[前情提要] 光阴似箭，日月如梭，最近几年，支持心率检测的设备愈发常见了，大家都在各种测空气测雪碧的，如火如荼，于是我也来凑一凑热闹。[0]
这段时间，我完成了一个基于iOS的心率检测Demo，只要稳定地用指尖按住手机摄像头，它就能采集你的心率数据。Demo完成后，我对心率检测组件进行了封装，并提供了默认动画和音效，能够非常方便导入到其他项目中。在这篇博客里，我将向大家分享一下我完成心率检测的过程，以及，期间我遇到的种种困难。本文中涉及到的要点主要有：
- AVCapture
- Core Graphics
- Delegate & Block
- RGB -> HSV
- 带通滤波
- 基音标注算法（TP-Psola）
- 光电容积脉搏波描记法（PhotoPlethysmoGraphy, PPG）
在开始之前，我先为大家展示一下最后成品的效果：
上图展示的是心率检测过程中的主要界面。
在检测的过程中，应用能够实时捕捉心跳的波峰，计算相应的心率，并以Delegate或Block的形式回调，在界面上显示相应的动画和音效。
##〇、剧情概览
好吧，😂其实上面的前情提要都是我瞎掰的，这个Demo是我来到公司的第一天接到的任务。刚接到任务的时候其实是有点懵逼的，原本以为刚入职两天可能都是要看看文档，或者拖拖控件，写写界面什么的，结果Xcode都还没装好，突然接到一个心率检测的任务，顿时压力就大起来了😨，赶紧拍拍屁股起来找资料。
心率检测的APP在我高三左右就有了，我清楚地记得当时，年少无知的我还误以为，大概又是哪个刁民闲着无聊恶搞的流氓应用，特地下载下来试了一下，没想到居然真的能测。。。
当时就震惊地打开了某度查了这类应用的原理。所以现在找起资料来还是比较有方向性的。
花了一天的时间找资料，发现在手机心率检测方面，网上相关的东西还是比较少。不过各种资料参考下来，基本的实现思路已经有了。
任务清单
一、整体思路
原理
首先说一说用手机摄像头实现心率检测所用到的原理。
我们知道，现在市面上有非常多具备心率检测功能的可穿戴设备，比如各种手环以及各种Watch，其实从本质上讲，我们这次要用到的原理跟这些可穿戴设备所用到的原理并无二致，它们都是基于光电容积脉搏波描记法（PhotoPlethysmoGraphy, PPG）。
PPG是追踪可见光（通常为绿光）在人体组织中的反射。它具备一个可见光光源来照射皮肤，再使用光电传感器采集被皮肤反射回来的光线。PPG有两种模式，透射式和反射式，像一般的手环手表这样，光源和传感器在同一侧的，就是反射式；而医院中常见的夹在指尖上的通常是透射式的，即光源和传感器在不同侧。
皮肤本身对光线的反射能力是相对稳定的，但是心脏泵血使得血管容积周期性地变化，导致反射光也呈现出周期性的波动值，特别是在指尖这种毛细血管非常丰富的部位，这种周期性的波动很容易被观察到。
使用iPhone的系统相机就可以轻易地用肉眼观察到这种波动——在录像中打开闪光灯，然后用手指轻轻覆盖住摄像头，就能观察到满屏的红色图像会随着心跳产生一阵一阵的明暗变化，如下图（请忽略满屏的摩尔纹）。
至于，为什么可穿戴设备上用的光源大多数都是绿光，我们用手机闪光灯的白光会不会有问题。这主要是因为绿光在心率检测中产生的信噪比比较大，有利于心率的检测，用白光也是完全没问题的。详情可以移步知乎：各种智能穿戴的心率检测功能 。我在这里就不细说了。
我的思路
我们已经知道我们需要用闪光灯和摄像头来充当PPG的光源和传感器，那么下面就来分析一下后续整体的方案。下面是我搜集完数据之后大致画出的一个流程图。
- 首先我们需要采集相机的数据，这一步可以使用AVCapture；
- 然后按照某种算法，对每一帧图像计算出一个相应的特征值并保存到数组中，算法可以考虑取红色分量或者转换为HSV再计算；
- 在得到一定量的数据后，我们对这个时间段内的数据进行预处理，譬如进行滤波，过滤掉一些噪声，可以参考一篇博客：巴特沃斯滤波器；
- 接下来，就可以进行心率计算，这一步可能涉及到一些数字信号处理的内容，例如波峰检测，信号频率计算，可以使用Accelerate.Framework的vDSP处理框架，Accelerate框架的用法可以参考：StackOverFlow的一个回答（最终我并没有使用，原因后面会提到）；
- 最终就可以得到心率。
二、初步实现
有了大概的方案之后，我决定着手进行实现了。
1）视频流采集
我们前面已经提到，我们要用AVCapture进行视频流的采集。在使用AVCapture的时候，需要先建立AVCaptureSession，相当于是一个传输流，用来连接数据的输入输出，然后分别建立输入和输出的连接。因此，为了更加直观，我先做了一个类似于相机的Demo，把AVCapture采集到的相机图像直接传输到一个Layer上。
创建AVCaptureSession
