基于高效深度学习的智能手机生命体征估计
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
本文针对医疗领域中自动检测视频中生命体征(如心率和呼吸率)这一挑战性的计算机视觉问题,通过使用一种新颖的深度学习方法,在红外热成像领域从纯合成数据中训练递归深度神经网络来检测生命体征,并且无需手工标注,取得了 LCAS 数据集上最优的结果。
Apr, 2020
本报告介绍了 VitalLens,一种能从自拍视频中实时估计心率和呼吸率等重要生理指标的应用程序。VitalLens 利用在多种不同类型的视频和生理传感器数据上训练的计算机视觉模型进行推断。我们在几个多样化的数据集上进行了性能基准测试,包括 VV-Medium 数据集,其中包含 289 个独特参与者。VitalLens 在所有数据集上均优于 POS 和 MTTS-CAN 等现有方法,并保持了快速推断速度。在 VV-Medium 上,VitalLens 对心率估计的绝对误差为 0.71 bpm,对呼吸率估计的绝对误差为 0.76 rpm。
Dec, 2023
该研究通过使用消费级智能手机捕获的视频,提出了一种基于光生理学的卷积神经网络来监测 SpO2 的方法,该方法可在远程医疗和健康筛查环境中提供更有效和准确的 SpO2 监测方式。
Apr, 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
研究旨在提出一种基于视频的光学心肺重要生命体征测量方法,采用一种名为 MTTS-CAN 的多任务时间移位卷积注意网络,实现了移动平台上的实时心血管和呼吸测量,较其他方法减少了 20%-50% 的误差。
Jun, 2020
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
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
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