使用多区域光流分析进行非接触呼吸率估计的混合CNN光谱架构
Sreya Deb Srestha1, Sungho Kim1
1Department of Electronic Engineering, Yeungnam University, Gyeongsan, South Korea.
PloS one
|February 20, 2026
概括
这项研究开发了一种非接触式呼吸率 (RR) 监测系统,使用定制的CNN和光谱分析. 该方法准确地估计了不同人群的RR,为持续的医疗保健提供了可靠的解决方案.
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
- 生理监测 生理监测
背景情况:
- 非接触式呼吸速率 (RR) 测量对于健康评估至关重要,但面临诸如运动器件,照明变化和各种皮肤色调等挑战.
- 现有的方法在现实场景中经常难以准确和通用.
研究的目的:
- 开发一个强大的,非接触框架,用于在不同人群中准确估计呼吸速率.
- 为了克服当前非接触式RR监控方法的局限性.
主要方法:
- 使用定制卷积神经网络 (CNN) 与光流信号的光谱分析相结合.
- 从六个解剖区域 (额头,脸,胸部上部,肩膀) 提取了呼吸诱导的运动.
- 用自适应卡尔曼过和基于SNR的加权融合进行了可靠的估计,并进行了广泛的数据增强以实现概括性.
主要成果:
- 拟议的方法实现了0.61-0.95每分钟呼吸 (bpm) 的平均平均误差 (MAE),跨越不同的皮肤色调和年龄.
- 该系统在临床相关范围内的高精度,即使在不同的照明条件下.
结论:
- 多区域CNN频谱框架为呼吸监测提供了可靠的,非接触的,实时的解决方案.
- 这项技术对持续医疗保健和远程医疗应用具有重大潜力.