AVCaptureSession的配置过程类似于一次数据库事务的提交。开始配置前必须调用[_session beginConfiguration];来开始配置；完成所有的配置工作后，再调用[_session commitConfiguration];来提交此次配置。
因此，整个配置过程大致是这样的：
/** 建立输入输出流 */_session = [AVCaptureSession new];/** 开始配置AVCaptureSession */[_session beginConfiguration];/* * 配置session * （建立输入输出流） * ... *//** 提交配置，建立流 */[_session commitConfiguration];/** 开始传输数据流 */[_session startRunning];
建立输入流From Camera
要从相机建立输入流，就得先获取到照相机设备，并且对它进行相应的配置。这里对照相机的配置最关键的是要打开闪光灯常亮。此外，再设置一下白平衡、对焦等参数的锁定，来保证后续的检测过程中，不会因为相机的自动调整而导致特征值不稳定。
/** 获取照相机设备并进行配置 */AVCaptureDevice *device = [self getCameraDeviceWithPosition:AVCaptureDevicePositionBack];if ([device isTorchModeSupported:AVCaptureTorchModeOn]) { NSError *error = nil; /** 锁定设备以配置参数 */ [device lockForConfiguration:&error]; if (error) { return; } [device setTorchMode:AVCaptureTorchModeOn]; [device unlockForConfiguration];//解锁}
需要注意的是，照相机Device的配置过程中，需要事先锁定它，锁定成功后才能进行配置。并且，在配置闪光灯等参数前，必须事先判断当前设备是否支持相应的闪光灯模式或其他功能，确保当前设备支持才能够进行设置。
此外，对于相机的配置，还有一点非常重要：记得调低闪光灯亮度！！
长期打开闪光灯会使得电池发热，这对电池是一种伤害。在我调试的过程中，曾经无数次调着调着忘了闪光灯还没关，最后整只手机发热到烫手的程度才发现，直接进化成小米~ 所以，尽量将闪光灯的亮度降低，经过我的测试，即使闪关灯亮度开到最小也能够测得清晰的心率。
接下来就是利用配置好的device创建输入流：
/** 建立输入流 */NSError *error = nil;AVCaptureDeviceInput *deviceInput = [AVCaptureDeviceInput deviceInputWithDevice:device error:&error];if (error) { NSLog(@"DeviceInput error:%@", error.localizedDescription); return;}
建立输出流 To AVCaptureVideoDataOutput
建立输出流需要用到AVCaptureVideoDataOutput类。我们需要创建一个AVCaptureVideoDataOutput类并设置它的像素输出格式为32位的BGRA格式，这似乎是iPhone相机的默认格式（经@熊皮皮提出，除了这种格式，还有两种YUV的格式）。后续我们读取图像Buffer中的像素时，也是按照这个顺序（BGRA）去读取像素点的数据。设置中需要用一个NSDictionary来作为参数。
我们还要设置AVCaptureVideoDataOutput的代理，并创建一个新的线程（FIFO）来给输出流运行。
/** 建立输出流 */AVCaptureVideoDataOutput *videoDataOutput = [AVCaptureVideoDataOutput new];NSNumber *BGRA32PixelFormat = [NSNumber numberWithInt:kCVPixelFormatType_32BGRA];NSDictionary *rgbOutputSetting;rgbOutputSetting = [NSDictionary dictionaryWithObject:BGRA32PixelFormat forKey:(id)kCVPixelBufferPixelFormatTypeKey];[videoDataOutput setVideoSettings:rgbOutputSetting]; // 设置像素输出格式[videoDataOutput setAlwaysDiscardsLateVideoFrames:YES]; // 抛弃延迟的帧dispatch_queue_t videoDataOutputQueue = dispatch_queue_create("VideoDataOutputQueue", DISPATCH_QUEUE_SERIAL);[videoDataOutput setSampleBufferDelegate:self queue:videoDataOutputQueue];
