Non-Contact Breathing Rate Detection Using Optical Flow
作者: Robyn Maxwell, Timothy Hanley, Dara Golden, Adara Andonie, Joseph Lemley, Ashkan Parsi
分类: eess.IV, cs.LG
发布日期: 2023-11-13
备注: In Proceedings of Irish Machine Vision and Image Processing Conference 2023 (IMVIP2023), Galway, Ireland, August 2023
💡 一句话要点
提出非接触式呼吸频率检测方法以解决健康监测问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 非接触式监测 呼吸频率检测 光流算法 健康监测 运动检测
📋 核心要点
- 现有的健康监测方法往往依赖于接触式设备，存在不便和舒适性问题。
- 本文提出利用光流算法，通过跟踪身体特定点的运动实现非接触式呼吸频率检测。
- 实验结果显示，胸部运动信号的准确性高于面部点，且胸部的均方根误差为0.63。
📝 摘要（中文）
呼吸频率是一个重要的健康指标，能够反映一个人的整体健康状况。近年来，非接触式健康信号测量方法的发展迅速，应用范围广泛，包括远程医疗和驾驶员监控系统。本文探讨了一种基于光流的非接触式呼吸频率检测方法，通过跟踪身体特定点的运动来实现。研究评估了不同点集在呼吸频率测量中的成功性，结果表明胸部运动信号准确性高，均方根误差为0.63，而面部点在头部运动较小的情况下也能生成可靠信号，但对头部/身体运动引起的噪声更为敏感。这些发现突显了光流作为一种非侵入性呼吸频率检测方法的潜力，并强调了选择合适点以优化准确性的重要性。
🔬 方法详解
问题定义：本文旨在解决传统健康监测方法中接触式设备带来的不便与舒适性问题，尤其是在呼吸频率的测量上。现有方法在准确性和用户体验上存在不足。
核心思路：论文的核心思路是利用光流算法，通过非接触方式跟踪身体特定点的运动来检测呼吸频率。这种设计旨在提高监测的便捷性和舒适性，同时保持较高的准确性。
技术框架：整体架构包括数据采集、运动检测和呼吸频率计算三个主要模块。首先，通过摄像头获取视频数据，然后应用光流算法检测运动，最后计算呼吸频率。
关键创新：最重要的技术创新在于使用光流算法进行非接触式呼吸频率检测，并评估不同身体部位（如胸部和面部）对检测准确性的影响。这一方法与传统的接触式监测方式本质上不同。
关键设计：在实验中，选择了胸部和面部的多个关键点进行运动跟踪，采用均方根误差（RMSE）作为性能评估指标，胸部的RMSE为0.63，显示出较高的准确性。
📊 实验亮点
实验结果表明，胸部运动信号的均方根误差为0.63，显示出极高的准确性。相比之下，面部点在头部运动较小的情况下也能提供可靠信号，但对噪声的敏感性较高。这些结果强调了选择合适监测点的重要性。
🎯 应用场景
该研究的潜在应用领域包括远程医疗、老年人健康监测、驾驶员监控系统等。通过非接触式的呼吸频率检测，能够提高用户的舒适度和监测的便利性，未来可能在家庭健康管理和公共健康监测中发挥重要作用。
📄 摘要（原文）
Breathing rate is a vital health metric that is an invaluable indicator of the overall health of a person. In recent years, the non-contact measurement of health signals such as breathing rate has been a huge area of development, with a wide range of applications from telemedicine to driver monitoring systems. This paper presents an investigation into a method of non-contact breathing rate detection using a motion detection algorithm, optical flow. Optical flow is used to successfully measure breathing rate by tracking the motion of specific points on the body. In this study, the success of optical flow when using different sets of points is evaluated. Testing shows that both chest and facial movement can be used to determine breathing rate but to different degrees of success. The chest generates very accurate signals, with an RMSE of 0.63 on the tested videos. Facial points can also generate reliable signals when there is minimal head movement but are much more vulnerable to noise caused by head/body movements. These findings highlight the potential of optical flow as a non-invasive method for breathing rate detection and emphasize the importance of selecting appropriate points to optimize accuracy.