)步，許多研究者希望通過各種傳感器來監(jiān)測人呼吸頻率及呼吸暫停時(shí)間，近而判斷被監(jiān)測者是否患有OSA。例如有研究者用胸腹部運(yùn)動(dòng)監(jiān)測帶監(jiān)測呼吸時(shí)引起的胸腹部運(yùn)動(dòng)，用心電圖的形式反映呼吸情況。這些非接觸式方法仍然無法解決干擾被監(jiān)測者正常睡眠活動(dòng)的問題。

于是有研究者采用記錄睡眠時(shí)音頻信息來分析睡眠情況[1-2]，然而利用聲音來檢測呼吸，易受到環(huán)境噪聲干擾易影響到結(jié)果的準(zhǔn)確性。利用熱成像攝像頭[3-4]監(jiān)測睡眠,利用熱成像攝像頭監(jiān)測最大的問題是易受攝像頭的視野的限制。這些方法最大的優(yōu)點(diǎn)是做到了非接觸監(jiān)測。

微軟推出的Kinect2可以獲得較為準(zhǔn)確的三維深度圖像且價(jià)格較低廉。有很多研究者利用Kinect監(jiān)測呼吸。Flavia Benetazzo通過Kinect實(shí)時(shí)采集人胸部深度數(shù)據(jù)，將當(dāng)前幀及前后幾幀的胸部深度數(shù)據(jù)做加權(quán)平均，通過做差得出人呼吸曲線[5]。單禹皓通過Kinect計(jì)算胸部區(qū)域深度數(shù)據(jù)平均值測呼吸信號(hào)[6-8]。然而經(jīng)實(shí)際實(shí)驗(yàn)，平均值對(duì)胸腹部變化不敏感。

文章所采用的是Kinect2紅外視頻流數(shù)據(jù)，它基于主動(dòng)紅外追蹤技術(shù)，對(duì)光照無特殊要求。當(dāng)人躺在Kinect2的視野范圍內(nèi)并且能夠識(shí)別人的骨架時(shí)，該算法便可開始監(jiān)測人的呼吸。

1 方法

1.1 方法流程

該算法主要分為以下5個(gè)步驟：獲取紅外圖像中人胸腹部數(shù)據(jù)、快速PCA提取主要特征、對(duì)提取的特征計(jì)算方差、對(duì)方差序列進(jìn)行低通濾波、統(tǒng)計(jì)呼吸暫停時(shí)間。該算法主要具體流程如圖1。

圖1 呼吸監(jiān)測算法流程

1.2 獲取人體胸腹部數(shù)據(jù)

文章利用kinect2提供的人體骨骼追蹤功能，大致確定人的胸部區(qū)域。具體做法是首先用肩部左頂點(diǎn)、肩部右頂點(diǎn)和脊椎中段頂點(diǎn)確定一個(gè)大致的矩形區(qū)域(如圖2～3)，再根據(jù)實(shí)際情況調(diào)整胸腹部區(qū)域的大小。下面詳細(xì)說明確定胸腹部區(qū)域方法。

首先，當(dāng)kinect2跟蹤到躺著人的骨架時(shí)，獲取某時(shí)刻(t)的骨骼幀的shoulderLeft、shoulderRight和SpineMid的三維空間坐標(biāo)，并把三維空間坐標(biāo)轉(zhuǎn)化到對(duì)應(yīng)紅外視頻流空間的二維圖像坐標(biāo)A、B、E。

然后利用轉(zhuǎn)化后的二維空間坐標(biāo)A、B、E確定胸腹部所在當(dāng)前紅外圖像幀的位置ABCD。

最后獲取時(shí)刻(t)紅外圖像幀中區(qū)域ABCD的數(shù)據(jù)，即每幀紅外圖像中人胸腹部數(shù)據(jù)，并將其灰度化。

圖2 kinect追蹤的骨骼點(diǎn)

