鄭 鯤，孔江萍，周 晶，慈康怡，常 鵬

1.北京工業(yè)大學 信息學部，北京100124

2.北京工業(yè)大學 繼續(xù)教育學院，北京100124

成像式光電容積描記技術（imaging Photoplethysmography，iPPG）是近些年發(fā)展迅速的一種非接觸式生理參數(shù)檢測技術[1]，是在傳統(tǒng)單點接觸式光電容積描記技術（Photoplethysmography，PPG）上發(fā)展起來的。與傳統(tǒng)的接觸式PPG相比，iPPG技術具有無創(chuàng)、非接觸檢測人體的優(yōu)點。在現(xiàn)代醫(yī)學體系中，心率（Heart Rate，HR）、心率變異性（Heart Rate Variability，HRV）、呼吸率（Breathing rate，BR）、血氧飽和度（Oxygen saturation，SpO2）等生理參數(shù)的檢測對人體健康評估、疾病診斷等起著重要的作用。而生理參數(shù)檢測除了應用在傳統(tǒng)的醫(yī)療場景中，也逐漸擴展到智能教育等領域。比如，通過檢測教室空間里參與者的生理參數(shù)來進行情緒識別[2]，可以及時評估學生的心理健康情況，同時對教師及時調(diào)整教學狀態(tài)也有很大的督促作用。而在傳統(tǒng)的教學課堂上，主要還是采用課堂觀察這一評估方式。課堂觀察是教師動態(tài)捕捉教學現(xiàn)象，實時分析教學情況，獲得教學質量反饋，以此對教學內(nèi)容、方法、狀態(tài)做出及時調(diào)整的重要手段。但這種評估方式是一種基于經(jīng)驗的評價，主觀性較強，評價結果不夠精準[3]。隨著大數(shù)據(jù)、人工智能的不斷發(fā)展，傳統(tǒng)教育領域的智能化將是一個必然的發(fā)展趨勢。同時近些年來，智慧教育越來越受到國家的重視。結合人工智能技術對學生的心理情緒進行及時監(jiān)督，對教師的教學效果進行及時測評，不僅可以為學生的心理健康發(fā)展提供支持，同時也可以為教師的客觀教學評估提供支持。

基于iPPG技術的生理參數(shù)檢測及其在教育領域應用的研究和分析包括4部分。首先，介紹基于iPPG技術進行生理參數(shù)檢測的起源及發(fā)展；其次，分析基于iPPG技術進行生理參數(shù)檢測的原理和方法；然后，將生理參數(shù)檢測在教育領域的應用歸納為四個方面并分別做了介紹；最后，展望了iPPG技術在教育領域的應用前景。

1 基于iPPG的生理參數(shù)檢測技術發(fā)展

通過身體的心血管脈搏波的檢測被稱為容積描記術。容積描記術（PPG）是20世紀30年代出現(xiàn)的一種方法，它使用光的反射或透射，是成本最低、使用簡單的方法。之后在PPG的基礎上，研究又提出了成像式光電容積描記術（iPPG），實現(xiàn)了無創(chuàng)，非接觸的生理參數(shù)檢測。

2007年，日本的Takano等基于iPPG技術利用CCD相機采集的人體皮膚視頻研究出了一種非接觸式的心率與呼吸頻率采集裝置[4]。然而環(huán)境光照變化和大幅度運動干擾會嚴重影響該方法得到的心率信號的準確性。

2008年由Verkruysse等[5]首次研究提出基于iPPG技術采用普通高清攝像頭進行心率檢測。2010年，麻省理工學院的Poh提出了基于獨立成分分析（Independent Component Analysis，ICA）[6]的生理參數(shù)檢測系統(tǒng)。首先使用ICA將歸一化的原始信號分解為R、G、B三通道的獨立源信號，選擇第二分量作為源信號，最后利用快速傅里葉變換頻譜分析進行心率值估計。該系統(tǒng)由于其低成本及較高的準確性，引起了較為廣泛的關注。2012年Sun等提出了一個在環(huán)境光條件下應用聯(lián)合時頻分析去遠程測量心率的基本框架[7]。2014年，Li用自適應濾波[8-9]來處理公共數(shù)據(jù)集MAHNOB-HCI視頻中的運動和照明干擾。雖然精度明顯比Poh等[6]的有所提高，但MAHNOB-HCI數(shù)據(jù)集的采集條件較理想，受試者沒有明顯的頭部運動。2016年Chwyl等基于貝葉斯估計提出了心率檢測方法[10-11]。但沒有考慮到在現(xiàn)實條件下不可避免的身體運動。這些非接觸式心率檢測方法在消除運動偽影上有一定的局限性，因此如何消除運動偽影成為研究者們急需解決的問題之一。

