本文提出了一种数据扰动的方法，通过提取少量含有身份相关信息的面部区域进行像素洗牌和模糊处理来解决 Remote Photoplethysmography 数据的隐私问题，实验表明该方法可将面部识别算法的准确性降低 60%，而对 rPPG 提取几乎不产生影响，可作为一种有效的隐私保护方案。

Jun, 2023

研究表明，当前基于深度学习的 Remote Photoplethysmography (rPPG) 模型倾向于学习训练数据集中的脉搏波特征，作者提出的一种扩充训练数据集范围和变化性的方法成功缓解了这种倾向，进一步提高了模型的泛化能力。

May, 2023

本文介绍了一种远程面部信号分析的新方法，应用了神经网络和自监督训练进行无监督学习，利用对感兴趣信号的弱先验建模，并成功在四个数据集上进行测试，证明了该方法的可行性和效果。

Nov, 2021

本研究分析了目前为止最大的真实世界远程光电容抗数据集，涵盖了 893 名受试者和 6 种菲茨帕特里克皮肤色调，实验结果表明，包含数百名受试者的数据集足以进行有效的远程光电容抗模型训练，并强调了皮肤色调的多样性和一致性对于不同数据集的精确性能评估的重要性。

Apr, 2024

通过多个低秩专家的混合模型和新型路由机制，设计了一种适应于多任务远程生理测量的模型（PhysMLE），并引入了生理学中的先验知识以克服实际多任务生理测量中标签空间不平衡的问题。运用提出的多源语序域泛化（MSSDG）协议进行了充分的实验和评估，证明了 PhysMLE 的有效性和效率。

May, 2024

我们提出了一种基于自相似性先验蒸馏 (SSPD) 框架的无监督远程光电容积描记术 (rPPG) 估计方法，通过利用心脏活动的内在自相似性，采用物理先验嵌入增强技术抑制噪音，利用自相似性感知网络提取更可靠的自相似生理特征，以及开发分层自蒸馏范式来帮助网络从面部视频中解开自相似的生理模式。全面的实验证明，无监督的 SSPD 框架在性能上相当或甚至优于最先进的有监督方法，同时 SSPD 在端到端模型中保持最低的推断时间和计算成本。

Nov, 2023

本文提出了一种无监督的远程光学脉搏测量方法，利用 3D 卷积神经网络模型以及对比损失训练模型，可以在不需要参照信号的情况下提高精度，并可以更快地运行且更耐噪音。

Aug, 2022

本文提出了两种对非接触式心率估计中长度和面部运动造成的误差进行修正的方法，并且使用一个双流双分辨率框架来训练模型以学习稳健的面部信号特征，实验证明了所提出方法的优越性。

Nov, 2022

远程光电容积法（rPPG）是一种利用通过摄像头捕捉的血红蛋白的光吸收特性来分析和测量血容量脉搏（BVP）的技术。通过分析测量得到的 BVP，可以推导出各种生理信号，如心率、应激水平和血压，从而实现心血管疾病的早期预测。然而，存在着与皮肤颜色、摄像头特性、环境光照和其他噪声源相关的严重挑战，这些问题降低了性能准确性。本研究目的在于提供一个基准测试框架，以公平评估和比较各种 rPPG 技术，包括传统的非深度神经网络（non-DNN）和深度神经网络（DNN）方法。

Jul, 2023

本文提出了一种针对远程光电容积图 (rPPG) 的自监督学习方法，以提取生理信号中固有的自我相似性先验，并探索了一种特定的抗干扰策略以减少动作和光照的干扰，实现了较好的性能。

Jun, 2023