连接到AVCaptureSession
建立完输入输出流，就要将它们和AVCaptureSession连接起来啦！
这里需要注意的是，必须先判断是否能够添加，再进行添加操作，如下所示。
if ([_session canAddInput:deviceInput]) [_session addInput:deviceInput];if ([_session canAddOutput:videoDataOutput]) [_session addOutput:videoDataOutput];
实现代理协议的方法，获取视频帧
上面的步骤中，我们将self设为AVCaptureVideoDataOutput的delegate，那么现在我们就要在self中实现AVCaptureVideoDataOutputSampleBufferDelegate的方法xxx didOutputSampleBuffer xxx，这样在视频帧到达的时候我们就能够在这个方法中获取到它。
#pragma mark - AVCaptureVideoDataOutputSampleBufferDelegate & Algorithm- (void)captureOutput:(AVCaptureOutput *)captureOutput didOutputSampleBuffer:(CMSampleBufferRef)sampleBuffer fromConnection:(AVCaptureConnection *)connection { /** 读取图像Buffer */ CVPixelBufferRef imageBuffer = CMSampleBufferGetImageBuffer(sampleBuffer); // // 我们可以在这里 // 计算这一帧的 // 特征值。。。 // /** 转成位图以便绘制到Layer上 */ CGImageRef quartzImage = CGBitmapContextCreateImage(context); /** 绘图到Layer上 */ id renderedImage = CFBridgingRelease(quartzImage); dispatch_async(dispatch_get_main_queue(), ^(void) { [CATransaction setDisableActions:YES]; [CATransaction begin]; _imageLayer.contents = renderedImage; [CATransaction commit]; });}
做到这里，我们已经获得了一个类似于相机的Demo，在屏幕上可以输出摄像头采集的画面了，接下来，我们就要在这个代理方法中对每一帧图像进行特征值的计算。
2）采样（计算特征值）
采样过程中，最关键的就是如何将一幅图像转换为一个对应的特征值。
我先将所有像素点转换为一个像素点（RGB）：
转换成一个像素点之后，我们只剩下RGB三个数值，事情就变简单得多。在设计采样的算法的过程中，我进行了许多种尝试。
我先试着简单地使用R、G、B分量中的其中一个直接作为信号输入，结果都不理想。
- HSV色彩空间
想到之前图形学的课上有介绍过HSV色彩空间，是将颜色表示为色相、饱和度、明度（Hue, Saturation, Value）三个数值。
![HSV色彩空间\[5\]](/media/15231176397746/g.png)
我想，既然肉眼都能观察到图像颜色的变化，而RGB又没有明显的反映，那HSV的三个维度中应该有某个维度是能够反映出它的变化的。我便试着转换为HSV，结果发现色相H随脉搏的变化很明显！于是，我就先确定用H值来作为特征值。
我简单地用Core Graphics直接在图像的Layer上画出H数值的折线：
3）心率计算
为了使得曲线更加直观，我对特征值稍做处理，又改变了一下横坐标的比例，得到如下截图。现在心率信号稳定以后，波峰已经比较明显了，我们开始进行心率的计算。
最初，我想到的是利用快速傅里叶变换（FFT）对信号数组进行处理。FFT可以将时域的信号转换成频域的信号，也就得到了一段信号在各个频率上的分布，这样，我们就能通过判断占比最大的频率，就差不多能确定心率了。
