本文提出了一种基于 transformer 的架构 PhysFormer，该架构可以增强远程光电容积描记术（rPPG）的表示，通过进行标签分布学习和课程学习来提供精细的监督，并针对四个基准数据集进行了全面实验，证明了它的优越性能。

Nov, 2021

利用远程光电容积法（rPPG）技术，通过面部视频无接触地测量心脏活动，采用长时空图 rPPG 变换网络 PhySU-Net 并自监督预训练策略，利用无标记数据提高模型性能。

Feb, 2024

本文提出了一个两阶段的端到端 RPPG 信号恢复方法，该方法包括视频增强和 RPPG 信号恢复两个阶段。实验结果表明，该方法在压缩视频上表现出色，并且具有很好的泛化能力。

Jul, 2019

RhythmFormer 是一种基于 Transformer 的全端对端方法，通过明确利用 rPPG 的准周期性特性来提取 rPPG 信号。在多个时间尺度上，层次化时间周期性 Transformer 核心模块从中提取周期性特征，利用时间域的动态稀疏注意力来对 rPPG 特征进行精细建模。此外，还提出了融合模块以有效地指导自注意力到 rPPG 特征，能够轻松地转移到现有方法以显著提升它们的性能。与之前的方法相比，在综合实验中，RhythmFormer 表现出更少的参数和降低的计算复杂度，达到了最先进的性能。

Feb, 2024

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

提出了一种基于 Transformer 的 Spikeformer 方法，它在静态数据集和神经形态数据集上均优于其人工神经网络对应物。为了更好地将注意力机制整合到 Transformer 中，并融合内在于 SNN 的时空信息，采用时空注意力机制。

Nov, 2022

本文提出了一种新的基于生成对抗神经网络的框架，名为 PulseGAN，用于通过去噪染色信号产生逼真的远程光电容积脉搏测量 (rPPG) 脉搏信号，以提高健康监控和情感识别的准确性。该框架在公共 UBFC-RPPG 数据库中得到了验证，表明 PulseGAN 可以有效地提高波形质量，进而增强心率 (HR)、心率变异性 (HRV) 和心动间隔 (IBI) 的准确性，且显著优于其他方法。

Jun, 2020

本文提出了一种称为渐进串联深度 SNN 的 ANN 到 SNN 的转换和分层学习框架，该框架利用脉冲计数以逼近模拟神经元的激活值，以及一种适应性训练调度器细化网络权重，其在大规模物体识别、图像重建和语音分离任务中能够展示出出色的分类和回归能力，同时需要的推理时间和突触操作比其他最先进的 SNN 实现少了至少一个数量级，因此它为功率有限的移动和嵌入式设备提供了无数机会。

Jul, 2020

本论文探讨了脉冲神经网络在语义分割方面的应用，通过替代全连接层和使用替代梯度学习方法，将基本的全卷积网络和 DeepLab 架构重构为 SNN 域的网络。实验表明，相较于 ANN 网络，SNN 网络在这个领域更加稳健和节能。

Oct, 2021

本研究提出了一种硬件友好的、基于残差设计的、全新的、纯变压器型脉冲神经网络 ——Spikingformer，它能够避免非脉冲计算并使能耗降低 60.34％。Spikingformer 在图像分类任务的表现优于之前的纯 SNN，并且是首次开发出全脉冲驱动的变压器型 SNN。

Apr, 2023