圖3 算法實(shí)時(shí)場景圖

1.3 PCA提取主要特征

截取某時(shí)刻t的紅外圖像的胸部區(qū)域的數(shù)據(jù)，該區(qū)域數(shù)據(jù)是一二維數(shù)組，將其定義為一個(gè)m×n的矩陣Amn。

Amn包含了表征人體呼吸的特征數(shù)據(jù)。在實(shí)驗(yàn)中發(fā)現(xiàn)Amn的m、n均大于30，那么Amn便有多于900個(gè)特征分量來反映呼吸變化，數(shù)據(jù)存在極大的冗余。例如截取的胸腹部區(qū)域中有些區(qū)域是一直是靜止的，那么表示這些區(qū)域的特征分量是多余的。因此有必要對(duì)Amn進(jìn)行降維以降低數(shù)據(jù)的冗余度。

文章中提到的胸部起伏特征屬于高維特征并且每一幀紅外圖像胸部區(qū)域數(shù)據(jù)無明顯的類別信息。所以對(duì)于LDA這種處理有類別信息的特征降維方法顯然不是最合適的。PCA比較適合處理沒有類別信息的全局?jǐn)?shù)據(jù)，用來提取本文每一幀紅外圖像的胸部區(qū)域數(shù)據(jù)是比較合適的。因此本文采用PCA對(duì)Amn進(jìn)行特征降維。

將Amn看成n維空間中m個(gè)樣本，用PCA降維的目的是尋找到一合理的、更低的維度d，在該維度下依然能很好的表示包含的主要信息。

Amn可以看做有m個(gè)樣本和n個(gè)特征值的變量數(shù)據(jù)表，即Amn=(a1,a2,…,an)其中aj=(A1j,A2j,…,Anj)T對(duì)應(yīng)第j個(gè)變量。本文采用如下步驟進(jìn)行主成分分析：

1)對(duì)Amn進(jìn)行標(biāo)準(zhǔn)化處理，即：

(1)

式中,i=1,2,…,m;j=1,2,…,n

3)求V的前n個(gè)特征值λ1≥λ2≥……≥λn，及對(duì)應(yīng)的特征向量U=(u1,u2…ud)。

4)取前個(gè)主成分：

Y=UTX

(2)

式中,U=(u1,u2…ud);Y=(y1,y2,…,yn)

Y就是經(jīng)過降維后的呼吸矩陣。PCA處理效果如圖4，將經(jīng)過PCA處理的呼吸曲線與未經(jīng)過PCA處理的呼吸曲線對(duì)比可以發(fā)現(xiàn)，經(jīng)過PCA提取主成分能夠降低原始數(shù)據(jù)的冗余度，突出被監(jiān)測者在呼吸過程中的胸腹部變化，緊而使呼吸曲線變化程度更加明顯。

圖4 使用PCA前后效果對(duì)比

1.4 對(duì)提取的特征計(jì)算方差

眾所周知，人呼吸伴隨著胸腹部的擴(kuò)張與收縮，那么在一次正常呼吸過程中，任意時(shí)刻的胸腹部變化變化程度和相鄰時(shí)刻的變化程度應(yīng)該有所差別。具體的表現(xiàn)就是某時(shí)刻采集的圖像中人的胸腹部擴(kuò)張或收縮程度應(yīng)與前后相鄰幾幀圖像中的變化程度有所不同。

方差是用來反映一組數(shù)據(jù)的離散程度。呼吸幅度越大，監(jiān)測的Y中的數(shù)據(jù)之間差異將會(huì)越大，數(shù)據(jù)的分布將相對(duì)分散；而當(dāng)呼吸越微弱，Y中數(shù)據(jù)之間差異將會(huì)越小，數(shù)據(jù)分布將會(huì)相對(duì)集中。所以每一時(shí)刻紅外圖像中Y的方差值便可描述當(dāng)前人胸腹部變化的程度。

令

B={bi|bi∈Y且Y∈B}

(3)

k為B中元素個(gè)數(shù)

(4)