但是可能由于我缺乏信号处理的相关知识，经过将近两天的研究，我还是看不懂跟高数课本一样的文档。。。
于是我决定先用暴力的方法算出心率，等能用的Demo出来之后，看看效果如何，再考虑研究算法的优化。
通过上面的曲线，我们可以看出，在信号稳定的时候，波峰还是比较清晰的。因此我想，我可以设置一个阈值，进行波峰的检测，只要信号超过阈值，就判定该帧处于一个波峰。然后再设置一个状态机，完成波峰波谷之间的状态转换，就能检测出波峰了。
因为从AVCapture得到的图像帧数为30帧，也就是说，每一帧代表1/30s的时间。那么我只需要数一数从第一个波峰到最后一个波峰之间，经过了多少帧，检测到了多少波峰，那么，就能算出每个波峰间的周期，也就能算出心率了。
这个想法非常简单，但是存在一个问题，那就是，阈值的设置。波峰的凸起程度并不是恒定的，有时明显，有时微弱。因此，一个固定的阈值肯定不能满足实际检测的需求。于是我想到我们可以根据心跳曲线波动的上下范围，来实时确定一个合适的阈值。我做了如下修改：
每次进行心率计算的时候，先找出整个数组的极大和极小值，确定数据上下波动的范围。
然后，根据这个范围的一个百分比，来确定阈值。
也就是说，一个特征值只有超过了整组数据的百分之多少，它才会被判定为波峰。
根据这个方法，我每隔一段时间对数据进行一遍检测，在Demo中实现了心率的计算，又对界面进行了简单的实现，大致的效果如下。
使用的过程中还存在一定程度的误检率，不过总算是实现了心率检测~ 🎉🎉🎉
三、性能优化
在我粗略实现了心率检测的功能后，Leader提出了对性能进行优化的要求，顺便向我普及了一波Instruments的用法（以前我一直没有用过🙊）。
任务清单
- 性能优化
- 封装组件（delegate或block的形式）；
- 提供两种默认动画；
我用Instrument分析了心率检测过程中的CPU占用，发现占用率很高，维持在50%~60%左右。不过这在我的预料中，因为我的算法确实很暴力😂——每帧的图像是1920x1080尺寸的，在1/30秒内，要对这200多万个像素点进行遍历计算，还要转换成位图显示在layer上，隔一段时间还要计算一次心率。。。
我分析了CPU占用比较多的部分，归纳了几个可以考虑优化的方向
- 降低采样范围
- 降低采样率
- 取消AV输出
- 降低分辨率
- 改进算法，去除冗余计算
- 降低采样范围
现在的采样算法是对所有的像素点进行一次采样，我想着是否能够缩小采样的范围，例如只对中间某块区域采样，但试验后我发现，只对某块区域采样会使得检测到的波峰变得模糊，说明个别区域的采样并不具有代表性。
接着我又想到了一个新的办法。我发现图像中，临近像素点的颜色差异很小，那么我可以跳跃着采样，每隔几列、每隔几行采样一次，这样一方面可以减少工作量，一方面对采样的效果的影响也可以减少。
采样的方式就像上图展示的一样，再设置一个常量用来调节每次跳跃的间距。这样一来，理论上，每次占用的时间就可以降低为原来的1/n^2，大大减少。经过几次尝试后，可以看到，采样算法所在的函数的CPU占用比例由原来的31%降低到了14%了。
在分析CPU占用时，我发现在循环中对RGB分别累加时，第一个R的运算占用100倍以上的时间。开始时以为可能是Red分量数值较大，计算难度大，Leader建议我使用位运算，但是我改成位运算后，瓶颈依旧存在，弄得我十分困惑。后来我试着把RGB的计算顺序换一下，结果发现，瓶颈和R无关，不论RGB，只要谁在第一位，谁就会成为瓶颈。后来我想到，这应该是CPU和内存之间的数据传输造成的瓶颈，因为像素点都存在一块很大的内存块里，在取第一个数据的时候可能速度比较慢，然后后面取临近数据的时候可能就有Cache了，所以速度回提高两个数量级。
- 降低采样率
降低采样率就是将视频的帧数降低，我记得，不知道是香农还是谁，有一个定理，大概的意思就是说，采样率只要达到频率的两倍以上，就能检测出信号的频率。
（经coderMoe童鞋指出，此处正式名称为“奈奎斯特–香农采样定理”）
人的心跳上限一般是160/分钟，也就是不到3Hz，那理论上，我们的采样率只要达到6帧/秒以上，就能够计算出频率。
不过，由于我之前使用的算法还不是特别稳定，所以，当时我没有对采样率进行改变。
取消AV输出
之前我为了方便看效果，将采集到的视频图像输出到了界面上的一层Layer上，其实这个画面完全没必要显示出来。因此我去除了这部分的功能，这样一来，整体的CPU占用就降低到了33%以下。
降低分辨率
目前我们采集视频的大小是1920x1080，其实我们并不需要分辨率这么高。降低分辨率一方面可以减少需要计算的像素点，另一方面可以减少IO的时间。
在我将分辨率降低到640x480：
