iOS心率检测algorithm
我试图在我正在开发的应用程序中实现心跳loggingfunction。
这样做的首选方法是使用iPhone的照相机，使用户将手指放在镜头上，并检测videoinput中与用户心脏相对应的波动。
我发现这里有一个很好的起点，下面的堆栈溢出问题
该问题提供了有用的代码来绘制心跳时间图。
它显示了如何启动一个AVCaptureSession并打开相机的灯光，如下所示：
session = [[AVCaptureSession alloc] init]; AVCaptureDevice* camera = [AVCaptureDevice defaultDeviceWithMediaType:AVMediaTypeVideo]; if([camera isTorchModeSupported:AVCaptureTorchModeOn]) { [camera lockForConfiguration:nil]; camera.torchMode=AVCaptureTorchModeOn; // camera.exposureMode=AVCaptureExposureModeLocked; [camera unlockForConfiguration]; } // Create a AVCaptureInput with the camera device NSError *error=nil; AVCaptureInput* cameraInput = [[AVCaptureDeviceInput alloc] initWithDevice:camera error:&error]; if (cameraInput == nil) { NSLog(@"Error to create camera capture:%@",error); } // Set the output AVCaptureVideoDataOutput* videoOutput = [[AVCaptureVideoDataOutput alloc] init]; // create a queue to run the capture on dispatch_queue_t captureQueue=dispatch_queue_create("catpureQueue", NULL); // setup our delegate [videoOutput setSampleBufferDelegate:self queue:captureQueue]; // configure the pixel format videoOutput.videoSettings = [NSDictionary dictionaryWithObjectsAndKeys:[NSNumber numberWithUnsignedInt:kCVPixelFormatType_32BGRA], (id)kCVPixelBufferPixelFormatTypeKey, nil]; videoOutput.minFrameDuration=CMTimeMake(1, 10); // and the size of the frames we want [session setSessionPreset:AVCaptureSessionPresetLow]; // Add the input and output [session addInput:cameraInput]; [session addOutput:videoOutput]; // Start the session [session startRunning]; 在这个例子中，Self必须是一个<AVCaptureVideoDataOutputSampleBufferDelegate> ，因此必须实现以下方法来获取原始摄像机数据：
- (void)captureOutput:(AVCaptureOutput *)captureOutput didOutputSampleBuffer:(CMSampleBufferRef)sampleBuffer fromConnection:(AVCaptureConnection *)connection { static int count=0; count++; // only run if we're not already processing an image // this is the image buffer CVImageBufferRef cvimgRef = CMSampleBufferGetImageBuffer(sampleBuffer); // Lock the image buffer CVPixelBufferLockBaseAddress(cvimgRef,0); // access the data int width=CVPixelBufferGetWidth(cvimgRef); int height=CVPixelBufferGetHeight(cvimgRef); // get the raw image bytes uint8_t *buf=(uint8_t *) CVPixelBufferGetBaseAddress(cvimgRef); size_t bprow=CVPixelBufferGetBytesPerRow(cvimgRef); float r=0,g=0,b=0; for(int y=0; y<height; y++) { for(int x=0; x<width*4; x+=4) { b+=buf[x]; g+=buf[x+1]; r+=buf[x+2]; // a+=buf[x+3]; } buf+=bprow; } r/=255*(float) (width*height); g/=255*(float) (width*height); b/=255*(float) (width*height); float h,s,v; RGBtoHSV(r, g, b, &h, &s, &v); // simple highpass and lowpass filter static float lastH=0; float highPassValue=h-lastH; lastH=h; float lastHighPassValue=0; float lowPassValue=(lastHighPassValue+highPassValue)/2; lastHighPassValue=highPassValue; //low pass value can now be used for basic heart beat detection }