近年來，研究人員開始關注真實場景下如何消除運動偽跡的影響。

2017年，Alghoul等[12]比較了兩種提取心率變異性的方法，其中一種方法基于獨立成分分析（Independent Component Analysis，ICA），另一種方法基于歐拉視頻放大（Eulerian Video Magnification，EVM）。結論表明基于ICA的方法在高頻與低頻上的HRV結果更好，但是在運動情況下，基于EVM的方法結果更好。2018年，Prakash等[13]提出了一種用于運動估計和特征跟蹤的有界卡爾曼濾波技術，來減小運動偽影的影響，并實現(xiàn)了在不同光照環(huán)境下，受試者進行自然的頭部運動和4英尺距離內(nèi)的身體移動時的心率檢測。同年，Ghanadian等[14]在ICA盲源分離法的基礎上，增加了光均衡方案來減少時空光照變化對心率估計的影響，并使用機器學習方法選擇ICA模塊輸出的最精確信道，正確率達86.9%。2019年Yang等[15]針對人臉運動的情況，提出了一種基于面片融合的框架，可從人臉視頻中估計出準確的心率。Qiu等[16]用時空濾波與卷積神經(jīng)網(wǎng)絡相結合，實現(xiàn)了真實條件下心率的遠程測量。

另外，還有研究通過皮膚像素選擇來提高iPPG信號質量。Fouad等[17]通過濾除感興趣區(qū)域（Region of Interest，ROI）中包含的非皮膚像素來提高iPPG信號的質量。與以往基于iPPG的實時檢測方法比較發(fā)現(xiàn)，先進行皮膚分割然后定義額頭、左右臉頰為ROI會使心率檢測的準確率更高。此外，比較每個步驟中不同方法的性能后，得出了Viola-Jones、KLT（Kanade-Lucas-Tomasi）和PCA（Principal Components Analysis）分別作為人臉檢測、人臉跟蹤和盲源信號分離方法效果最好的結論。

2 基于iPPG的生理參數(shù)檢測技術

2.1 iPPG技術原理

2.1.1 iPPG技術的生物學原理

人體的皮膚組織是由表皮、真皮、皮下組織三層構成，如圖1所示。1981年，哈佛大學的Anderson和Parrish等發(fā)現(xiàn)了人體皮膚組織的光學特性[18]。研究表明，皮膚中對光吸收和傳輸?shù)闹饕课皇俏挥诒砥右韵碌恼嫫?，利用iPPG原理進行生理參數(shù)檢測就是對真皮層的反射或投射光進行檢測。

圖1 人體結構皮膚組織

此外，對于入射光線的吸收散射效果，人體的不同組織和成分存在差異性?？紤]到人體的肌肉、脂肪、骨骼等組織在短時靜止情況下對入射光的吸收效果基本不發(fā)生變化，而心臟的周期性搏動使得人體血管內(nèi)的血容積呈現(xiàn)出周期性的變化，所以人體血管對于入射光線的吸收變化也呈現(xiàn)出周期性波動。當心臟收縮時，血液從心臟內(nèi)流出進入動脈和毛細血管，此時動脈和毛細血管內(nèi)血液量顯著增加，對于入射光的吸收效果顯著提升，但人體其他組織對入射光的吸收效果基本不發(fā)生變化；在心臟舒張的時候，血管內(nèi)的血液流回心臟，從而導致血管內(nèi)的血液量驟減，同時動脈血管和毛細血管對于光線的吸收能力也隨之降低，而其他組織對于光線的吸收能力基本不變。因此可以認為在心臟整個收縮舒張周期中，血管內(nèi)血液容積對光線的吸收能力呈周期性變化[19]。

2.1.2 iPPG技術的光學原理

iPPG是在傳統(tǒng)的單點接觸式光電容積描記技術（PPG）上發(fā)展起來的，原理與PPG生理參數(shù)測量均為朗伯-比爾定律。郎伯-比爾定律闡述為：當吸光介質是透明介質時，介質的吸光程度和光線強度無關；吸光的分子數(shù)量越大，吸光量越高。在iPPG技術中，光的吸收量正比于人體真皮層里血管血液容積。

