本文提出了一种基于视频 Transformer 的方法，从面部视频中估计瞬时心率和呼吸率，并在大规模 Vision-for-Vitals 基准测试中取得优异表现，尤其在瞬时呼吸率估计方面超越了基于浅层和深度学习的方法。

Feb, 2022

本研究提出使用深度学习技术的可穿戴式监测系统，采用无创的 Bellypatch 设备从早产儿的身体上实时采集信号，对呼吸停止等问题进行预测和监测。将传统的 1DCNN 模型转换为基于脉冲神经网络的模型，实现了 93.33% 的准确率和比基础模型低 18 倍的能量消耗。

Feb, 2022

该研究提出了一种使用实时低成本光电脉搏图作为输入信号的、连续估计呼吸频率的深度学习模型：RRWaveNet。该模型具有高性能和便携性，可以在远程监测和家庭医疗等情况下实现精确且实用的呼吸频率计算，表明远程呼吸监测在远程医疗的背景下具有可行性。

Aug, 2022

本文提出了一种基于 2D 相机且不受关注区域限制的计算廉价的方法估算周期性驱动的噪声 LTI 通道，并将其应用于呼吸模式 (RP) 的识别。通过将各个空间位置建模为噪声受到污染的线性时不变的（LTI）带有未知系统动力学的测量通道，来实现 RP 的估算， 然后将其作为盲卷积问题，并通过包括子空间投影和统计聚合的方法来解决。本方法在 31 名健康人类主体上进行实验，与同时获取的障碍性肺囊容积测定仪的基础真相相比，该估算器具有良好的相关性措施，尽管在衣物图案，视野角度和 ROI 的可变性方面。

Nov, 2016

提出了一种基于多摄像头的自监督视频心率和呼吸率测量方法，通过对多个摄像头捕获的面部视频进行对比学习，预测同步视频的脉搏和呼吸波，并通过数据增强技术和预训练模型提高模型的鲁棒性，实验结果表明该方法优于现有的心率和呼吸率测量方法。

Oct, 2023

本研究提出了利用近红外视频成像技术，通过肉眼无法察觉的颈动脉脉冲和呼吸运动来测量 HR 和 BR 的低成本方法，并使用模板匹配、PCA 和 HMM 等技术实现数据平滑，结果表明该方法在暗光和明光下，能够实现比 FDA 认定设备更高精度的体征测量，这将推动非接触式生理测量技术在现实环境中的应用。

May, 2018

本文针对医疗领域中自动检测视频中生命体征（如心率和呼吸率）这一挑战性的计算机视觉问题，通过使用一种新颖的深度学习方法，在红外热成像领域从纯合成数据中训练递归深度神经网络来检测生命体征，并且无需手工标注，取得了 LCAS 数据集上最优的结果。

Apr, 2020

研究了一种利用运动检测算法光流进行非接触式呼吸速率检测的方法，并评估了在使用不同点集时光流的成功性。研究表明，胸部和面部运动可用于确定呼吸速率，但成功程度有所不同。这些发现凸显了光流作为一种无创呼吸速率检测方法的潜力，并强调了选择适当的点以优化准确性的重要性。

Nov, 2023

该论文提出了一种新颖而强大的方法来跟踪呼吸，它可以补偿其他因素对呼吸监测带来的负面影响，并且可以在高动态范围情境下准确地提取呼吸率，这项技术主要包括优化量化技术、热梯度流方法和热体素方法。

May, 2017

利用视频数据和深层迁移学习的方法，通过心率、呼吸速率和活动度等参数对睡眠进行分类，其在 50 名正常志愿者数据集上实现了 73.4% 的准确率和 Cohen's kappa 系数 0.61，成为基于视频的睡眠分级的最新研究水平。

Jun, 2023