PhysioSens1D-NET:一种1D卷积网络,用于从面部视频中提取心率
概括
PhysioSens1DNET是一款全新的1D卷积神经网络,可以实现精确的非接触式心率监测,并具有卓越的计算效率. 这种方法显著改进了经典算法,并与深度学习模型竞争,同时速度更快.
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:
- 使用视频进行非接触式心率 (HR) 监测对于不引人注目的生命体征评估至关重要.
- 现有的方法包括经典的信号处理算法 (计算效率高) 和深度学习模型 (准确但复杂).
- 需要在远程光电显微镜 (rPPG) 中平衡精度和计算效率的方法.
研究的目的:
- 介绍PhysioSens1DNET,一个新的1D卷积神经网络,用于高效和准确的非接触式HR监控.
- 评估PhysioSens1DNET的性能与经典的rPPG算法和最先进的深度学习模型相比.
- 在低规格硬件上评估 PhysioSens1DNET 的计算效率.
主要方法:
- 开发了PhysioSens1DNET,这是一个1D卷积神经网络架构.
- 将PhysioSens1DNET与经典的rPPG算法 (ICA,POS,CHROM,PBV,LGI,GREEN) 进行了比较.
- 在低规格的CPU上对比PhysioSens1DNET与深度学习模型 (DeepPhys,EfficientNet,PhysNet,TS-CAN).
主要成果:
- 与经典方法相比,PhysioSens1DNET实现了显著的平均绝对误差 (MAE) 减少 (高达95.1%).
- 证明了与最先进的深度学习模型可比的准确性.
- 在计算速度方面表现优于深度学习模型,在低规格CPU上以2.3毫秒的处理时间快180倍.
结论:
- PhysioSens1DNET为非接触式的人力资源监控提供了高精度和计算效率的令人信服的平衡.
- 拟议的1D-NET适用于实时应用,即使在资源有限的设备上也是如此.
- PhysioSens1DNET代表了高效和准确的远程光电解剖学技术的重大进展.
