基于强大的联合视频的远程生理测量,用于异构的多源数据

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:

• 远程光电显微镜 (rPPG) 能够使用面部视频进行非接触式生理监测.
• 目前的rPPG方法面临数据传输成本和隐私问题方面的挑战.
• 联合学习 (FL) 提供了一个解决方案,但在多源rPPG数据中与跨域异质性作斗争.

研究的目的:

• 解决隐私和跨领域异质性的挑战,为远程光电系统学提供联合培训.
• 提出一个新的联合学习框架,FedGRC,用于有效的多源rPPG数据分析.
• 从输入和输出领域的角度来描述多源rPPG数据的异质性.

主要方法:

• 从输入和输出领域特征多源rPPG数据异质性.
• 在联合学习框架内引入伪标签技术.
• 开发了FedGRC,使用手工制作的rPPG方法进行自动梯度调整校准和伪标签对齐.

主要成果:

• 通过梯度调整校准,FedGRC有效地减轻了输入域差异.
• 伪标签使输出域对齐,并减少跨数据集的标签不一致.
• 在6个公共数据集中验证后,FedGRC在现有方法上展示了显著的优势.

结论:

• 美联储GRC框架成功地解决了多源rPPG数据中的隐私保护和异质性挑战.
• 这种方法提高了无接触生理测量的联合学习的可行性.
• FedGRC提供了一个强大的解决方案,用于隐私保护和异质的rPPG数据分析.