强大的远程光电显微镜估计与环境噪声解纠

科学领域:

• 生物医学工程 生物医学工程
• 计算机视觉 计算机视觉
• 信号处理 信号处理

背景情况:

• 远程光电显微镜 (rPPG) 正在为健身跟踪和医疗监测等应用获得吸引力.
• 目前,深度学习方法主要用于rPPG估计,但往往包含预处理,限制了概括.
• 现有的端到端网络可能会与各种输入皮肤区域和环境噪音作斗争.

研究的目的:

• 开发一个强大而轻量级的rPPG估计网络.
• 提高在各种场景中对rPPG估计的概括性和准确性.
• 为提高性能,将环境噪声与内在的rPPG信号分开.

主要方法:

• 设计了一个轻量级的rPPG估计网络,利用时空卷积.
• 拟议的噪声脱的DeeprPPG (ND-DeeprPPG) 包含对抗性的正规相关性分析.
• 雇佣的背景区域进行自我监督的噪音解.

主要成果:

• 在心率估计方面,ND-DeeprPPG实现了最先进的性能.
• 在跨皮肤区域和跨数据集实验中表现出显著的稳定性.
• 在其他基于rPPG的任务中表现得更好.

结论:

• 拟议的ND-DeeprPPG网络为rPPG估计提供了一个强大而有效的解决方案.
• 噪声分离对于提高rPPG的准确性和概括性至关重要.
• 自主监督的噪音解策略提高了模型的适应性.