當一束單色光I0射入吸光物質時，透光強度I與入射光強度的關系如下：

I=I0e-ε(λ)CL

其中，ε(λ)為物質對特定波長的光的吸收率，稱為吸收系數(shù)，C為吸光物質的濃度，L為光程，即光在物質中經(jīng)過的距離。

在iPPG技術中，當光源照射皮膚后，光照強度隨著血管中血液容量變化而發(fā)生改變，通過視頻采集設備檢測到的光照強度變化就包含了相應的心臟周期活動信息。

2.2 基于iPPG技術的生理參數(shù)檢測的基本框架

基于iPPG技術實現(xiàn)生理參數(shù)檢測的流程框圖如圖2所示。由于高靈敏度CMOS相機和低成本網(wǎng)絡攝像頭在測量心率的效果方面差別不大，所以一般主要關注視頻處理、容積波提取、生理參數(shù)提取等三個過程。

圖2 基于iPPG技術的生理參數(shù)檢測流程圖

2.2.1 視頻處理

由于在使用攝像頭進行視頻采集時，頭部較難固定，因此容易引入運動偽跡的干擾。同時還會有待檢測人臉部位背景的干擾。這些干擾均會降低血液容積波信號（Blood Volume Pulse，BVP）的信噪比，從而使生理參數(shù)的檢測結果不夠準確。所以需要對視頻進行處理，去除BVP信號外的噪聲。

視頻處理過程通常包括人臉檢測與人臉跟蹤、ROI選取。常用的人臉檢測算法有Viola-Jones算法[20-22]，這是一種基于積分圖、級聯(lián)檢測器和AdaBoost算法的方法，利用Harr-like特征表示人臉屬性，然后通過Adaboost算法構建級聯(lián)分類器。王春江等[23]在Viola-Jones算法基礎上，提出了基于拓展的Haar特征人臉檢測算法。拓展Haar分類器對于非正臉的特征識別有所提高，降低了誤檢率，有效改善了因為人臉角度不同而造成誤檢漏檢的現(xiàn)象，提高了檢測的靈活性。汪秀軍等[24]使用卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）檢測人臉，鄭銀環(huán)等[25]提出了基于小濾波器的深卷積神經(jīng)網(wǎng)絡的人臉特征點檢測算法，在預測人臉5點特征點問題上有很好的準確性和魯棒性。Li等[8]、Sun等[26]以及王香榮等[27]采用基于MTCNN模型的人臉檢測算法。MTCNN模型是以深度學習算法為基礎，使用了三個CNN級聯(lián)算法結構，將人臉檢測和人臉特征點檢測同時進行。作為多任務級的人臉檢測深度學習模型，該模型中考慮了人臉邊框回歸和面部關鍵點檢測綜合性能?；贛TCNN的人臉檢測算法檢測速度快、檢測精度高，對于存在多個監(jiān)測目標的視頻序列來說，能夠滿足對于心率實時檢測的要求。

人臉檢測后，一般要進行人臉跟蹤。常用的人臉跟蹤算法是KLT（Kanade-Lucas-Tomasi）算法[28-29]，通過跟蹤66個特征點的位移來跟蹤頭部移動，最后輸出穩(wěn)定的人臉視頻。基于CT（Compressive Tracking）的跟蹤算法[30-31]是基于壓縮感知的跟蹤算法，首先提取圖像的Haar特征，然后對特征利用稀疏感知進行降維。進一步將降維特征送入貝葉斯分類器進行訓練，下一幀在目標區(qū)域附近取框進行分類。最后得到一個正樣本的圖片和若干個負樣本的圖片，并更新分類器，以此循環(huán)。由于每次更新只有一個正樣本，因此當圖像噪聲比較大的時候可能會出現(xiàn)目標框漂移。

人臉感興趣區(qū)域ROI的選擇方面，研究人員關注的區(qū)域主要包括整個面部ROI_1、前額ROI_2、眼睛下方嘴巴上方區(qū)域或臉頰ROI_3以及眼睛下方區(qū)域ROI_4四個區(qū)域，如圖3所示。很多研究者選擇前額、臉頰或者眼睛下方區(qū)域，因為這些區(qū)域的面部溫度相對恒定，而且靜止時，不會因眨眼、動唇等輕微面部運動產(chǎn)生偽影，降低信號質量。也有研究從多個ROI組合中提取iPPG信號，以提高信號強度。大量的實驗證明，從ROI_3區(qū)域得到的BVP信號質量更好，穩(wěn)定性更強。

