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

本研究介绍了一种基于图论和计算机视觉算法的 PPG 信号处理框架，它对仿射变换具有不变性，计算速度快，并在任务和数据集之间表现出强大的泛化能力，能够提取人体循环系统的各种生物特征。

May, 2023

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

本研究探讨了在不平衡类别场景下，使用标签传播技术在光电容积脉搏图（PPG）样本中传播标签的方法，结果表明该方法能够有效标记医疗数据集且在检测到异常时的性能优于传统的监督模型，这为改善基于 PPG 的健康监测系统的可靠性提供了希望。

Aug, 2023

本研究提出了一种轻量级的深度神经网络 Tiny-PPG，用于准确和实时地检测心率监测中的 PPG 运动伪影。经验证实验，增加模型精度和速度之间的平衡，采用了特殊设计的模型结构，训练方法和损失函数，在嵌入式设备上实现实时 PPG 伪像检测。

May, 2023

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

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

通过系统调查和详细比较，我们证明了在具有挑战性的环境下提高远程视频脉搏波图 (rPPG) 测量的方法的有效性，从而为更可靠和有效的远程生命体征监测技术的发展做出了贡献。

May, 2024

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

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