近期，计算机与信息学院博士生刘雪南以第一作者身份在生物医学著名期刊《IEEE Journal of Biomedical and Health Informatics》先后发表了题为“VidAF: A Motion-Robust Model for Atrial Fibrillation Screening From Facial Videos”和“PFDNet: A Pulse Feature Disentanglement Network for Atrial Fibrillation Screening From Facial Videos”的研究论文，为基于面部视频的非接触式房颤筛查研究提供了新方法。该项研究由合肥工业大学联合中国科学技术大学附属第一医院（安徽省立医院）及滑铁卢大学共同完成。
房颤是最常见的心律失常疾病，可引起一系列的并发症，成倍增加脑卒中、心力衰竭等心血管疾病的风险。我国房颤患者已高达2000万，且患者人数将随着社会老龄化进程而持续上升。由于房颤具有一定的隐匿性，其筛查对于病情的早期发现与治疗具有重要意义，相关指南与共识已将65岁以上的老年群体列为重点筛查对象。基于面部视频的光电容积描记法（video-based photoplethysmography, VPPG）利用普通摄像头采集面部视频，通过检测微弱的肤色变化来实现人体脉搏信号的非接触式提取，为房颤筛查提供了一种低成本、使用便捷的新途径，现已成为生物医学工程及计算机视觉领域的一个前沿研究方向。
图1. 视频房颤筛查及信号级抗干扰模型
该研究工作旨在揭示面部肤色微小变化与房颤风险的内在联系，将视频生理信号检测技术与深度学习方法相结合，研究基于面部视频的房颤筛查新方法。针对脉搏信号的空间域分布特性以及时间域振动特性，采用时空神经网络实现基于视频肤色变化的脉搏信号提取。在此基础上，将脉搏节律规整度与时变神经网络相结合研究房颤特征提取模型，建立视频房颤筛查的新方法。
图2. 视频房颤筛查及特征级抗干扰模型
针对现实场景下开放式应用中存在的头部晃动、面部表情变化等运动干扰问题，从信号级和特征级两个层面研究房颤抗干扰筛查模型。基于脉搏信号与运动干扰信号在相位空间中的差异特性，通过建立相位驱动的神经网络注意力机制实现脉搏与干扰信号的深度分离。针对脉搏信号中残留的非典型干扰信号特征，以同步采集的高质量指尖脉搏信号为参考，通过建立特征交叉解耦神经网络提取视频脉搏信号与指尖脉搏信号的共性节律特征，实现鲁棒房颤特征的提取。
该研究的成果既可与摄像头相结合提供专用的房颤检测仪器，也可集成于手机、个人电脑以及居家监控等各类设备中，以低成本、灵活多样的方式实现房颤筛查。受试者可免去佩戴传感器的不便及不适，在无需主动操作的情况下实现房颤的自动筛查，更适用于老年人群体。该研究的成果在养老机构、社区卫生服务中心、乡镇卫生院等重点场合和重点人群的群体性筛查和机会性筛查上有着良好的应用前景。
该研究得到安徽省科技重大专项的资助。