近年来，深度学习模型在处理光电容积脉搏图数据方面取得了显著进展，其中医疗相关和非医疗相关任务是主要研究领域。

Jan, 2024

本研究提取了 27 个统计特征，利用梯度提升（XGBoost 和 CatBoost）以及随机森林（RF）算法训练机器学习模型来评估血容量变化的 PPG 信号质量，在使用可穿戴设备进行连续监测时，考虑了运动伪影、皮肤色素沉着和血管运动等影响 PPG 准确性和可靠性的因素。研究发现，我们的模型在 XGBoost、CatBoost 和 RF 上分别达到了 Sensitivity（Se）、Positive Predicted Value（PPV）和 F1-score（F1）的 94.4、95.6、95.0，94.7、95.9、95.3 和 93.7、91.3、92.5，结果与文献中的最新成果相当，但使用了更简单的模型，证明机器学习模型在开发远程、非侵入性和连续测量设备方面具有很大的潜力。

Jul, 2023

使用非侵入式的光学光容积描记术（PPG）结合机器学习方法，通过对患者的 PPG 信号和元数据进行训练和分类，成功地开发了一种远程、非侵入式和连续测量的糖尿病检测装置。

Aug, 2023

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

本文探讨了基于卷积神经网络（CNN）的心率监测中，参考信号的选择以及卷积核的多样性等因素对性能的影响，结果说明 CNN 基于血吸收变化提取了生理信号，同时证明了 PPG 相关先验知识有助于提高其性能，因此，建议今后将先验知识纳入混合 CNN 方法中进行研究。

Nov, 2019

本研究介绍了一种利用表示学习和个性化以提高 PPG 数据异常检测性能的两阶段框架，并使用两个不同数据集进行验证。研究结果表明，表示学习显著提高了异常检测性能，同时减少了高内个体变异性。个性化模型进一步增强了异常检测性能，强调了个性化在基于 PPG 的健康监测系统中的作用。生物识别的结果表明，更容易将新用户与一个受授权的用户区分开来而不是从一组用户中区分出来。

Jul, 2023

应用无监督深度学习方法，可以从非标记视频中准确提取血容量脉动等生理周期信号，进而实现远程监控和多种生理测量，无需地面真实信号。

Mar, 2023

本文提出了一种基于低光照条件下的远程心率测量的技术性解决方案，并通过一个大规模的数据集，评估了在不同光照变化下 rPPG 算法（Green、ICA 和 POS）的性能，并发现在低光照条件下，人脸检测算法无法检测人脸，脉冲信号的振幅降低将导致噪声信号占主导地位，并且基于色度的方法在皮肤色调假设方面存在局限性，提出的解决方案可以有效地提高脉冲信号的信噪比和精度。

Mar, 2023

提出了一种新的非对抗无监督学习框架，用于从未标记的视频数据中直接提取血容量脉搏，以实现低成本的非接触健康监测，并展示了该框架在调整模型和个性化适应信号回归方面的效果。

Apr, 2024