基于FastICA与ICEEMDAN的人脸视频心率检测

现有的非接触式心率检测方法存在噪声干扰、准确率低等问题。针对这些问题,提出一种基于FastICA与改进的自适应噪声完全集合经验模态分解(ICEEMDAN)相结合的算法,采用人脸视频进行心率检测。用摄像头采集人脸视频,并从视频中提取R、G、B通道源信号,即皮肤颜色变化信号,分别求出RGB这3个颜色通道的像素平均值;然后利用 FastICA对RGB这3组像素平均值进行解混,得到3组独立源信号,再用ICEEMDAN将其中一组独立源信号进行模态分解,并选取合适频段内的固有模式函数(IMF)估计心率的信号,最后用频谱分析计算得到心率。设计实验对8名人员进行了人脸视频检测,将检测结果与多参数监护仪进行对比分析。实验结果表明,该方法与多参数监护仪测量结果的平均误差与均方根误差均小于1 beat/min,因此基于FastICA与ICEEMDAN的人脸视频心率检测对人体心率检测具有良好的稳定性和准确性。     

结合生成对抗网络的电阻抗断层成像技术在肺通气监测中的应用

电阻抗断层成像（EIT）技术在肺通气监测和区域性肺功能检测中发挥着重要作用。然而,EIT算法固有的病态特性导致从含有噪声的电压数据中求解电导率时存在明显偏差,难以获得准确的电导率变化分布图像以及清晰的边界轮廓。为了提高EIT在肺通气监测中的成像质量,本文提出将EIT算法与深度学习算法相结合的方法。首先,引用优化因子对卡尔曼滤波算法进行修正并将吉洪诺夫（Tikhonov）正则化引入算法的状态空间表达式,以获得初始肺部重建图像;其次将初始成像结果输入生成对抗网络模型,以重构出精确的肺部轮廓。仿真实验结果表明,该方法生成的肺部图像边界清晰,对噪声具有更强的鲁棒性,基本实现了可视化的效果,可为计算机断层扫描等影像的诊断提供参考意义。