多任务学习用于远程PPG和呼吸信号的估计,具有复杂的估值卷积神经网络
Junghwan Lee1, YuSang Nam1, Jihwan Won1
1The Department of Computer Engineering, Kwangwoon University, Seoul, 01899, Republic of Korea.
Scientific reports
|November 10, 2025
概括
这项研究引入了一种新的深度学习模型,用于使用面部视频进行远程生理监测. 它可以在小型设备上同时准确地估计光电脉冲图 (PPG) 和呼吸率.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 远程和持续监测生理信号对于早期发现疾病至关重要.
- 传统的接触传感器面临着诸如病毒传播风险和患者不适等挑战.
- 对于增强诊断的深度学习模型通常需要大型架构,不适合嵌入式系统.
研究的目的:
- 开发一种多任务学习模型,用于从面部视频中同时进行远程光电脉图 (PPG) 和呼吸速率估计.
- 创建适合嵌入边缘设备的紧模型架构.
主要方法:
- 利用RGB面部视频流并构建一个复杂编号数据集.
- 开发了一个复杂值的多任务学习神经网络模型.
- 在面部视频流的公共数据集上训练和评估模型.
主要成果:
- 复杂值的多任务学习模型实现了远程PPG和呼吸速率的同时估计.
- 与传统的实值网络相比,拟议的模型表现出更高的性能.
- 该模型具有较小的网络结构,有利于嵌入式设备.
结论:
- 开发的模型显示了准确和有效的远程生理障碍监测的巨大潜力.
- 复杂值的神经网络在边缘计算应用中减少模型大小方面具有优势.
- 这种方法通过面部视频分析促进了非侵入性,持续的健康监测.
