远程心率测量可重复性研究
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
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
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
远程光电容积法(rPPG)是一种利用通过摄像头捕捉的血红蛋白的光吸收特性来分析和测量血容量脉搏(BVP)的技术。通过分析测量得到的 BVP,可以推导出各种生理信号,如心率、应激水平和血压,从而实现心血管疾病的早期预测。然而,存在着与皮肤颜色、摄像头特性、环境光照和其他噪声源相关的严重挑战,这些问题降低了性能准确性。本研究目的在于提供一个基准测试框架,以公平评估和比较各种 rPPG 技术,包括传统的非深度神经网络(non-DNN)和深度神经网络(DNN)方法。
Jul, 2023
本文提出了一种基于低光照条件下的远程心率测量的技术性解决方案,并通过一个大规模的数据集,评估了在不同光照变化下 rPPG 算法(Green、ICA 和 POS)的性能,并发现在低光照条件下,人脸检测算法无法检测人脸,脉冲信号的振幅降低将导致噪声信号占主导地位,并且基于色度的方法在皮肤色调假设方面存在局限性,提出的解决方案可以有效地提高脉冲信号的信噪比和精度。
Mar, 2023
本文提出了一种数据扰动的方法,通过提取少量含有身份相关信息的面部区域进行像素洗牌和模糊处理来解决 Remote Photoplethysmography 数据的隐私问题,实验表明该方法可将面部识别算法的准确性降低 60%,而对 rPPG 提取几乎不产生影响,可作为一种有效的隐私保护方案。
Jun, 2023
通过远程 PPG 技术从面部视频中提取心率、呼吸率等生命体征。应用信号处理滤波器提取血容量脉搏信号并根据不同算法估计各项生命体征。使用 Web 应用程序框架进行实现,验证了其准确性和鲁棒性。
Aug, 2022
本研究分析了目前为止最大的真实世界远程光电容抗数据集,涵盖了 893 名受试者和 6 种菲茨帕特里克皮肤色调,实验结果表明,包含数百名受试者的数据集足以进行有效的远程光电容抗模型训练,并强调了皮肤色调的多样性和一致性对于不同数据集的精确性能评估的重要性。
Apr, 2024
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
本文提出了一个两阶段的端到端 RPPG 信号恢复方法,该方法包括视频增强和 RPPG 信号恢复两个阶段。实验结果表明,该方法在压缩视频上表现出色,并且具有很好的泛化能力。
Jul, 2019