Mar, 2023

使用信号处理和机器学习的有效直接心率变异推断

PDF
TL;DR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。
heart rate variabilityphotoplethysmography sensorssignal processingmachine learningsmall embedded devices
发现论文，激发创造
  • 基于 PPG 的心率估计：高效的传感器采样与学习模型

    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

  • 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

  • 深度神经心率变异性分析

    用心跳间隔基础分类及深度学习模型，可以在只利用 60 秒心跳间隔的条件下显着地优于基于传统心率变异性预测模型，此模型基于稳定易感人群和紧急科室急性心肌梗死症状患者的 474 名患者的 ECGs，以及 1172 个患者。

    Dec, 2016

  • 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

  • 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

  • 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

  • 基于视频的远程生理测量：交叉验证的特征分离

    本论文提出了一种交叉验证的特征分离策略，以获得与非生理特征分离的生理特征，并使用提取出的生理特征进行多任务生理测量，该方法在多个公共数据集上进行了综合实验，表现出了较好的鲁棒性。

    Jul, 2020

  • VIPL-HR：一个用于从非约束性面部视频中脉冲估计的多模态数据库

    本研究介绍了一个大规模多模态心率数据库 VIPL-HR，并且使用提出的空间 - 时间表示学习深度心率估计器（RhythmNet），在公共域和 VIPL-HR 数据库上取得了有希望的结果。

    Oct, 2018

  • 基于 HRV 的睡眠分期的 LSTM 知识迁移

    本文介绍了使用心率变异性自动睡眠分期分类的最新技术，提出了一种基于长短时记忆网络（LSTM）的时态模型，使用美国睡眠医学协会注释标准获取手腕运动 PPG 的睡眠分期，在小型数据集上展示了知识转移的成功。

    Sep, 2018

  • 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