心率是人的重要生命体征之一,它是衡量一个人健康状况的最基本的标准,同时它也是诊断心血管疾病的一个重要指标。心率异常是健康杀手,它是诱发多种心血管疾病的重要因素,因此,对心率的测量具有很重要的现实意义。本文通过普通摄像头,结合PPG技术、人脸检测技术和盲源分离技术,对采集到的一段人脸视频信号分离出绿色信号,对绿色信号进行频谱分析,计算出心率的值。该设计方案具有操作简单,价格便宜,适合在家庭及社区的普及和推广。本文的主要工作如下:1.第2章主要介绍了生物医学中的PPG技术和PPG技术的应用价值,然后简单的阐述了现阶段比较成熟的人脸检测方法,在此基础上重点讨论了Adaboost分类器检测人脸的步骤。在这个过程中,本文对Harr快速积分图的计算过程有一定程度的优化,达到减少运算次数的目的。接着本文基于OpenCV平台下的分类器,通过详细的步骤介绍如何训练自己的人脸样本,并在对训练过程中可能遇到的问题都给出了相应的解决方法,并对训练结果中出现的差异性做了一定的分析。最后,使用已经训练好的.xml文件,设计了一个人脸检测界面,用来检测图片是否是人脸。2.第3章首先介绍了盲源分离技术解决的主要问题,针对本文需要将三基色信号分离,提取绿色信号这个问题,采取了比较经典的ICA方法模型作为切入点。并对传统的Fast ICA做了一些介绍,在此基础上做了一些改进,通过增加搜索因子,可以减少迭代次数。通过仿真实验,用改进的FastICA对4个信号进行盲分离,最后对两种算法的时间复杂度和算法复杂度做了直观的比较。通过比较发现,采用改进的FastICA较传统的FastICA各方面都有很大的提高,验证了理论的正确性。3.第4章设计了心率测量的系统的方案,详细的介绍了硬件平台的要求和软件环境的搭建。然后,通过已经设计好的系统采集人脸图像的视频,接着对视频做了五个步骤的操作,对处理后的信号进行频谱分析,计算出人的心率值。最后,通过用相关性和Bland Althman一致性分析理论,比较分析了本文提出的改进Fast ICA算法和传统的FastICA算法与仪器上所测心率的数据,实验结果表明,使用经过改进的FastICA算法较传统的的Fast ICA算法与仪器上的数据更加具有一致性和相关性,可以替代仪器测量心率。4.第五章对本文内容进行了总结,并对未来的研究发展进行了展望。