May, 2018

从颈部近红外视频估计颈动脉脉搏和呼吸率

PDF
TL;DR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。
non-contact physiological measurementnear-infrared video imagingprincipal component analysishidden markov modelsvital signs
发现论文，激发创造
  • 利用光流进行非接触呼吸频率检测

    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

  • 使用摄像头的稳健非接触式生命体征监测 ——DistancePPG

    通过距离心率相位（distancePPG）算法，结合人脸不同区域皮肤颜色变化的信号，以改善基于相机的估计的信噪比，从而实现非接触心率监测。

    Feb, 2015

  • 利用面部视频估计心率和血压的相移远程光电测量

    通过深度学习建立的两阶段视觉远程光电测量网络 (DRP-Net) 和边界血压网络 (BBP-Net) 可估算心率和血压，其中 DRP-Net 用于估算心率，BBP-Net 通过分析不同部位的光电信号的相位差估算收缩压与舒张压。与最近的方法相比，本方法在心率估算上减小了 34.31% 的平均绝对误差 (MAE)。

    Jan, 2024

  • EVM-CNN：基于面部视频的实时非接触式心率估计

    研究表明，可以通过将空间分解和时间滤波与卷积神经网络相结合，从面部视频中遥测心率，且该方法在 HR 估计方面的表现明显优于标准测试集 MMSE-HR，并且与真实数据具有高一致性。

    Dec, 2022

  • DeepPhys: 使用卷积注意力网络进行基于视频的生理测量

    本文提出了一种使用深度卷积神经网络进行基于视频的非接触式心率和呼吸率测量的新方法，该系统采用一种基于皮肤反射模型的新动作表示和一种使用外观信息引导运动估计的新注意机制，从而实现在异质光照和主要运动下强大的测量，其空间 - 时域分布可通过注意机制进行可视化，能够显著优于所有当前最先进的 RGB 和红外视频数据集上的方法。

    May, 2018

  • 一种用于实验和验证远程生命体征测量的 Web 应用程序

    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

  • 利用近红外视频摄像头测量的生命体征和活动进行的深度学习睡眠分期

    利用视频数据和深层迁移学习的方法，通过心率、呼吸速率和活动度等参数对睡眠进行分类，其在 50 名正常志愿者数据集上实现了 73.4% 的准确率和 Cohen's kappa 系数 0.61，成为基于视频的睡眠分级的最新研究水平。

    Jun, 2023

  • 基于事件摄像机的心率检测

    利用事件相机实现连续非侵入性心率监测的研究表明，事件相机的视频数据可以用于自动检测心率，具备脉冲检测的可行性。

    Sep, 2023

  • 从视频中自动估计婴儿呼吸：基于深度流的算法和一个新颖的公共基准

    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

  • 利用视频转换器进行瞬时生理估计

    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