相关实验视频
Updated: Jun 13, 2026
12:10
Semi-automated Optical Heartbeat Analysis of Small Hearts
Published on: September 16, 2009
12.8K
火算法和DNN用于从视频中改进非接触式心率测量
Rupinder Saini1, Pooja Sharma1, Saurabh Kumar2
1Rayat Bahra University, Mohali, Kharar, Punjab, India.
Scientific reports
|January 6, 2026
概括
这项研究介绍了一种新的无接触心率监测系统,使用面部视频分析和深度神经网络与火优化. 这种非侵入性方法在医疗保健和健身应用中实现了高精度的心率分类.
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
- 人工智能的人工智能
背景情况:
- 无接触式心率监测对于非侵入性健康评估至关重要.
- 基于面部的心率检测的现有方法在准确性和特征选择方面面临挑战.
- 深度学习方法为改善生理信号分析提供了潜力.
研究的目的:
- 开发一种使用面部视频分析测量心率的新,准确和非侵入性系统.
- 为了提高心率检测的特征选择和分类准确性.
- 将Firefly优化与深度神经网络 (DNN) 集成,以获得卓越的性能.
主要方法:
- 利用面部视频分析进行非接触式心率测量.
- 实现了一个深度神经网络 (DNN) 架构.
- 雇佣了Firefly优化功能选择和模型优化.
- 使用精度,回忆,F测量和准确度指标评估性能.
主要成果:
- 获得了90.22%的精度得分和94.46%的回忆得分.
- 在精度上高达2.1%,在召回上高达1.5%,在F-measure上高达2.2%,超过了现有的最先进的方法.
- 在临床上有意义的心率类别的分类中表现卓越.
结论:
- 拟议的Firefly优化集成DNN为非接触式心率测量提供了可靠和准确的技术.
- 这一进步对医疗保健,健身跟踪和压力管理等领域的应用具有重大前景.
- 与最近的方法相比,该方法在非接触式心率分类方面具有明显的优势.
