Sep, 2014

TROIKA: 一种使用手腕光电脉搏信号进行剧烈运动心率监测的通用框架

PDF
TL;DR本文提出了一个名为 TROIKA 的通用框架，用于清除并估计含有极强动态干扰的 PPT 信号中的心率，并验证了该框架的高度精确性和鲁棒性。实验结果表明，心率估算的平均绝对误差为 2.34 次 / 分钟 (BPM)，估计值与实际心率的皮尔逊相关系数为 0.992。该框架对于像智能手表这样将 PPT 信号用于健身的可穿戴设备具有重大价值。
heart rate monitoringphotoplethysmographic signalstroika frameworkmotion artifactswearable devices
发现论文，激发创造
  • Q-PPG: 可穿戴设备上基于 PPG 的节能心率监测

    通过 deep Temporal Convolutional Networks 工具和硬件友好型量化器，我们提出了一种设计空间探索方法，用于自动生成一组适用于可穿戴设备的高精度、极轻量级的计算模型，以便实现心率监测。

    Mar, 2022

  • 基于实时摄像头的心率及其变异性高效估计

    本文介绍了一种新的、精确的、实时的远程光学心率监测方法，可以测量心率、提取脉搏波形并计算心率变异性，无需特定的训练，可在实际应用中得到良好的结果。

    Sep, 2019

  • 在跨数据集远程光电容积脉搏图方面提升泛化能力

    研究表明，当前基于深度学习的 Remote Photoplethysmography (rPPG) 模型倾向于学习训练数据集中的脉搏波特征，作者提出的一种扩充训练数据集范围和变化性的方法成功缓解了这种倾向，进一步提高了模型的泛化能力。

    May, 2023

  • 从恶劣视频中实现无接触心率测量

    该研究利用图像处理技术恶化视频质量，模拟挑战性条件，评估了非学习和基于学习的 rPPG 方法在恶劣数据上的表现。结果显示这些限制条件下的准确率显著下降，因此建议应用去噪和修填等恢复技术来改善心率估计结果并提高方法的鲁棒性和适应性。

    Apr, 2023

  • 一种自监督算法用于通过穿戴设备估算心率的光电容积脉搏信号去噪

    本研究提出了一种基于自监督训练的去噪算法来去除穿戴式设备 PPG 信号中的噪音和运动伪迹，提高心率估计的准确性及心率变异性的估计精度，为穿戴式设备在健康指标方面的应用提供了改进。

    Jul, 2023

  • 基于 PPG 的心率估计：高效的传感器采样与学习模型

    本文探讨了低功耗和资源受限的嵌入式设备中更适用于心率估计技术。作者们将信号处理和机器学习相结合，将 PPG 采样频率从 125Hz 降低到 25Hz 以提高准确性，缩小模型大小并加快推理时间。实验结果表明，DT 模型使用 10 至 20 个输入特征通常具有良好的准确性，并几个数量级地降低了模型大小和推理时间。

    Mar, 2023

  • 使用时空网络从面部视频中远程测量光电容积脉搏信号

    通过使用深度时空网络重建精确的远程光学心电图信号，我们提出了一种 rPPG 测量方法，能够从面部视频中测量心率和心率变异性，并在心房颤动检测和情感识别方面取得了有前途的成果。

    May, 2019

  • 远程心率测量可重复性研究

    本文研究了远程光电容积脉搏图 (rPPG) 的可重复性问题。建立了一个含有大量被试的、公开的数据库，并选择了三种发表在文献中最前沿的 rPPG 算法作为开放源代码软件进行实现和发布。通过在各种设置下的深入、公正的实验评估，发现没有一种选定的算法具有足够的精度用于现实世界中。

    Sep, 2017

  • KID-PPG：智能手表中心率提取的知识驱动深度学习

    我们提出了 KID-PPG，这是一个知识引导的深度学习模型，通过自适应线性滤波、深度概率推断和数据增强，整合了专家知识，解决了深度学习模型中的三个问题：去除运动伪迹、降低信号降解，以及对光电脉动信号进行生理上合理的分析。在 PPGDalia 数据集上评估 KID-PPG，得到平均绝对误差为 2.85 次 / 分钟，超过现有可复现方法。我们的结果表明，通过将先前的专家知识整合到深度学习模型中，可以显著提高心率跟踪性能。该方法展示了在深度学习模型中整合现有专家知识，提升各种生物医学应用的潜力。

    May, 2024

  • 通过任意分辨率视频学习抗运动影响的遥测脉搏测量技术

    本文提出了两种对非接触式心率估计中长度和面部运动造成的误差进行修正的方法，并且使用一个双流双分辨率框架来训练模型以学习稳健的面部信号特征，实验证明了所提出方法的优越性。

    Nov, 2022