φ(t)含義為對(duì)某一時(shí)刻t獲取的深度圖像幀中胸腹部區(qū)域數(shù)據(jù)Y所有元素的方差值。根據(jù)前文所述，將φ(t)的大小來衡量胸腹部區(qū)域變化程度，φ(t)越大說明胸腹部區(qū)域正在擴(kuò)張，反之表示胸腹部區(qū)域正在收縮。

1.5 對(duì)方差序列進(jìn)行低通濾波

人體呼吸頻率因年齡、性別和生理狀態(tài)而異，一般來說成年人的呼吸頻率約為12-20次/每分；兒童的呼吸頻率約為20次/每分。因此時(shí)域信號(hào){φ1,φ2,…,φn}中的高頻成分均可以看成是噪聲。

對(duì)某一段時(shí)間內(nèi)的方差序列進(jìn)行傅里葉變換，F(xiàn)(u)表示傅里葉變換結(jié)果。該文將頻域信號(hào)中的不合理高頻成分置零，經(jīng)反復(fù)試驗(yàn)，從F(u)第6項(xiàng)開始均置零，記修正后的F(u)為FF(u)：

(5)

然后對(duì)FF(u)做逆傅里葉變換，將FF(u)轉(zhuǎn)化為時(shí)域信號(hào)。如圖5，經(jīng)過低通濾波后噪聲被極大消除，呼吸曲線更趨光滑，更清晰地反映出呼吸變化過程。

圖5 低通濾波效果

1.6 統(tǒng)計(jì)呼吸暫停時(shí)間

呼吸暫停在在呼吸曲線中一般表現(xiàn)為在特定的區(qū)域內(nèi)曲線波動(dòng)的程度較小，如圖6所示。

記C(n)為經(jīng)過低通濾波的呼吸時(shí)間序列(C(n)=φ(t)),C(n)的最大值max(C(n))=p,最小值為min(C(n))=q。p在C(n)中的位置為α，q在C(n)中的位置為β。下面定義描述一段序列C(n)的波動(dòng)程度量σ(C)：

(6)

σ(C)的含義是在一段時(shí)間內(nèi)，平均每點(diǎn)的波動(dòng)程度。通常在相同一段時(shí)間內(nèi)，呼吸序列變化越頻繁則σ(C)越大；呼吸序列中的最大值與最小值之差越大則σ(C)越大。

當(dāng)σ(C)小于某個(gè)閾值m時(shí)認(rèn)為C(n)序列波動(dòng)程度不大，近而認(rèn)為這段時(shí)間呼吸暫停。下面給出閾值m的計(jì)算方法。φ(t)為一段時(shí)內(nèi)的呼吸序列，其中C(n)∈φ(t)，max(φ(t))=g，min(φ(t))=h

(7)

圖6 正常呼吸曲線

2 實(shí)驗(yàn)結(jié)果與分析

2.1 不同呼吸速率的呼吸曲線

為了測試該算法是否能在不同呼吸狀態(tài)下真實(shí)地反映人呼吸變化，設(shè)計(jì)了實(shí)驗(yàn)一，實(shí)驗(yàn)一為在33s內(nèi)，測試者躺著以不同的方式呼吸。本實(shí)驗(yàn)共測試了10個(gè)體型不同的個(gè)體，以正常呼吸3各次、呼吸急促及呼吸中有暫停各一次。

正常呼吸每個(gè)被測試者測試三次的目的是，確定該個(gè)體平均正常呼吸的頻率；而呼吸暫停、呼吸急促均只做一次實(shí)驗(yàn)，是為了確定參數(shù)μ=5下的呼吸曲線，能否很好描述人在不同情況下的呼吸狀況。

圖6～8分別是測試者1的正常呼吸、呼吸急促、呼吸有暫停的呼吸曲線。

通過表1發(fā)現(xiàn)被試的呼吸頻率頻率范圍與資料給出的呼吸頻率范圍大致相同。通過30次實(shí)驗(yàn)發(fā)現(xiàn)在33s被試呼吸次數(shù)都集中在7-10次，這一結(jié)果與上文提到的呼吸頻率范圍相符。

