心率是一项反映人体生理和心理状况的重要生理信号,其包含了丰富的健康状况和情绪活动信息。对心率进行实时准确的测量在诸多领域有着广泛应用,例如疾病预防、训练辅助、健康监测和护理等。远程光电容积描记术(remote photoplethysmography,r PPG)是一种非接触式的心率测量技术,r PPG可从面部视频中直接提取心率信号,而无需佩戴接触式的传感器。随着长期健康监测需求的增长,这项技术凭借其易实现、成本低、非接触测量等优点,获得了研究人员的极大关注。然而,r PPG技术容易受到环境光变化和运动伪迹等因素的影响,使得测量出现偏差。近年来随着人工智能的飞速发展,深度学习相关技术在r PPG领域逐步得到应用,这些技术显示出了良好的抗噪性能。在本文中,提出了一种新的基于卷积神经网络(convolutional neural networks,CNN)的r PPG方法,以建立时空特征图像与其对应的心率数值之间的映射,主要实现流程如下:首先,定位视频中的人脸特征点并确定多个感兴趣区域。从每个感兴趣区域中提取视频片段的RGB通道信号。使用基于色差模型的算法进一步提取色差信号,并以时间延迟的方式构造时空特征图像。然后,通过改良的Akima三次Hermite插值方法从血容量脉冲信号或心电图信号中生成模拟的r PPG信号,并以时间延迟的方式构造预训练图像。修改卷积神经网络的结构并使用预训练图像训练网络。最后,使用上述时空特征图像对卷积神经网络进行进一步训练,调整优化网络参数,以使模型可以预测出准确的心率数值。本文在多个公开数据集上进行了数据集内部的交叉验证以及跨数据集的测试验证,并与一些典型的r PPG方法进行了对比,结果证明我们所提出的方法具有最佳性能。同时本文还分析了影响所提方法性能的关键因素,这些因素提供了对所提方法进一步改进的潜在途径。