if ([_session canSetSessionPreset:AVCaptureSessionPreset640x480]) { /** 降低图像采集的分辨率 */ [_session setSessionPreset:AVCaptureSessionPreset640x480];}
结果非常惊人，整体的CPU占用率直接降低到了5%左右！
- 改进算法，去除冗余计算
最后，我对算法中一些冗余的计算进行了优化，不过，由于CPU占用已经降低到了5%左右，真正的瓶颈已经消除，所以这里的改进并没有很明显的变化。
四、封装
此前，我们已经完成了一个大致可用的心率监测Demo，但在此之前，我着重考虑的都是如何尽快实现心率检测的功能，对整体的结构和对象的封装都没有太多的考虑，简直把OC的面向对象用成了面向过程。
那么我们接下来的一个重要任务，就是对我们的心率检测进行封装，使它成为一个可复用的组件。
任务清单
- 封装组件并提供合理接口（delegate或block的形式）；
- 提供两种默认动画；
封装ViewController
最开始的时候，我想到的是对ViewController进行封装，这样别人有需要心率检测的时候，就可以弹出一个心率监测的ViewController，上面带有一些检测过程中的动画效果，检测完成后自动dismiss，并且返回检测到的心率。
我在protocol中声明了三个接口：
/** * 心率检测ViewController的代理协议 */@protocol MTHeartBeatsCaptureViewControllerDelegate <NSObject>@optional- (void)heartBeatsCaptureViewController:(MTHeartBeatsCaptureViewController *)captureVC didFinishCaptureHeartRate:(int)rate;- (void)heartBeatsCaptureViewControllerDidCancel:(MTHeartBeatsCaptureViewController *)captureVC;- (void)heartBeatsCaptureViewController:(MTHeartBeatsCaptureViewController *)captureVC DidFailWithError:(NSError *)error;@end
我将三个方法都设为了optional的，因为我还在ViewController中设置了三个相应的Block供外部使用，分别对应三个方法。
@property (nonatomic, copy)void(^didFinishCaptureHeartRateHandle)(int rate);@property (nonatomic, copy)void(^didCancelCaptureHeartRateHandle)();@property (nonatomic, copy)void(^didFailCaptureHeartRateHandle)(NSError *error);
封装心率检测类
对ViewController进行封装之后，我们可以看到，还是比较不合理的。这意味着别人只能使用我们封装起来的界面进行心率检测，如果使用组件的人有更好的交互方案，或者有特殊的逻辑需求，那他使用起来就会很不方便。因此，我们很有必要进行更深层次的封装。
接下来，我将会剥离出心率检测的类，进行封装。
首先，我一点点剥离出心率检测的关键代码，放进新的MTHeartBeatsCapture类中。剥离的差不多之后，就发现满屏的代码都是红色的Error😲，花了一个下午，才把项目恢复到能运行的状态。
我在心率检测类中设置了两个方法：启动和停止。使用起来很方便。
/** 开始检测心率 */- (NSError *)start;/** 停止检测心率 */- (void)stop;
然后，我重新设计了一个心率检测器的回调接口，依旧是delegate和block并存的。新的接口如下：
/** * 心率检测器的代理协议; * 可以选择Delegate或者block来获得通知, * 因此protocol中所有方法均为可选方法 */@protocol MTHeartBeatsCaptureDelegate <NSObject>@optional/** 检测到一次波峰（跳动）,可通过返回值选择是否停止检测 */- (BOOL)heartBeatsCapture:(MTHeartBeatsCapture *)capture heartBeatingWithRate:(int)rate;/** 失去稳定信号 */- (void)heartBeatsCaptureDidLost:(MTHeartBeatsCapture *)capture;/** 得到新的特征值（30帧/秒） */- (void)heartBeatsCaptureDataDidUpdata:(MTHeartBeatsCapture *)capture@end