圖3 人臉感興趣區(qū)域

ROI區(qū)域的選擇方式一般有手動選擇感興趣區(qū)域和人臉檢測自動選取兩種方法，如表1所示。

表1 ROI選取方式與選擇區(qū)域

2.2.2 容積波提取

基于人臉視頻提取出BVP信號的方法主要有兩種，一種是將面部提取的ROI區(qū)域的綠色通道（G通道）的變化進行數(shù)字信號濾波獲得BVP信號[32]，另一種是使用獨立成分分析（ICA）算法從人臉視頻的RGB三通道中提取出BVP信號。如圖4所示。

圖4 BVP信號提取過程

2.2.3 生理參數(shù)提取

目前通過iPPG技術可以獲取的生理參數(shù)有心率、呼吸率、血氧飽和度、心率變異性、血壓等。其中前四個研究最多。

（1）心率、呼吸率提取

心率是人體最主要的生理參數(shù)之一，是人體心臟功能和健康狀況的可靠指標。心率的檢測在醫(yī)學領域具有重要的意義。傳統(tǒng)接觸式的心率檢測方法有很多，如，動脈壓力法、心電圖法、電阻法等，且已經(jīng)入臨床使用，所以早期iPPG非接觸式生理信號的檢測研究也集中在心率檢測上[5，33]。

由心臟的周期性收縮與舒展而引起動脈的周期搏動，使得iPPG信號也呈現(xiàn)周期性變化。人體正常心率范圍為1～1.67 Hz（60～100次/min），呼吸頻率范圍為0.05～0.75 Hz（3～45次/min）包含在iPPG信號的頻帶范圍內(nèi)。心率與呼吸頻率的提取過程通常都是先對iPPG信號進行頻譜分析，然后根據(jù)正常人的心率與呼吸頻率范圍，用濾波器進行濾波提取。目前iPPG技術中常用的對容積波進行頻譜分析方法是傅里葉變換[6，20，24]與AR（Auto Regressive）模型[28]。榮猛等[34]等將頻域內(nèi)幅值最大處的頻率值對應心率值，次波峰的頻率值對應呼吸率的值。且王濤等[35]認為其iPPG信號主峰主要受心率頻率影響，次波峰主要受呼吸等其余頻率影響。Ghodratigohar等[36]提出了一種在運動狀態(tài)下基于iPPG的呼吸頻率檢測算法，使用CEEMDAN（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise）將ICA輸出信號分解為IMFs（Intrinsic Mode Functions），然后使用機器學習得到最能代表呼吸頻率的IMFs。這種方法在靜止狀態(tài)下的RMSE能達到1.89次/min，在運動狀態(tài)下的RMSE能達到2.30次/min。

（2）血氧飽和度提取

健康的人體血氧飽和度一般在95%～99%范圍內(nèi)。接觸式PPG是借助光電手段檢測出血液容積的變換，根據(jù)朗伯-比爾定律，血氧飽和度可由兩種波長的光的相對波動振幅計算得到，利用雙波長法[37]測量血氧飽和度的線性經(jīng)驗公式如下：

其中，SpO2為血氧飽和度，A和B為經(jīng)驗系數(shù)，IAC和IDC為光的交流分量和直流分量。從以上經(jīng)驗公式中可以看出，血氧飽和度的提取主要是容積波信號中IAC和IDC的提取。

由于每個周期的容積波信號最大最小值存在差異，所以當獲得的容積波信號波形較好時，通常是將紅、藍波的平均值作為IDC，而交流分量的提取通常采用的是峰谷值法[28，38]。但是在原始信號波形較差的情況下，無法獲取準確的峰谷值波形。因此研究者通常采用紅、藍兩波的標準差（方差）作為IAC[34，37，39]，其平均值作為IDC。A與B是以接觸式血氧儀的同步測量結果為標準信號，與利用iPPG技術測得的結果經(jīng)過線性擬合得到的經(jīng)驗系數(shù)。

