我正在实施本文中的方法： https ://dspace.mit.edu/bitstream/handle/1721.1/66243/Picard_Noncontact%20Automated.pdf?sequence=1&isAllowed=y

主要思想是使用一组帧（$N=300$) 来自 10 秒的视频，因此帧速率等于$30$帧率。

red = [item[:,:,0] for item in imgs]
green = [item[:,:,1] for item in imgs]
blue = [item[:,:,2] for item in imgs]

red_avg = [item.mean() for item in red]
green_avg = [item.mean() for item in green]
blue_avg = [item.mean() for item in blue]

red_mean, red_std = np.array(red_avg).mean(), np.array(red_avg).std()
green_mean, green_std = np.array(green_avg).mean(), np.array(green_avg).std()
blue_mean, blue_std = np.array(blue_avg).mean(), np.array(blue_avg).std()

red_avg = [(item - red_mean)/red_std for item in red_avg]
green_avg = [(item - green_mean)/green_std for item in green_avg]
blue_avg = [(item - blue_mean)/blue_std for item in blue_avg]

data = np.vstack([signal.detrend(red_avg), signal.detrend(green_avg), signal.detrend(blue_avg)]).reshape(300,3)
from sklearn.decomposition import FastICA
transformer = FastICA(n_components=3)
X_transformed = transformer.fit_transform(data)

from scipy.fftpack import fft

first = X_transformed.T[0]
second = X_transformed.T[1]
third = X_transformed.T[2]

ff = np.fft.fft(first)
fs = np.fft.fft(second)
ft = np.fft.fft(third)

imgs- 是具有 300 个图像像素值的数组的初始列表。如您所见，我将所有帧拆分为 RGB 通道，因此有痕迹$x_i(t)%$， 在哪里$i = 1,2,3$

标准化后，我们去除所有轨迹并将它们堆叠以进一步应用 ICA，然后对所有三个分量进行 FFT。

然后该方法声称我们需要绘制功率与频率 (Hz) 的关系图，并选择最有可能是心脏脉冲的分量。

最后，我们对选定的源信号应用快速傅里叶变换 (FFT) 以获得功率谱。脉冲频率被指定为对应于操作频带内频谱的最高功率的频率。对于我们的实验，我们将操作范围设置为 [0.75, 4] Hz（对应于 [45, 240] bpm）以提供广泛的心率测量。

这是我尝试可视化频率的方法：

import numpy as np
import matplotlib.pyplot as plt
from scipy import signal

data = ft
print(fs.size)
ps = np.abs(np.fft.fft(data))**2

sampling_rate = 30

freqs = np.fft.fftfreq(data.size, 1/sampling_rate)
idx = np.argsort(freqs)
#print(idx)
plt.plot(freqs[idx], ps[idx])

我得到的完全不同，因为频率范围来自$-15$到$15$我不知道这是否以赫兹为单位。

上面的三个图像是我在执行代码以可视化频率和信号功率时得到的。

我将不胜感激任何帮助或建议。