通過表2的被測試者實(shí)際呼吸次數(shù)與計(jì)算出的呼吸次數(shù)做對(duì)比可以發(fā)現(xiàn)，當(dāng)被試者的呼吸頻率過快時(shí)，采用本算法的低通濾波參數(shù)會(huì)導(dǎo)致計(jì)算出的呼吸頻率與實(shí)際有一定的偏差，然而本算法的應(yīng)用場景為監(jiān)測普通家居環(huán)境下人的睡眠呼吸情況，眾所周知，一般人在睡眠時(shí)呼吸頻率不會(huì)太高。

通過表3的數(shù)據(jù)可以發(fā)現(xiàn)，人在單位時(shí)間內(nèi)的呼吸頻率與呼吸暫停次數(shù)呈現(xiàn)負(fù)相關(guān)的特點(diǎn)，這與實(shí)際情況相符。

2.2 對(duì)比實(shí)驗(yàn)

為了進(jìn)一步地測試該算法的正確性，又實(shí)現(xiàn)了Flavia Benetazzo提出的呼吸檢測算法。該文設(shè)計(jì)了實(shí)驗(yàn)二用于對(duì)比該算法統(tǒng)計(jì)出的呼吸頻率與Flavia Benetazzo方法的差異。該實(shí)驗(yàn)中收集了10個(gè)被試各自在33s內(nèi)呼吸的深度視頻流，然后分別用兩種方法處理并計(jì)算出呼吸頻率，結(jié)果如表4。由表4可知兩種算法所統(tǒng)計(jì)出的呼吸頻率幾乎沒有任何差別。鑒于Flavia Benetazzo將其算法得出的結(jié)果與專業(yè)的spirometer作對(duì)比并且誤差不太大，所以文章提出的檢測呼吸算法可靠性較高。

表1 正常呼吸測試

表2 急促呼吸測試

表3 呼吸暫停測試

圖7 呼吸急促曲線

圖8 呼吸暫停曲線

在實(shí)驗(yàn)二中涵蓋了正常、暫停及呼吸急促的情況，分別如圖9～11所示。

圖9是兩種算法檢測正常呼吸效果的對(duì)比圖，由圖可知在本文算法產(chǎn)生的呼吸曲線的波峰對(duì)應(yīng)Flavia Benetazzo算法產(chǎn)生的呼吸曲線的波谷。這是由于本文是基于胸腹部變化程度來反映被試呼吸變化，而Flavia Benetazzo提出的算法是基于胸部距離與Kinect攝像頭的距離來反映被試的呼吸變化。一般地，當(dāng)胸腹部擴(kuò)張到最大時(shí)(即完成吸氣過程)本文算法取得極大值，而Flavia Benetazzo方法正好取得極小值，反之則表現(xiàn)正好相反。結(jié)合圖10、圖11可知這種變化規(guī)律僅僅在被試正常呼吸時(shí)才會(huì)滿足。

圖10是兩種算法檢測呼吸暫停效果地對(duì)比圖，由圖可知本文算法描述呼吸暫停時(shí)波動(dòng)程度比Flavia Benetazzo算法的更小，更易于統(tǒng)計(jì)呼吸暫停時(shí)間。更進(jìn)一步地，在圖9(b)的AB區(qū)間內(nèi)，出現(xiàn)了兩者波峰重合的情況，這是由于被試由正常呼吸狀態(tài)突變成呼吸暫停狀態(tài)導(dǎo)致的。

圖11是兩種算法檢測急促呼吸效果的對(duì)比圖，由圖可知，在呼吸急促的情況下，兩種呼吸檢測算法得出的呼吸曲線沒有任何對(duì)應(yīng)關(guān)系，但都能反映出呼吸急促的特點(diǎn)。

雖然國內(nèi)外已經(jīng)有一些學(xué)者研究從圖像中提取被監(jiān)測者的呼吸狀況，但是大多沒有詳細(xì)研究被監(jiān)測者在各種呼吸狀態(tài)下的呼吸曲線。鑒于此，本文研究了本呼吸檢測算法在各種呼吸情況下的呼吸曲線，發(fā)現(xiàn)很好的反映了被檢測者實(shí)際呼吸情況。并且通過對(duì)比試驗(yàn)可知本算法的正確性能夠得到保證。