（3）心率變異性提取

心率變異性是指每次心跳周期差異性的變化，是評估自主神經(jīng)控制的有效方法。臨床上對心率變異性的檢測主要通過心電信號分析。

有研究表明，心率變異性與脈搏變異性（Pulse Rate Variability，PRV）具有等價性[40]，因此，心率變異性可以通過脈搏變異性的檢測獲取。目前使用最多的脈搏變異性信號線性分析方法為時域分析、頻域分析以及時頻聯(lián)合分析方法。

Sun等[19]研究發(fā)現(xiàn)基于iPPG技術采集到的RR間期等心率變異性信息包含且可分析出部分的心率變異性信息。

2.3 數(shù)據(jù)處理技術

基于iPPG技術實現(xiàn)生理參數(shù)檢測的信息處理過程中涉及到的算法。

2.3.1 容積波信號提取相關算法

由于iPPG技術得到的BVP容易受到面部肌肉運動、頭部晃動等不穩(wěn)因素的干擾。因此，如何在現(xiàn)實場景中準確地提取BVP進而提高心率檢測的準確性，成為國內(nèi)外學者研究的難點和熱點。當脈搏容積波信息得到后，可能會存在噪聲。因此需要對提取到的容積波信號進行濾波去噪處理，常用的方法是使用濾波器對信號進行處理。優(yōu)化去噪方法如表2所示。

表2 常用的優(yōu)化BVP的去噪方法

2.3.2 消除運動偽跡相關算法

早期基于iPPG的生理參數(shù)檢測基本都是在檢測對象處于靜止的情況下進行的，因為即使是輕微的運動都會造成ROI和攝像頭、光源之間的距離和角度發(fā)生變化，從而帶來更大的干擾和噪聲。但現(xiàn)實場景下檢測對象不可能一直保持這種理想條件，因此越來越多的研究開始關注如何去克服運動帶來的影響。表3為消除運動偽跡的一些相關算法。

表3 消除運動偽跡的方法

2.3.3 消除視頻壓縮偽影的相關算法

基于iPPG技術進行生理參數(shù)檢測過程中由于采集到的原始視頻數(shù)據(jù)量巨大，難以上傳及下載，所以往往需要對視頻進行壓縮預處理。利用視頻壓縮降低視頻的比特率，但同時也要保證視頻內(nèi)容的質量。在McDuff等[53]的研究中，分析了兩種常用的編解碼器（X264和X265），比較了不同比特率下的脈沖回復率，結果表明，隨著比特率的降低，所提取的脈沖信號的信噪比有明顯的下降，即證明視頻壓縮會降低iPPG的檢測精度。在Zhao等[54]的研究中提出了一種基于感興趣區(qū)域的視頻壓縮算法來保持生理信號。首先將皮膚/非皮膚特征分類問題建模為稀疏子空間聚類。然后將生理信號分配到感興趣（非感興趣）區(qū)域來保存。最后再基于感興趣區(qū)域進行視頻壓縮。這種方法能夠有效地保存面部視頻的生理信號。Zhao等[55]還分析了壓縮對iPPG測量的影響。提出了基于單通道信號處理的iPPG脈沖提取框架。并對四種常用的壓縮方法（X264、X265、VP8和VP9）、兩種運動類型（靜止和運動）進行了大量的實驗。實驗結果表明，該方法提高了現(xiàn)有算法在靜態(tài)視頻中的性能，對低碼率下的運動視頻效果較好。脈沖信號的質量隨著比特率的降低而降低。X265保留了最好的信號質量，VP9的效果最差。

現(xiàn)有的iPPG方法幾乎都是基于未壓縮的視頻數(shù)據(jù)，限制了其在需要長距離視頻傳輸?shù)膱鼍爸械膽?。在處理運動場景以及復雜場景下的檢測等方面也存在一定的局限性，在以后的工作中需要進一步研究。未來的研究工作之一將集中在運動魯棒性的視頻壓縮算法設計上。

2.4 數(shù)據(jù)集

很多基于視頻進行生理參數(shù)檢測的方法使用未公開數(shù)據(jù)進行性能評估。而公開的視頻數(shù)據(jù)集非常有限，使得很多方法無法充分地進行性能評估。目前基于視頻進行生理參數(shù)檢測研究使用較多的是MAHNOBHCI[56]，該數(shù)據(jù)集由27名受試者的527段視頻組成，記錄了包括心率在內(nèi)的面部視頻、音頻信號、眼睛注視和外周及中樞神經(jīng)系統(tǒng)生理信號。此外還有一些可用于心率檢測的公開數(shù)據(jù)集如表4所示。

