DSE-NN:深度监督的高效神经网络,用于实时远程光电图谱
Seongbeen Lee1, Minseon Lee1, Joo Yong Sim1
1Department of Mechanical Systems Engineering, Sookmyung Women's University, Seoul 04310, Republic of Korea.
Bioengineering (Basel, Switzerland)
|December 23, 2023
概括
这项研究引入了一种新的深度学习方法,用于非接触式远程光电显微镜 (rPPG),提高了可解释性和模型效率. 优化的网络在生命体标志测量中实现了高精度,超越了现有的方法.
科学领域:
- 生物医学工程 生物医学工程
- 计算机科学 计算机科学
- 信号处理 信号处理
背景情况:
- 无接触式远程光电显微镜 (rPPG) 不显而易见地测量生命体征.
- 现有的深度学习rPPG模型缺乏可解释性,充当黑子.
- 在rPPG分析中需要可解释和高效的深度学习模型.
研究的目的:
- 为rPPG.开发一个可解释和轻量级的深度学习模型.
- 在rPPG网络的隐藏层中可视化时间和光谱表示.
- 提高训练和推断速度,同时保持高性能.
主要方法:
- 提出了一种用于隐藏层中的时间和光谱表示的可视化方法.
- 实施了对中间层的光谱表示的深度监督.
- 为轻量级架构优化网络,提高训练和推理效率.
- 在公开数据集上进行了彻底的废除研究.
主要成果:
- 在生命体征测量中实现了高精度,在PURE数据集上RMSE为1bpm.
- 在V4V数据集上表现优于最先进的方法,RMSE为6.65 bpm.
- 从第一个时代开始表现出快速的融合,表明学习效率有所提高.
- 拟议的光谱深度监测作为调节器,提高了融合速度.
结论:
- 开发的方法提高了基于深度学习的rPPG的解释性和效率.
- 该模型在生命体征估计方面实现了最先进的性能.
- 该方法显示了在光谱域学习和基于周期性的回归任务中普遍应用的潜力.
