Dec, 2023

VitalLens：拍一张重要自拍

PDF
TL;DR本报告介绍了 VitalLens，一种能从自拍视频中实时估计心率和呼吸率等重要生理指标的应用程序。VitalLens 利用在多种不同类型的视频和生理传感器数据上训练的计算机视觉模型进行推断。我们在几个多样化的数据集上进行了性能基准测试，包括 VV-Medium 数据集，其中包含 289 个独特参与者。VitalLens 在所有数据集上均优于 POS 和 MTTS-CAN 等现有方法，并保持了快速推断速度。在 VV-Medium 上，VitalLens 对心率估计的绝对误差为 0.71 bpm，对呼吸率估计的绝对误差为 0.76 rpm。
发现论文，激发创造
  • 基于高效深度学习的智能手机生命体征估计

    该研究提出了一种使用深度学习的移动端终端对生理征候进行端到端的估计的新方法，其对信号进行卷积计算，无需使用传统预处理方法，且具有更低的计算复杂度和过拟合的机会，提供了一个公共数据集，实验证明其具有最先进的估计精度。

    Apr, 2022

  • 多任务时间移位注意力网络用于设备上的非接触式生命体征测量

    研究旨在提出一种基于视频的光学心肺重要生命体征测量方法，采用一种名为 MTTS-CAN 的多任务时间移位卷积注意网络，实现了移动平台上的实时心血管和呼吸测量，较其他方法减少了 20%-50% 的误差。

    Jun, 2020

  • 探寻生命：从合成数据中学习，检测视频中的生命体征

    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

  • 使用多摄像头标定的无监督基于视频的心率与呼吸率测量

    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

  • 利用视频转换器进行瞬时生理估计

    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

  • 移动设备实时监测用户压力、心率和心率变异性

    通过 Beam AI SDK，可以使用手机自拍摄像头实时监测用户的脉冲波，以 Baevsky 压力指数评估用户的压力状态，评测结果表明该技术在心率测试方面的准确率达到 99.2％，比竞争方法的误差率低近一倍，可以帮助移动应用程序进行内容决策。

    Oct, 2022

  • 生理重要指标的摄像测量

    摄像头技术可以通过分析人体图像以计算生理变化，因此在遥测医疗监测方面有着极大的应用潜力，同时也存在一定的挑战和需要解决的问题。该研究论文综述了这一技术的现状、能够测量的生理指标及其计算方法，并涵盖了临床和非临床应用。

    Nov, 2021

  • 一种用于实验和验证远程生命体征测量的 Web 应用程序

    通过远程 PPG 技术从面部视频中提取心率、呼吸率等生命体征。应用信号处理滤波器提取血容量脉搏信号并根据不同算法估计各项生命体征。使用 Web 应用程序框架进行实现，验证了其准确性和鲁棒性。

    Aug, 2022

  • EVM-CNN：基于面部视频的实时非接触式心率估计

    研究表明，可以通过将空间分解和时间滤波与卷积神经网络相结合，从面部视频中遥测心率，且该方法在 HR 估计方面的表现明显优于标准测试集 MMSE-HR，并且与真实数据具有高一致性。

    Dec, 2022

  • 非接触视频生理指标估计的第一次 Vitals（V4V）挑战赛

    远程光 - 容积描记（rPPG），也称远程 Photoplethysmography，可以在公共卫生紧急情况下帮助估算心率，而 V4V 数据集可用于比较这些方法在自然条件下的表现。

    Sep, 2021