表4 用于生理參數(shù)檢測的視頻數(shù)據(jù)集

常用的非接觸式心率檢測評估指標有五種，且都是基于測量誤差HRe=HRv-HRt，即從視頻中檢測出來的心率值HRv與真實值HRt的差。與SDe分別為測量誤差HRe的絕對平均值與標準方差，RMSE為均方根誤差，用來估計檢測值與真實值得誤差，MeRate為平均錯誤率百分比表視頻總量，MeRate值越小表示檢測值越接近真實值。r為皮爾遜相關系數(shù)，用于評估心率的檢測值與真實值的之間的線性相關性，||r越大，相關程度就越高。在公共數(shù)據(jù)集MAHNOB-HCI上，不同的心率估計方法的性能比較結果如表5所示。

綜合表5可得，在頭部動作幅度相對較小的情況下，非接觸式心率檢測的誤差絕對平均值可以降低到1.68次/min，均方根誤差降低到3.26次/min，檢測值與真實心率值的相關性達到了0.95。與指夾式脈搏血氧儀±1次/min的測量精度已經(jīng)十分接近。

表5 不同心率估計方法的比較

以上數(shù)據(jù)集結構與分類還比較簡單，大多以正臉靜止或小幅度運動為主，更為復雜的條件下的數(shù)據(jù)集有待整理。Hassan等[69]基于MAHNOB-HCI對27名不同膚色的受試者進行了驗證?；诮y(tǒng)計的量化指標包括平均誤差、標準差、均方根誤差、皮爾遜相關系數(shù)和Bland-Altman分析等。Chen等[70]考慮了在頭部旋轉等較為復雜情況下的生理參數(shù)檢測。未來需要有更為豐富和開放的數(shù)據(jù)集為復雜情況下的生理參數(shù)檢測方法的研究提供支持。

3 生理參數(shù)檢測在教育領域的應用

3.1 接觸式生理參數(shù)檢測在教育領域中的應用

生理參數(shù)是反映學生學習狀態(tài)的重要信息，已經(jīng)有大量研究工作使用了接觸式的檢測方式對學生生理狀態(tài)進行檢測，并將學習狀態(tài)數(shù)據(jù)用于教育相關研究。接觸式生理參數(shù)檢測在教育領域的應用流程如圖5所示。

圖5 接觸式生理參數(shù)檢測在教育領域的應用流程圖

待檢測學生使用接觸式的生理信號檢測儀器進檢測，例如監(jiān)護儀、一次性電極傳感器、血氧飽和度儀、手指脈搏血氧儀等。教育研究人員對檢測到的生理信號進行分析，可以獲得學生心率、心率變異性、血氧飽和度等生理參數(shù)。將檢測到的生理數(shù)據(jù)進行匯總分析以反饋學生的學習、心理、身體狀態(tài)。

近年來隨著大數(shù)據(jù)與人工智能的不斷發(fā)展，國內(nèi)外研究者對生理參數(shù)檢測在教育領域的應用進行了大量的研究。目的主要包括提高學生成績，學生情緒識別，體育藝術教育以及特殊人群教育四個方面。

3.1.1 生理參數(shù)檢測應用于提高學生成績

生理參數(shù)對學生的學習成績有著直接或間接的影響。Scrimin等[71]將光電容積儀傳感器連接到受試者非常用手的食指尖上連續(xù)記錄BVP來檢測心率變異性（HRV）。并以心率變異性（HRV）為指標，記錄學生在觀看學校相關壓力（School-Related Stressor，SRS）視頻之前、期間和之后的心理生理反應，探討青少年對SRS的心理生理反應。結果表明觀看SRS視頻片段時學生的HRV與其成績呈正相關。Cowley等[72]使用電極檢測心率變異性（HRV），通過研究分析在游戲過程中的生理參數(shù)及其與學習成績的關系，發(fā)現(xiàn)一定難度下HRV會預測到學習結果，如表6所示。

