Oct, 2018

VIPL-HR：一个用于从非约束性面部视频中脉冲估计的多模态数据库

PDF
TL;DR本研究介绍了一个大规模多模态心率数据库 VIPL-HR，并且使用提出的空间 - 时间表示学习深度心率估计器（RhythmNet），在公共域和 VIPL-HR 数据库上取得了有希望的结果。
heart rateremote hr estimationmulti-modal hr databasedeep representation learning methodsrhythmnet
发现论文，激发创造
  • 基于时空表征的面部心率端对端估计

    本文提出了一种基于 RhythmNet 的心率远程估测方法，并建立了一个大规模的多模态心率数据库（VIPL-HR），其包含 2,378 个可见光和 752 红外视频，该方法在公共数据库和 VIPL-HR 数据库上都表现出优异的表现。

    Oct, 2019

  • Deep-HR: 快速估计真实条件下基于面部视频的心率

    本文提出了一种新颖的方法来进行远程心率估计，并通过前端和后端网络实现了实时、高效的心率测量，可应用于低质量视频的情境中。

    Feb, 2020

  • 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

  • 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

  • 利用光谱反射特性从 RGB 人脸视频中估计心率

    通过使用用户的光谱反射来实现更可靠的心率估计框架，采用基于深度学习的 Faster RCNNs 面部检测方法来解决运动和光照干扰等问题，在 MAHNOB HCI 数据集上得到了比之前方法更好的效果。

    Aug, 2022

  • 使用合成的基于视频的数据训练鲁棒的深度生理测量模型

    本文提出了在合成生理信号和相应的面部视频中添加真实世界噪声的几种方法，并在三个公开的真实世界数据集上评估了我们的框架，结果显示我们能够将平均 MAE 从 6.9 降低到 2.0。

    Nov, 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

  • 使用信号处理和机器学习的有效直接心率变异推断

    该研究使用心率变异性指标以及光电容积描记传感器技术，综合信号处理和机器学习技术来准确推断心率变异性，能在少于 1ms 的推断时间内保证 13.0% 至 9.1% 的误差，使其更适用于小型嵌入式设备和未来的医疗保健监测应用中。

    Mar, 2023

  • 远程光电测量中深度学习的架构技巧

    该论文研究了卷积网络在评估彩色信号补丁的心率值方面的架构改进，通过添加卷积过滤层和组合损失函数来提高静止和混合运动情景下心率估计模型的性能。

    Nov, 2019

  • 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