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

本研究探讨使用手腕佩戴式可穿戴设备从加速度中预测心率，通过能量高效的加速度计实现较大的节能，同时使用在线方法了解心率变化以及患者康复，结果显示我们的方法可以在较少使用心率传感器（例如样本的 20.25%）的情况下实现良好的预测性能（如 2.89 的平均绝对误差）以及很好的患者康复情况.

Jun, 2018

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

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

该研究提出了一种协作推理方法，旨在通过智能手表与智能手机之间的合作来最大化心率追踪的性能，并在维持低的均方误差 (MAE) 的同时降低能耗。

Jun, 2023

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

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

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

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