该研究提出了一种协作推理方法，旨在通过智能手表与智能手机之间的合作来最大化心率追踪的性能，并在维持低的均方误差 (MAE) 的同时降低能耗。

Jun, 2023

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

本研究探讨使用手腕佩戴式可穿戴设备从加速度中预测心率，通过能量高效的加速度计实现较大的节能，同时使用在线方法了解心率变化以及患者康复，结果显示我们的方法可以在较少使用心率传感器（例如样本的 20.25%）的情况下实现良好的预测性能（如 2.89 的平均绝对误差）以及很好的患者康复情况.

Jun, 2018

本文使用神经架构搜索技术，提出一种基于 AutoHR 的强有力的远程心率测量终端到终端方法，通过实验在三个基准数据集上表明了在信息丰富的 rPPG-scenarios 中的效果。

Apr, 2020

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

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。

Sep, 2014

本研究提出了一种轻量级的深度神经网络 Tiny-PPG，用于准确和实时地检测心率监测中的 PPG 运动伪影。经验证实验，增加模型精度和速度之间的平衡，采用了特殊设计的模型结构，训练方法和损失函数，在嵌入式设备上实现实时 PPG 伪像检测。

May, 2023

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

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

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