本文提出了一种基于 2D 相机且不受关注区域限制的计算廉价的方法估算周期性驱动的噪声 LTI 通道，并将其应用于呼吸模式 (RP) 的识别。通过将各个空间位置建模为噪声受到污染的线性时不变的（LTI）带有未知系统动力学的测量通道，来实现 RP 的估算， 然后将其作为盲卷积问题，并通过包括子空间投影和统计聚合的方法来解决。本方法在 31 名健康人类主体上进行实验，与同时获取的障碍性肺囊容积测定仪的基础真相相比，该估算器具有良好的相关性措施，尽管在衣物图案，视野角度和 ROI 的可变性方面。

Nov, 2016

研究了一种利用运动检测算法光流进行非接触式呼吸速率检测的方法，并评估了在使用不同点集时光流的成功性。研究表明，胸部和面部运动可用于确定呼吸速率，但成功程度有所不同。这些发现凸显了光流作为一种无创呼吸速率检测方法的潜力，并强调了选择适当的点以优化准确性的重要性。

Nov, 2023

通过使用深度学习，本研究从普通视频中估计婴儿的呼吸频率和波形，为婴儿呼吸监测提供自动、连续和非接触性的方法。通过构建 AIRFlowNet 模型并使用公开的婴儿呼吸数据集 (AIR-125) 进行训练和测试，结果表明该方法在呼吸频率估计方面明显优于其他公开模型，平均绝对误差为约 2.9 次 / 分钟，而其他设计用于成人主体和更一致环境的模型的平均绝对误差在约 4.7-6.2 次 / 分钟。

Jul, 2023

本研究提出了利用近红外视频成像技术，通过肉眼无法察觉的颈动脉脉冲和呼吸运动来测量 HR 和 BR 的低成本方法，并使用模板匹配、PCA 和 HMM 等技术实现数据平滑，结果表明该方法在暗光和明光下，能够实现比 FDA 认定设备更高精度的体征测量，这将推动非接触式生理测量技术在现实环境中的应用。

May, 2018

本文使用卷积神经网络的方法从智能手表上获取的心率数据中提取呼吸率，通过与现有方法的比较，结果显示我们的方法优于其他方法，并且估计与参考的呼吸率值之间具有更高的一致性。

Jan, 2024

本文提出了一种基于视频 Transformer 的方法，从面部视频中估计瞬时心率和呼吸率，并在大规模 Vision-for-Vitals 基准测试中取得优异表现，尤其在瞬时呼吸率估计方面超越了基于浅层和深度学习的方法。

Feb, 2022

该研究提出了一种使用深度学习的移动端终端对生理征候进行端到端的估计的新方法，其对信号进行卷积计算，无需使用传统预处理方法，且具有更低的计算复杂度和过拟合的机会，提供了一个公共数据集，实验证明其具有最先进的估计精度。

Apr, 2022

使用混沌理论设计了一种脑启发式的框架，通过分析视频的光流信号的时空特性实现遥测心率测量，从而解决了现有方法中的准确性、适用性和隐私泄露问题。

Apr, 2024

本研究提出使用深度学习技术的可穿戴式监测系统，采用无创的 Bellypatch 设备从早产儿的身体上实时采集信号，对呼吸停止等问题进行预测和监测。将传统的 1DCNN 模型转换为基于脉冲神经网络的模型，实现了 93.33% 的准确率和比基础模型低 18 倍的能量消耗。

Feb, 2022

本研究提出了一种利用不连续光波信号从机械机器人胸部反射出来的方法来检测非接触式呼吸异常，与现有的用于监测生命体征的雷达和摄像头感应系统相比，该技术仅使用低成本的常见光源（如红外线发光二极管）和传感器（如光电二极管），该光波感应系统能够识别机器人胸部反射光强的变化中的不同呼吸异常。呼吸异常检测模型使用机器学习方法在分类 7 种不同呼吸数据时达到了 96.6% 的平均准确率，该模型还能够检测系统收集的不包含呼吸信息的错误数据。这个开发的系统可以作为一个智能、非接触和隐蔽的呼吸监测方法在家庭或医疗设施中使用。

Nov, 2023