我在新的接口中加入了heartBeatsCaptureDidLost:，方便在特征值波动剧烈的时候进行回调，这样外部就能提醒用户姿势不对。而第三个方法，则是为了之后外部的动画view能够做出类似于心电图一样的动画效果，而对外传出数据。
我还移除了检测成功的回调didFinishCaptureHeartRate:，换成了heartBeatingWithRate:，把成功时机的判断交给了外部，当外部的开发人员认为检测的心率足够稳定了，就可以返回YES来停止检测。
此外，我还移除了遇到错误的回调DidFailWithError:，因为我发现，几乎所有可能遇到的错误，都是发生在开始前的准备阶段，因此，我改成了在start方法中返回错误信息，并且枚举出错误类型作为code，封装成NSError。
typedef NS_OPTIONS(NSInteger, CaptureError) { CaptureErrorNoError = 0, /**< 没有错误 */ CaptureErrorNoAuthorization = 1 << 0, /**< 没有照相机权限 */ CaptureErrorNoCamera = 1 << 1, /**< 不支持照相机设备，很可能处于模拟器上 */ CaptureErrorCameraConnectFailed = 1 << 2, /**< 相机出错，无法连接到照相机 */ CaptureErrorCameraConfigFailed = 1 << 3, /**< 照相机配置失败，照相机可能被其他程序锁定 */ CaptureErrorTimeOut = 1 << 4, /**< 检测超时，此时应提醒用户正确放置手指 */ CaptureErrorSetupSessionFailed = 1 << 5, /**< 视频数据流建立失败 */};
主要的工作完成后，Leader给我提了不少意见，主要还是封装上存在的一些问题，很多地方没有必要对外公开，应该尽可能地对外隐藏，接口也应该尽量地精简，没必要的功能要尽可能的去掉。特别是对外公开的一个特征值数组（NSMutableArray），对外应该不可变，这一点我一直没有考虑到。
封装动画&改进动画
心率检测类封装完成后，我又剥离出显示心跳波形的部分，封装成一个MTHeartBeatsWaveView，使用的时候只要将动画View赋给MTHeartBeatsCapture作为delegate，该view上就能获取到特征值数据并进行显示。
动画改进：在测试的过程中，我发现波形动画显示的波形不太理想，View的大小是初始化的时候就确定的，但是心跳波动的幅度变化是比较大的，有时候一马平川，堪比飞机场，有时候波澜壮阔，直接超出View的范围。
因此我对动画的显示做了一个改进：能够根据当前波形的范围，计算出合适的缩放比，对心跳曲线的Y坐标进行动态的缩放，使它的上下幅度适合当前的View。
这个改进大大提高了用户体验。
五、优化
我们可以看到，先前得到的曲线已经能较好地反映出心脏的搏动，但是现在进行心率的计算还是存在一定的误检率。上图中展示的清晰的心跳曲线，实际上是比较理想的时候，测试中会发现，采样得到的数据经常存在较大的噪声和扰动，导致心率计算中经常会有波峰的误判。因此，我在以下两方面做了优化，来提高心率检测的准确度。
1、在预处理环节进行滤波
分析一下心率曲线里的噪声，我们会发现，噪声中含有一些高频噪声，这部分噪声可能是手指的细微抖动造成的，也可能是相机产生的一些噪点。因此，我找到了一个简易的实时的带通滤波器，对之前我们采样获得到的H值进行处理，滤除了一部分高频和低频的噪声。
在经过滤波器的处理之后，我们得到的曲线就更加平滑啦。
2、参考TP-Psola算法，排除伪波峰
经过滤波器的处理之后，我们会发现，在每个心跳周期中，总会有一个小波峰，因为它不是真正的波峰，因此我称它为“伪波峰”，这个伪波峰非常明显，有时也会干扰到我们心率的检测，被算法误判为心跳波峰，导致心率直接翻倍。
这个伪波峰出现是因为，除了外部的噪声之外，心脏本身的跳动周期中也会出现许多的“杂波”。我们来看一次心跳的完整过程。
![心电图波形产生过程的动画 \[1\]](/media/15231176397746/n.gif)
上图是一次心跳周期中，心脏的状态变化以及对应产生的波段。可以看到，在心脏收缩前后，人体也会有电信号刺激心脏舒张，这在心电图上会表现出若干次的波动。而血压也会有相应的变化，我们检测到的数据的波动就是这样形成的。
![正常心电周期 \[2\]](/media/15231176397746/o.png)