表6 生理參數(shù)檢測應用于提高學習成績

3.1.2 生理參數(shù)檢測應用于學生情緒識別

情緒的變化可以通過生理參數(shù)檢測反應出來。Bland等[73]發(fā)現(xiàn)當學生在接觸進化論主題時會以生理變化的形式產(chǎn)生可檢測到的情緒反應。Stavroulia等[74]通過腦電圖（Electroencephalogram，EEG）測量心率，利用心率記錄和自我報告的數(shù)據(jù)評估虛擬現(xiàn)實VR系統(tǒng)對參與者情緒和情緒狀態(tài)的影響。結果發(fā)現(xiàn)，參與者的負面情緒和情緒狀態(tài)發(fā)生了顯著變化，表明場景和VR體驗對他們的影響很大。Versluis等[75]研究了基于智能手機的減少時間焦慮的培訓是否可行并且是否改善了生理健康狀況即心率變異性增加。結果發(fā)現(xiàn)通過正念練習進行的減少煩惱的及時訓練和情緒記錄都可以使HRV增加。Cranford等[76]研究認為心率可以用來測量學生認知負荷的變化。Thompson等[77]使用3 mm傳感器進行生理參數(shù)測量，結果表明心率變異性測量可用于推斷情感激活和情感價值。Calderón等[2]的研究中將血氧儀用于檢測研究生課程參與者中出現(xiàn)的情緒反應。如表7所示。

3.1.3 生理參數(shù)檢測應用于體育及藝術教育

學生在體育教育、舞蹈及音樂的藝術教育中伴隨著大量的生理特征的變化。通過對學生的生理參數(shù)的采集分析，可以找出學生學習狀態(tài)與生理參數(shù)的關系，適時地調(diào)整學習訓練計劃。

表7 生理參數(shù)檢測應用于學生情緒識別

Orman等[78]研究了生理參數(shù)檢測在音樂教育中的應用，讓30名大學生分別聽取了Billboard 100最受歡迎和最不喜歡的音樂流派的音樂選曲。每種音樂聆聽之前，需要學生經(jīng)過兩分鐘的靜默，然后記錄心率變異性（HRV）。與靜默時相比，在聆聽音樂時，所有HRV指標均下降。在從事精神活動時，HRV會降低。Marmeleira等[79]評估葡萄牙高中生在體育教學中的體育活動（Physical Activity，PA）水平，將心率遙測和計步器測量用于評估PA水平。Fr?mel等[80]使用監(jiān)視設備ActiTrainer對捷克共和國的24所中學學生進行心率檢測，參與者佩戴了ActiTrainer加速度計，該加速度計可監(jiān)測PA和心率。結果表明在參與學校教育能力評估的所有指標和強度方面，參加體育課的學生比未參加體育課的明顯好得多。Menno等[81]對7～9年級（11～15歲）13個班的216名學生（90名女生；42%）進行男女混合組和單性組的打籃球運動。同時采用心率監(jiān)護儀評估參與者的中高強度活動對感知能力的影響。如表8所示。

表8 生理參數(shù)檢測應用于體育及藝術教育

3.1.4 生理參數(shù)檢測應用于特殊人群教育

對醫(yī)學特殊的學生進行生理參數(shù)檢測，能夠進行更有效的溝通，使他們得到更公平可靠的教育。

Dijkhuis等[82]通過對患有自閉癥的人進行生理參數(shù)檢測得出患有自閉癥的年輕人心率變異反應性較低，這表明他們不能有效地調(diào)節(jié)自己的壓力。Zamunér等[83]研究得出腦癱患兒的心率變異性指數(shù)較低，表明交感神經(jīng)不平衡。腦癱患兒心率變異性的降低與運動障礙水平有關。Heather等[84]對自閉癥患者的心率進行檢測得出自閉癥患者在有無束縛時的心率變化：當施加某種形式的約束時，心率通常在靜息心率范圍內(nèi)或附近；當解除束縛或發(fā)出解除束縛的信號時，心率在短時間內(nèi)急劇增加；當重新施加約束時，心率下降，并最終在幾分鐘內(nèi)恢復到靜止范圍。Zantinge等[85]評估29名自閉癥譜系障礙兒童和45名典型發(fā)育期兒童在挫折情境下情緒的生理喚醒和行為調(diào)節(jié)。Lauren等[86]通過電極檢測孩子心跳的IBI，并將其傳輸?shù)浇邮掌?。研究表明在高度焦慮狀態(tài)下孩子們均表現(xiàn)出明顯較高的心率。兒童社交恐懼癥也是教育中會遇到的特殊人群，特征是社交焦慮與過度的生理反應。Krmer等[87]對照健康兒童，研究了社交恐懼癥兒童在主觀焦慮以及自主神經(jīng)和內(nèi)分泌壓力方面的情況。結果發(fā)現(xiàn)社交恐懼癥兒童表現(xiàn)出了慢性HR水平升高，這表明社交恐懼癥兒童存在普遍的自主神經(jīng)反應過度。如表9所示。

