本文提出了一种利用远程光电容积图术（rPPG）任务中的显性和隐性先验知识的新框架，通过系统分析不同领域的噪声源，并将这些先验知识纳入网络进行训练，同时利用两个分支网络通过隐式标签相关性去除噪声并提取生理特征分布，我们的实验证明，该方法不仅在 RGB 跨数据集评估上胜过现有方法，而且能够很好地从 RGB 数据集泛化到 NIR 数据集。

Mar, 2024

远程摄像测量血容量脉搏通过光容积脉搏图（rPPG）是一种可伸缩、低成本、易于获取心血管信息的引人注目的技术。我们使用最新发布的同步接触式 PPG 和面部视频测量的独特数据集，对训练面部视频 rPPG 模型时是否使用来自身体其他部位的接触式测量数据进行优化进行了精确和定量的研究，结果显示，使用额头 PPG 信号相较于手指 PPG 信号，可以获得高达 40% 的均方误差降低，模型更好地学习了地面真实 PPG 信号的形态。然而，从手指 PPG 训练的模型仍然能很好地学习到主导频率（即心率）的特征。

Mar, 2024

通过多个低秩专家的混合模型和新型路由机制，设计了一种适应于多任务远程生理测量的模型（PhysMLE），并引入了生理学中的先验知识以克服实际多任务生理测量中标签空间不平衡的问题。运用提出的多源语序域泛化（MSSDG）协议进行了充分的实验和评估，证明了 PhysMLE 的有效性和效率。

May, 2024

本文介绍了一种远程面部信号分析的新方法，应用了神经网络和自监督训练进行无监督学习，利用对感兴趣信号的弱先验建模，并成功在四个数据集上进行测试，证明了该方法的可行性和效果。

Nov, 2021

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

通过模型相似性来衡量领域偏移的指标可用作领域偏移的度量，并且我们展示了这些指标与实际性能之间的高相关性。其中一项具有可行相关性的提议指标为 DS-diff，不需要假设对目标领域的基本事实，即可应用于自然环境数据。因此，我们研究了一个模型选择问题，在该问题中，无法获得评估领域的基本事实结果，并且相对于平均情况基准线，性能提高了 13.9%。

Apr, 2024

利用光电脉搏（PPG）信号来非侵入性地测量血压很有趣，尤其是通过基于机器学习技术的神经网络和个性化技术提高预测性能。

Apr, 2021

本文提出了一种无监督的远程光学脉搏测量方法，利用 3D 卷积神经网络模型以及对比损失训练模型，可以在不需要参照信号的情况下提高精度，并可以更快地运行且更耐噪音。

Aug, 2022

远程光电容积法（rPPG）是一种利用通过摄像头捕捉的血红蛋白的光吸收特性来分析和测量血容量脉搏（BVP）的技术。通过分析测量得到的 BVP，可以推导出各种生理信号，如心率、应激水平和血压，从而实现心血管疾病的早期预测。然而，存在着与皮肤颜色、摄像头特性、环境光照和其他噪声源相关的严重挑战，这些问题降低了性能准确性。本研究目的在于提供一个基准测试框架，以公平评估和比较各种 rPPG 技术，包括传统的非深度神经网络（non-DNN）和深度神经网络（DNN）方法。

Jul, 2023

本文提出了一种基于脉冲神经网络的混合神经网络模型 Spiking-PhyFormer，该模型在保持性能的同时，相较于 PhysFormer 和其他基于 ANN 的模型降低了 12.4% 的功耗，并将变压器块的功耗降低了 12.2 倍。

Feb, 2024