由于深度圖像的性質(zhì)，該呼吸檢測算法可以24持續(xù)小時(shí)檢測被監(jiān)測者的呼吸狀態(tài)，進(jìn)一步提高了通過圖像檢測人呼吸算法的實(shí)用性。

圖9 不同算法正常呼吸對(duì)比圖

圖10 不同算法呼吸暫停對(duì)比圖

圖11 不同算法呼吸急促對(duì)比圖

3 結(jié)論

該文提出的算法主體思路是采用方差來衡量呼吸變化程度，通過PCA降維、快速傅里葉變換進(jìn)行低通濾波來減少信號(hào)中的噪聲。通過與Flavia Benetazzo提出的算法做對(duì)比實(shí)驗(yàn)，驗(yàn)證了該文提出算法的正確性。同時(shí)該文也全面地分析了低通濾波地參數(shù)取值對(duì)信號(hào)的影響。

該方法最大的優(yōu)點(diǎn)是對(duì)胸腹部變化敏感。算法在實(shí)際實(shí)現(xiàn)中可采用PCA降維、利用快速傅里葉變換進(jìn)行低通濾波，因此算法能保證實(shí)時(shí)性，具有實(shí)際應(yīng)用價(jià)值。算法在被監(jiān)測者做翻身、起床等動(dòng)作時(shí)，無法做到自適應(yīng)監(jiān)測胸腹部區(qū)域。這一問題將在后續(xù)工作中解決。

[1] Denissova S I, Yewondwossen M H, Andrew J W, et al. A gated deep inspiration breath-hold radiation therapy technique using a linear position transducer.[J]. Journal of Applied Clinical Medical Physics, 2005, 6(1):61-70.

[2] Cheng C M, Hsu Y L, Young C M, et al. Development of a portable device for telemonitoring of snoring and obstructive sleep apnea syndrome symptoms.[J]. Telemedicine journal and e-health : the official journal of the American Telemedicine Association, 2008, 14(1):55-68.

[3] Ng A K, Tong S K, Abeyratne U R, et al. Investigation of Obstructive Sleep Apnea Using Nonlinear Mode Interactions in Nonstationary Snore Signals[J]. Annals of Biomedical Engineering, 2009, 37(9):1796-806.

[4] Varith J, Hyde G M, Baritelle A L, et al. Non-contact bruise detection in apples by thermal imaging[J]. Innovative Food Science & Emerging Technologies, 2003, 4(2):211-218.

[5] Zhu Z, Fei J, Pavlidis I. Tracking human breath in infrared imaging[A]. Bioinformatics and Bioengineering, 2005. BIBE 2005. Fifth IEEE Symposium on[C]. 2005:227-231.

[6] Benetazzo F, Freddi A, Monteriù A, et al. Respiratory rate detection algorithm based on RGB-D camera: theoretical background and experimental results.[J]. Healthcare Technology Letters, 2014, 1(3):81-86.

[7] Noonan P J, Howard J, Hallett W A, et al. Repurposing the Microsoft Kinect for Windows v2 for external head motion tracking for brain PET.[J]. Physics in Medicine & Biology, 2015, 60(22):8753-66.

[8] 單禹皓, 陳 通, 溫萬惠等. 呼吸信號(hào)的非接觸式測量[J]. 計(jì)算機(jī)科學(xué), 2015, 42(10):43-44.

[9] 張鵬飛, 張 華, 拜 軍等. 呼吸信號(hào)檢測技術(shù)研究現(xiàn)狀[J]. 國際生物醫(yī)學(xué)工程雜志, 2012, 35(6):365-368.

[10] 田芳潔, 孫建軍, 陳 實(shí). 從文獻(xiàn)計(jì)量學(xué)看近10年OSA研究的發(fā)展[J]. 醫(yī)學(xué)綜述, 2010, 16(17):2690-2694.