RGB被转换成HSV，并且被监视波动的色调。
而RGB到HSV的实现如下
void RGBtoHSV( float r, float g, float b, float *h, float *s, float *v ) { float min, max, delta; min = MIN( r, MIN(g, b )); max = MAX( r, MAX(g, b )); *v = max; delta = max - min; if( max != 0 ) *s = delta / max; else { // r = g = b = 0 *s = 0; *h = -1; return; } if( r == max ) *h = ( g - b ) / delta; else if( g == max ) *h=2+(br)/delta; else *h=4+(rg)/delta; *h *= 60; if( *h < 0 ) *h += 360; }
在capureOutput:计算的低通值capureOutput:最初提供不稳定的数据，但是然后稳定到以下值：
2013-11-04 16:18:13.619 SampleHeartRateApp[1743:1803] -0.071218 2013-11-04 16:18:13.719 SampleHeartRateApp[1743:1803] -0.050072 2013-11-04 16:18:13.819 SampleHeartRateApp[1743:1803] -0.011375 2013-11-04 16:18:13.918 SampleHeartRateApp[1743:1803] 0.018456 2013-11-04 16:18:14.019 SampleHeartRateApp[1743:1803] 0.059024 2013-11-04 16:18:14.118 SampleHeartRateApp[1743:1803] 0.052198 2013-11-04 16:18:14.219 SampleHeartRateApp[1743:1803] 0.078189 2013-11-04 16:18:14.318 SampleHeartRateApp[1743:1803] 0.046035 2013-11-04 16:18:14.419 SampleHeartRateApp[1743:1803] -0.113153 2013-11-04 16:18:14.519 SampleHeartRateApp[1743:1803] -0.079792 2013-11-04 16:18:14.618 SampleHeartRateApp[1743:1803] -0.027654 2013-11-04 16:18:14.719 SampleHeartRateApp[1743:1803] -0.017288
最初提供的不稳定数据的一个例子是：
2013-11-04 16:17:28.747 SampleHeartRateApp[1743:3707] 17.271435 2013-11-04 16:17:28.822 SampleHeartRateApp[1743:1803] -0.049067 2013-11-04 16:17:28.922 SampleHeartRateApp[1743:1803] -6.524201 2013-11-04 16:17:29.022 SampleHeartRateApp[1743:1803] -0.766260 2013-11-04 16:17:29.137 SampleHeartRateApp[1743:3707] 9.956407 2013-11-04 16:17:29.221 SampleHeartRateApp[1743:1803] 0.076244 2013-11-04 16:17:29.321 SampleHeartRateApp[1743:1803] -1.049292 2013-11-04 16:17:29.422 SampleHeartRateApp[1743:1803] 0.088634 2013-11-04 16:17:29.522 SampleHeartRateApp[1743:1803] -1.035559 2013-11-04 16:17:29.621 SampleHeartRateApp[1743:1803] 0.019196 2013-11-04 16:17:29.719 SampleHeartRateApp[1743:1803] -1.027754 2013-11-04 16:17:29.821 SampleHeartRateApp[1743:1803] 0.045803 2013-11-04 16:17:29.922 SampleHeartRateApp[1743:1803] -0.857693 2013-11-04 16:17:30.021 SampleHeartRateApp[1743:1803] 0.061945 2013-11-04 16:17:30.143 SampleHeartRateApp[1743:1803] -0.701269
每当有心脏跳动时，低通值变为正值。 所以我尝试了一个非常简单的实时检测algorithm，它基本上查看当前值，看看它是否为正值，也会查看以前的值，如果为负值，则检测负值变为正值并发出嘟嘟声。
