基于萤火虫算法与深度神经网络的无接触心率测量创新方法研究

《Scientific Reports》：Firefly algorithm and DNN for improved contactless heart rate measurement from videos

本文推荐一项创新性研究：为解决传统心率监测需接触式设备、易受光照和运动干扰等问题，研究人员开展了基于萤火虫优化算法(Firefly)与深度神经网络(DNN)的无接触心率测量研究。通过视频分析面部血流变化，将心率分为心动过缓(Bradycardia)、正常(Normal)和心动过速(Tachycardia)三类。该方法在MIT数据集上取得90.22%的精确度、94.46%的召回率和83.92%的准确率，显著优于现有技术，为非接触式健康监测提供了更可靠的解决方案。

　　

在当今数字健康时代，心率作为衡量心血管健康的重要指标，其监测方式正经历革命性变革。传统的心率监测通常需要佩戴胸带、指夹式传感器等接触式设备，不仅带来不适感，在长期监测、睡眠研究、新生儿监护等场景中也存在明显局限。特别是新冠疫情后，人们对无接触健康监测的需求急剧增长，如何通过普通摄像头实现准确的心率监测成为研究热点。

远程光电容积描记法(rPPG)技术的出现为解决这一问题提供了可能。该技术通过分析面部视频中因血液流动引起的微小肤色变化来提取心率信号。然而现有方法面临诸多挑战：基于卷积神经网络(CNN)和独立成分分析(ICA)的方法计算量大，难以实时应用；传统特征提取方法如方向梯度直方图(HoG)、局部二值模式(LBP)等对光照和运动伪影敏感；而粒子群优化(PSO)、人工蜂群(ABC)等优化算法容易过早收敛或需要过多迭代次数。

针对这些技术瓶颈，由Rupinder Saini、Pooja Sharma等研究人员组成的团队在《Scientific Reports》上发表了一项创新研究，提出将萤火虫优化算法(Firefly Algorithm)与深度神经网络(DNN)相结合的新方法。与以往直接预测连续心率值(BPM)的研究不同，该研究将心率分为三个临床意义明确的类别：心动过缓(<60 BPM)、正常(60-100 BPM)和心动过速(>100 BPM)，将问题转化为多类别分类任务而非回归任务。

关键技术方法

研究采用MIT欧拉视频放大数据集(100个样本)和自定义实时数据集(100个样本，来自2名受试者)进行验证。技术流程分为两个阶段：第一阶段通过自适应阈值算法精确检测前额区域；第二阶段综合使用HoG、LBP和Harris角点检测三种特征提取方法，通过萤火虫算法进行特征选择(种群大小30，最大迭代100次)，最后使用三层DNN分类器(包含10和8个神经元的两个隐藏层)进行心率等级分类。模型采用Adam优化器(学习率0.001)训练200个周期，通过5折交叉验证确保结果可靠性。

特征提取方法比较分析

研究人员首先对比了三种特征提取方法的性能。Harris角点检测在准确度(91-93%)和光照鲁棒性方面表现最佳，成为后续分析的基础特征集。

萤火虫算法优化特征选择

萤火虫算法通过距离依赖的吸引机制实现特征选择，其数学模型为：吸引力β = β₀e^-γr2，位置更新公式为x_i^t+1= x_i^t+ β(x_j^t- x_i^t) + αε。与粒子群优化(PSO)和人工蜂群(ABC)算法相比，萤火虫算法在探索与利用之间取得更好平衡，避免了早熟收敛问题。

深度神经网络分类架构

设计的DNN分类器包含三个隐藏层，采用ReLU激活函数和Softmax输出层，专门用于处理优化后的特征集并进行三分类任务。

MIT数据集性能评估

在MIT数据集上，Firefly+DNN方法在精确度、召回率、F1分数和准确率四个方面均显著优于现有技术。随着视频帧数增加，模型性能保持稳定，证明其具有良好的鲁棒性。

自定义数据集验证结果

在自定义数据集上，混淆矩阵显示该方法对三类心率状态均有良好识别能力：心动过缓识别准确率82%，正常心率86%，心动过速84%。总体性能指标进一步证实了方法的有效性。

消融研究验证设计选择

消融实验证实了各组件必要性：单独使用HoG、LBP或Harris特征时准确率分别为79.80%、78.25%和82.10%，而特征组合后提升至83.10%。萤火虫算法参数优化(β=1.0, γ=0.5)和三层DNN结构被证明是最优配置。

实际环境性能测试

在低光照(性能下降约3.2%)、高眩光(下降约2.7%)和头部侧转(下降4-5%)等实际条件下，方法仍保持较好性能，表明其对环境变化具有一定鲁棒性。计算效率方面，处理1000帧平均仅需4.2秒，接近实时分析要求。

研究结论与意义

该研究成功开发了一种基于萤火虫优化和DNN的无接触心率分类方法，创新性地将心率监测问题转化为分类任务而非传统的回归问题。方法在精确度(90.22%)、召回率(94.46%)和F1分数(92.26%)上均显著优于现有技术，为解决无接触心率监测中的光照敏感性和计算效率问题提供了有效方案。

研究的实际意义在于：高召回率确保能够识别大多数异常心率病例，平衡的F1分数满足临床监测对敏感性和精确度的双重要求。轻量级DNN架构使其适合集成到远程医疗平台和移动健康应用中，为家庭监护、驾驶员安全监测等场景提供了技术基础。

未来研究方向包括将方法与紧凑型Transformer或时序注意力机制结合，以及在更大规模数据集上进一步验证其泛化能力。总体而言，这项研究推动了无接触生理监测技术的发展，为构建更加智能、便捷的健康监测系统奠定了重要基础。