在热图像上使用3D-CNN进行无接触呼吸频率估计

科学领域:

• 生理监测是指对身体进行生理监测.
• 医学成像医学成像
• 医疗保健中的人工智能

背景情况:

• 无接触式监测生理参数,如呼吸率 (f$_{R}$),对于诊断疾病至关重要.
• 传统的方法通常涉及侵入性传感器或侵入性可穿戴设备.
• 目前用于f$_{R}$估计的热成像技术需要大量的预处理和手动的感兴趣区域 (ROI) 追踪,限制了实际使用.

研究的目的:

• 开发一种基于深度学习的方法,用于从原始热视频中直接估计f$_{R}$.
• 消除在热成像分析中需要复杂的预处理和ROI跟踪.
• 在现实应用中增强无接触呼吸速率监测的可行性.

主要方法:

• 开发了一个3D卷积神经网络 (3D-CNN) 来处理原始热视频数据.
• 从合成数据集中使用数据增强和转移学习来解决小型数据集的挑战.
• 该模型在热视频数据上进行了训练和验证,以进行f$_{R}$估计.

主要成果:

• 拟议的3D-CNN方法获得了约0.61.2的验证R$^{2}$得分.
• 该模型在预处理和原始热视频上都表现出有效性.
• 深度学习方法简化了f$_{R}$估计的工作流.

结论:

• 开发的深度学习方法可以从热视频中直接估计f$_{R}$,绕过传统的预处理和ROI跟踪.
• 这种非接触式方法有望提高热成像在远程医疗保健和汽车驾驶员监控中的实用性.
• 该研究强调了人工智能在推进非侵入性生理监测技术方面的潜力.