问题在于数据并不总是像上述那样完美，有时在负面阅读中有exception的正面阅读，反之亦然。
低通值在时间上的图如下所示： 
有趣的是，上述exception现象相当普遍，如果我logging一段时间，我会多次看到一个非常相似的exceptionexception。
在我非常简单的节拍检测algorithm中，如果出现上述exception情况，则在检测周期（10秒）内的拍子数可能会增加4或5拍。 这使得计算的BPM非常不准确。 但是就这么简单，大约70％的时间都可以工作。
为了解决这个问题，我尝试了以下方法。
1.开始logging数组中最后3个低通值
然后看看中间值前后是否有两个较小的值。 （基本峰值检测）
3.把这个情景作为一个节拍，并把它添加到给定时间内的节拍总数。
然而，这种方法与其他任何exception一样易受攻击。 实际上似乎是一个更糟糕的方法。 （在检测后播放实时蜂鸣声时，它们看起来比正面到负面algorithm更不稳定）
我的问题是你能帮助我想出一个algorithm，可以可靠地检测到心跳发生时的合理准确性。
另一个问题，我意识到，我将不得不解决的是检测用户的手指是否在镜头上。
我想过检测不稳定的低通值，但是存在低通滤波器会导致不稳定的值，并且随着时间的推移将其平滑。 所以帮助那里也将被赞赏。
谢谢你的时间。
这个问题的答案有一点涉及，因为你需要做几件事情来处理信号，没有一个“正确”的方法来做到这一点。 但是，对于您的滤波器，您希望使用带通滤波器 。 这种types的滤波器允许您指定在高端和低端均可接受的频率范围。 对于人类心脏跳动，我们知道这些边界应该是什么（不低于40 bpm，不高于250 bpm），所以我们可以创build一个滤波器来消除这个范围之外的频率。 滤波器还将数据移动到中心位置，因此峰值检测变得更容易。 即使您的用户增加/减less手指压力（某种程度上），这个filter也会给您一个更加平滑的信号。 之后，还需要进行额外的平滑和exception移除。
我使用的特定types的带通滤波器是巴特沃思滤波器。 由于filter根据您正在收集数据的频率而变化，因此手动创build会有一点涉及。 幸运的是，有一个网站可以帮助在这里 。 如果您以30 fps的速度采集数据，则频率将为30 hz。
我已经创build了一个项目，将所有这些包装在一起，并检测用户的心率，以将其包含在iOSapp store的应用中。 我已经在github上提供了心率检测代码。
我猜你在用自己的手指。 你确定你没有不规则的心跳吗？ 另外，你会想要处理心跳不规则的人。 换句话说，你应该testing各种各样的input值。 肯定会尝试你的父母或其他年长的亲属，因为他们可能更容易有心脏问题。 除此之外，你的基本问题是，你的input源将是嘈杂的; 你基本上试图从噪音中恢复信号。 有时候这是不可能的，你将不得不决定是否要在你的报告中join噪声，或者当它太吵时忽略数据stream。
继续尝试不同的filter值 ; 也许你需要更低通滤波器。 从评论，这听起来像你的低通滤波器不好， networking上有大量的资源被过滤掉。 如果你有良好的可视化工具，这将是testing你的algorithm的最好方法。
您可以尝试对数据进行降采样 ，从而使数据平滑。 您也可能希望丢弃位于有效范围之外的样品 ，或者将其完全丢弃，将其replace为前一个样品和下一个样品的平均值，和/或将其固定在某个预定的或计算的最大值上。
我对这类应用的最大的兴趣是打嗝被视为真实的实时数据。 在我的健身房里的一辆自行车给了无用的BPM读数，因为每隔一段时间，它都找不到我的脉搏，突然想到我的心脏每分钟300转。 （这不是，我问过我的医生。）对于一个20分钟的会议，它的平均数是无用的。 我认为（例如）最后十次正常跳动的平均值加上exception速率而不是“我试图把最后20秒塞进这个algorithm，这里是它吐出的垃圾”是更有用的。 如果您可以创build一个单独的filter，指出exception，我想你会有一个更有用的应用程序。
这听起来像你可能已经有另一种方法，但你可以尝试的一件事是使用一个小的中值滤波器 。 例如，对于每个输出值，使用例如3到7个input值的中间值将平滑掉这些峰值而不破坏非异形数据的整体形状。
你试图做“手动”检测一个单一的心跳，这不会是非常强大的。 我想说，你最好的select是音高或频率检测库（检测颜色变化的频率和检测声audio率的math必须相同）。
也许像我find通过这个 stackoverflow答案search“频率检测”的aubio可以帮助你。 否则检查维基百科的音调检测和/或一些吨的信号处理库。
首先解决您的手指在镜头上的问题。 当手指在镜头上时，你不会得到一个静态的黑框（正如人们所假设的那样）。 环境光实际上通过你的手指创build一个微红的框架。 此外，手指中的血stream模式会在该红框中产生轻微的周期性变化（尝试打开相机应用程序，将手指完全放在镜头上）。 另外，如果环境光线不足，您可以随时打开相机闪光灯/手电筒来补偿。
对于开源（和逐步）过程，请尝试：
http://www.ignaciomellado.es/blog/Measuring-heart-rate-with-a-smartphone-camera
另外，我build议你阅读下面的脉搏测量专利：
我会 ：
1）检测从峰到峰的周期…如果周期在一定的时间段内一致，则将HB标记为有效。
2）我会实现一个outliar检测algorithm…超过一定的规范化阈值的任何节拍..将被视为一个exception，因此我会使用最后检测到的节拍，而不是计算我的BPM。
另一个更复杂的方法是使用卡尔曼滤波器或其他类似的东西，以便能够预测bpm并获得更准确的读数。只有经过几次跳跃，应用才会感觉到读数无效，并停止读。
我做了一个项目，使用GPUImagefilter，平均颜色和曝光，来检测你的脉搏。 根据滤波图像的绿色分量的运行平均值来估计脉冲。
光学脉冲阅读器
