3D DenseNet具有时间过渡层,用于从现实生活RGB视频中估计心率

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
• 机器学习 机器学习

背景情况:

• 深度学习在受控环境中在心率估计方面表现出色.
• 在不受控制的场景中,性能因数据集和模型架构而异.

研究的目的:

• 从RGB视频开发一个深度学习模型来准确估计心率.
• 使用3D卷积神经网络 (3DCNN) 来捕捉时间和空间特征.
• 在没有预定义的感兴趣区域 (ROI) 的情况下实现准确的心率估计.

主要方法:

• 提出了一个3DDenseNet模型与3D时间过渡层.
• 在现实生活,医院式视频的大型数据集上训练和测试模型.
• 利用3DCNN从视频数据中提取功能.

主要成果:

• 在自定义数据集上实现了8.68 BPM的根平均平方误差 (RMSE) 和3.34 BPM的平均绝对误差 (MAE).
• 与VIPL-HR公共数据集上最先进的模型相比,表现出卓越的性能.

结论:

• 开发的3D DenseNet模型在不太受控制的视频环境中提供了准确的心率估计.
• 该模型提取时空特征的能力提高了它的稳定性和通用性.
• 这种方法为持续的心率监测提供了一个有希望的非侵入性方法.