表9 生理參數(shù)檢測應用于特殊人群教育

3.2 非接觸式生理參數(shù)檢測在教育上的應用

通過歸納分析接觸式生理參數(shù)和檢測的教育應用，可知在教育領域中，生理參數(shù)檢測技術已經(jīng)應用于情緒分析，而心率、心率變異性等指標也成為支持教育領域應用的重要數(shù)據(jù)。但是目前研究中大多是基于傳統(tǒng)接觸式的檢測方式，而基于視頻的非接觸式生理參數(shù)的檢測在教育領域的應用幾乎空白，有很大的發(fā)展?jié)摿Α?/p>

首先，基于視頻的非接觸的方式便于學生的生理參數(shù)檢測。學生在學習過程中無需佩戴儀器就能獲取可靠的生理數(shù)據(jù)。

其次，基于視頻的非接觸式的生理參數(shù)檢測便于特殊人群的生理狀態(tài)獲取。患有自閉癥或者社交障礙的學生可能會對一些接觸式的檢測儀器產(chǎn)生心理抵觸，導致檢測困難，同時也會對檢測到的數(shù)據(jù)造成影響。而非接觸式的生理參數(shù)檢測無需接觸學生，通過視頻采集就可以進行生理參數(shù)的測量。

最后，基于視頻的非接觸式的生理參數(shù)檢測大多使用普通攝像頭即可滿足視頻采集的需求，無額外的硬件成本，有利于在教育領域大范圍推廣。

建議的基于視頻的非接觸式生理參數(shù)檢測在教育領域的應用流程圖如圖6所示。在學生學習或自然運動狀態(tài)時，使用監(jiān)控攝像頭或筆記本攝像頭等設備采集學生面部視頻。對采集到的人臉視頻進行處理分析，獲得學生的生理參數(shù)數(shù)據(jù)，將采集到的數(shù)據(jù)進行分析，可為學生的學習狀態(tài)反饋提供數(shù)據(jù)支持。

圖6 非接觸式生理參數(shù)檢測在教育領域的應用流程圖

4 總結與展望

基于iPPG的生理參數(shù)檢測技術因其無接觸式的優(yōu)點一直吸引著很多研究者的關注，經(jīng)過十多年的研究，iPPG技術在非接觸式生理信號檢測上有很多優(yōu)勢，但仍存在不足。結合iPPG技術的特點和發(fā)展現(xiàn)狀，未來研究應主要包括以下幾個方面：（1）運動偽影的消除。對真實場景下的移動的人體生理參數(shù)檢測還不夠準確。因此運動偽跡的消除仍是待解決的問題之一。（2）在側臉狀態(tài)下或人臉局部信息缺失情況下檢測效果有待提高。（3）建立公開的標準視頻數(shù)據(jù)集，包括測試對象距離、幀率、分辨率、照明條件以及膚色等方面都可以有針對性地分類采集。

iPPG的使用場景在逐漸接近真實場景，而且具有廣泛的應用前景，尤其是與教育領域相結合，能夠為智慧教育的發(fā)展提供技術支持，是非常有潛力的一個研究方向。近十年來生理參數(shù)檢測在教育領域的應用主要是基于接觸式的，需要被檢測人佩戴檢測設備。這在很多時候限制了應用范圍，尤其是對特殊人群。同時接觸式測量也會給予被檢測學生一定的心理暗示與壓力，造成數(shù)據(jù)不夠客觀準確從而影響檢測效果。而基于視頻的非接觸式檢測方式無需佩戴任何設備，使檢測過程具有可移動性。同時對于被檢測人尤其是特殊人群來說，非接觸式生理參數(shù)檢測過程友好，不易對其正常的活動產(chǎn)生干擾，使檢測結果更具客觀性。但目前將基于視頻的非接觸式生理參數(shù)檢測應用于教育領域的研究還在起步階段，可參考的成熟應用幾乎空白。在智慧教育迅速發(fā)展的今天，將基于視頻的非接觸式生理參數(shù)檢測方式應用于教育領域已經(jīng)成為研究重點。