[11] 戴 鵬, 曹忠麗, 陳飛鳴等. 一種非接觸式人體生理信號(hào)監(jiān)測方法[J]. 傳感器與微系統(tǒng), 2013, 32(3):49-52.

[12] 李烈熊, 蘇兩河. 基于Gabor小波+PCA+LDA特征提取方法的人臉表情識(shí)別[J]. 機(jī)電技術(shù), 2011, 34(6):18-20.

[13] 文 斌, 徐順來, 羅愛民. 基于SVM二叉樹的豬呼吸系統(tǒng)疾病診斷方法的研究(摘要)(英文)[J]. Agricultural Science & Technology, 2011, 39(3):7839-7841.

[14] 張政波, 俞夢孫, 李若新等. 背心式呼吸感應(yīng)體積描記系統(tǒng)設(shè)計(jì)[J]. 航天醫(yī)學(xué)與醫(yī)學(xué)工程, 2006, 19(5):377-381.

[15] 劉寶華. 一種新的阻抗式呼吸檢測系統(tǒng)的設(shè)計(jì)[J]. 生物醫(yī)學(xué)工程學(xué)雜志, 2003, 20(3):527-530.

[16] 吳 丹, 徐效文, 王磊等. 穿戴式動(dòng)態(tài)睡眠呼吸監(jiān)測系統(tǒng)的設(shè)計(jì)[J]. 傳感技術(shù)學(xué)報(bào), 2010, 23(3):322-325.

[17] 歐陽順林, 鄭佩霞, 褚玉敏等. 便攜式多導(dǎo)睡眠呼吸監(jiān)測在成人阻塞性睡眠呼吸暫停低通氣綜合征診斷中的應(yīng)用[J]. 中國耳鼻咽喉顱底外科雜志, 2012, 18(2):111-113.

[18] 王 芳. 六導(dǎo)睡眠呼吸監(jiān)測儀的使用和護(hù)理[J]. 中華全科醫(yī)學(xué), 2005, 3(5):378-378.

[19] 宋江雪, 王波濤. 基于圖像的樹木測量方法[J]. 計(jì)算機(jī)測量與控制, 2016, 24(10):9-12.

Research on a Non-contact Breathing Detection Algorithm Based on Depth

Chen Yongkang1, Hou Zhenjie1, Chen Chen2, Liang Jiuzhen1, Su Haiming1

(1.College of Information Science and Engineering, Changzhou University, Changzhou 213164,China;2.Center for Research in Computer Vision, University of Central Florida, Orlando 32118,USA)

Breathing monitoring plays an important role in monitoring respiratory physiology of chest movement, pathological condition, and the diagnosis of certain diseases of the respiratory. Presents a method for non-contact monitoring of breathing. Dimensionality reduction is applied to the infrared region of the video stream data chest and abdomen. The standard deviation of the data in the chest and abdomen areas is then calculated within a time window. A sequence of standard deviations are generated and passed to a low-pass filter. The proposed non-contact monitoring of breathing method can get an accurate respiratory rate and other parameters for the monitoring and diagnosis of health related diseases without affecting normal sleep activity. Respiratory rate and breathing pause time can be obtained based on the filtered standard deviation data.We carried out experiments in a home-based environment. The experimental results show that our developed system can calculate the number of breaths that is consistent with the actual number of breaths.

respiratory detecting; depth image; non-contact

2016-12-26；

2017-02-06。

國家自然科學(xué)基金(61063021);江蘇省產(chǎn)學(xué)研前瞻性聯(lián)合研究項(xiàng)目(BY2015027-12)。

陳永康(1993-)，男，江蘇常州人，主要從事機(jī)器視覺方向的研究。

侯振杰(1973-)，男 ，內(nèi)蒙古呼和浩特市人，教授，碩士研究生導(dǎo)師，主要從事機(jī)器視覺方向的的研究。

1671-4598(2017)07-0213-05

10.16526/j.cnki.11-4762/tp.2017.07.053

TP391

A