因此，这个伪波峰的形成是无法避免的，现有的通过阈值来判断波峰的方法很容易被欺骗，还是要考虑算法的改进，因此我又想到了快速傅里叶变换。
由于我对信号处理知之甚少，我看了两天的快速傅里叶，还是没有进展。于是我请教了部门里的前辈们，大家非常热情，推荐了不少方案和资料。其中一位实验室音频处理的博伟学长，碰巧在新人入职培训时和我分到了同一组，我就趁着闲暇的时候请教了他一些相关的问题。他觉得心率的波形比较简单，没必要用快速傅里叶变换，并且向我推荐了基音检测算法。
简单地说，这个算法会标注出可能的波峰，然后通过动态规划排除掉伪波峰，就能得到真正的波峰啦。我根据这个算法的思路，实现了一个简化版的伪波峰排除算法。经过改进后的心率检测，经测试准确度达到了和Apple watch差不多的程度。（自我感觉良好😂，求轻喷~~）
实时波峰检测
我还希望提供一个实时的心跳动画，因此我还实现了一个实时的波峰检测。这样每次检测到一个波峰之后，就可以立刻通知delegate或者block，在界面上做出动画。
歇-后-语
由于这一章节是歇了一阵子之后才写的，因此我把它叫做——歇后语。
这个心率检测的项目前后一共做了三个礼拜左右，虽然第一个Demo用了三四天就完成，但是后续的封装和优化却用了两个星期的时间，嗯，感触颇深。。。
从最开始的incredible，到最后的好意思说堪比Apple Watch，真的是一个很有成就感的过程。虽然期间遇到了不少困难，甚至有那么一两次觉得自己真的无解了，但到最后总能熬过去，山重水复疑无路，柳暗花明又一村。真的忍不住要念诗了，感觉很充实，很开心。
在做这个项目的过程中，我也得到了许多人的帮助。部门里的各位前辈、同事，在看到我的提问之后，非常热情地向我提供意见和资料。希望这篇博客会对大家有所帮助。谢谢大家~
【更新于2016/8/10】
经coderMoe童鞋指出，文中 [三、2.降低采样率] 提到的 “定理” 正式的名称为“奈奎斯特采样定理”。
感谢这段时间以来，大家的鼓励和支持，前阵子我写这篇文章的时候，是万万没有想到会得到这么多人的关注的，实在是受宠若惊。有很多人详细地阅读了这篇博客，并且提出了重要的意见，甚至还有几位客官打赏了我（但是简书取现要满100RMB才行，所以目前我还无法享用这笔增肥基金🙊哈哈），真的很感谢你们。
我当时写这篇博客也花了不少时间，只怪我语文没学好，在言辞表达上、逻辑结构上，没能做得更好，大家如果有什么意见建议、或者不同的见解，希望能不吝赐教~~大家的关注和交流会让我更有动力分享博客，要知道，写作对我这种工科生而言，真的是，“体力活”。😂
有想要进一步关注我的朋友，可以收藏一下我正在搭建的博客，域名正在备案中，不过博客系统是已经搭起来了，有兴趣的朋友请移步：punmy.cn😋
另外，关于许多朋友非常关心的开源的问题，这两天上班比较忙，但是我会在近期确定是否开源，届时会通过简书更新，感谢关注！
【更新于2016/8/18】
感谢大家的厚爱，收到Leader的回复，这个项目暂时不开源，不好意思。
但是大家如果有什么问题，欢迎继续和我探讨！😊
【更新于2016/8/19】
另外，有朋友指出，iPhone相机支持的原始数据格式有三种，一种是文中提到的BGRA，另两种似乎是YUV的格式，我对这方面不太了解，感谢提出，详情请看文档。
【更新于2018/4/8】
前段时间重新在 Github 上搭建了自己的博客，最近才有空把之前简书上的博客搬了过来，想开始维护自己的博客了。
The End.
延伸阅读
外部引用
[0]: 写出“前情提要”的时候，脑子里蹦出的是：previously on marvel agents of shield😂
[1]: 引用自维基百科，由Kalumet - selbst erstellt = 自己的作品，CC BY-SA 3.0，https://commons.wiki/media.org/w/index.php?curid=438152
[2]: 引用自维基百科，由Derivative: Hazmat2Original: Hank van Helvete - 此档案源起于以下档案或由以下档案加以编辑而成: EKG Complex en.svg，CC BY-SA 3.0，https://commons.wiki/media.org/w/index.php?curid=31447770
[5]:引用自维基百科，由(3ucky(3all - Uploaded to en:File:HSV cone.png first (see associated log) by (3ucky(3all; then transfered to Commons by Moongateclimber.，CC BY-SA 3.0，https://commons.wiki/media.org/w/index.php?curid=943857
]]>
