Aug, 2022

RRWaveNet：用于稳健 PPG 呼吸频率估计的紧凑型端到端多尺度剩余 CNN

PDF
TL;DR该研究提出了一种使用实时低成本光电脉搏图作为输入信号的、连续估计呼吸频率的深度学习模型：RRWaveNet。该模型具有高性能和便携性，可以在远程监测和家庭医疗等情况下实现精确且实用的呼吸频率计算，表明远程呼吸监测在远程医疗的背景下具有可行性。
respiratory ratephotoplethysmographydeep learningcontinuous monitoringtelemedicine
发现论文，激发创造
  • 基于鲁棒的卷积神经网络的智能手表光电图和惯性测量下的呼吸率估计

    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

  • 使用选择性集成聚合从视频中估计呼吸模式

    本文提出了一种基于 2D 相机且不受关注区域限制的计算廉价的方法估算周期性驱动的噪声 LTI 通道，并将其应用于呼吸模式 (RP) 的识别。通过将各个空间位置建模为噪声受到污染的线性时不变的（LTI）带有未知系统动力学的测量通道，来实现 RP 的估算， 然后将其作为盲卷积问题，并通过包括子空间投影和统计聚合的方法来解决。本方法在 31 名健康人类主体上进行实验，与同时获取的障碍性肺囊容积测定仪的基础真相相比，该估算器具有良好的相关性措施，尽管在衣物图案，视野角度和 ROI 的可变性方面。

    Nov, 2016

  • 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

  • 基于端到端深度学习和视频增强的高度压缩面部视频心率远程测量

    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

  • Q-PPG: 可穿戴设备上基于 PPG 的节能心率监测

    通过 deep Temporal Convolutional Networks 工具和硬件友好型量化器，我们提出了一种设计空间探索方法，用于自动生成一组适用于可穿戴设备的高精度、极轻量级的计算模型，以便实现心率监测。

    Mar, 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

  • AutoHR: 远程心率测量的强端到端基准线与神经搜索

    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

  • 基于实时摄像头的心率及其变异性高效估计

    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

  • 可穿戴设备中的呼吸音分类深度神经网络，通过患者特定模型调整实现

    本文旨在通过建立分類模型和策略識别呼吸声異常的方法来自動辨别呼吸和肺部疾病，提出使用深度 CNN-RNN 模型基于 Mel-spectrograms 进行呼吸声分类，并采用局部日志量化策略来减少模型权重的内存占用，该模型在 ICBHI'17 科学挑战呼吸声数据库的呼吸周期四级分类上达到 66.31% 的分数，在使用患者特定数据重新训练模型后，还能以 71.81% 的成绩进行交叉验证，而局部日志量化训练后的权重则能够显著降低内存需求，这种类型的患者特定再培训策略在开发可靠的长期自动患者监测系统特别是在可穿戴式医疗解决方案中可能非常有用。

    Apr, 2020

  • 早产儿能效呼吸异常检测

    本研究提出使用深度学习技术的可穿戴式监测系统，采用无创的 Bellypatch 设备从早产儿的身体上实时采集信号，对呼吸停止等问题进行预测和监测。将传统的 1DCNN 模型转换为基于脉冲神经网络的模型，实现了 93.33% 的准确率和比基础模型低 18 倍的能量消耗。

    Feb, 2022