Mar, 2023

基于 PPG 的心率估计：高效的传感器采样与学习模型

PDF
TL;DR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。
photoplethysmographyheart rateembedded deviceslow-frequency samplingmachine learning
发现论文，激发创造
  • 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

  • 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

  • 基于 PPG 的心率估计的可穿戴到移动设备的节能机器学习推断卸载

    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

  • BeliefPPG: 利用信念传播机制进行脉搏波形信号心率测量的不确定性感知方法

    提出一种采用学习方法的新型心率估计方法，利用隐马尔可夫模型及神经网络对光电脉搏信号分析后得出概率分布，结合信念传播算法对估计结果进行时间上的统计分析。实验证明该方法具有较高的鲁棒性。

    Jun, 2023

  • 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

  • KID-PPG：智能手表中心率提取的知识驱动深度学习

    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

  • 在跨数据集远程光电容积脉搏图方面提升泛化能力

    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

  • 智能环境中的远程心率监测与自监督预训练

    利用自监督对比学习方法来估计远程光电容积描记法和心率监测，减少对标记数据的依赖并提高性能。

    Oct, 2023

  • 从恶劣视频中实现无接触心率测量

    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

  • 一种自监督算法用于通过穿戴设备估算心率的光电容积脉搏信号去噪

    本研究提出了一种基于自监督训练的去噪算法来去除穿戴式设备 PPG 信号中的噪音和运动伪迹，提高心率估计的准确性及心率变异性的估计精度，为穿戴式设备在健康指标方面的应用提供了改进。

    Jul, 2023