一个基于两阶段训练的深度神经网络,用于从摄像头视频中估计心率变化.

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
• 心脏病学 心脏病学

背景情况:

• 心率变化 (HRV) 是心血管疾病的关键预后指标.
• 当前的基于接触的监控设备虽然准确,但在长时间使用时会引起不良影响.
• 无接触式HRV评估对于更广泛的应用和患者舒适性是可取的.

研究的目的:

• 开发和验证一种非接触式方法,用于准确估计心率变化率 (HRV).
• 通过摄像头视频分析来提高HRV检测准确度.
• 为了在没有身体接触的情况下,在各种场景中实现HRV评估.

主要方法:

• 一种新的深度学习方法,利用摄像机视频来检测心跳.
• 使用哈明窗口进行面部细分,光平衡评分和信号过.
• 一个基于变压器的神经网络用于信号精制和心率 (HR) 和HRV的估计.

主要成果:

• 与传统和最先进的过技术相比,该方法在HR估计中显示出更高的准确性.
• 在低光平衡得分 (0.867-0.983) 和高光平衡得分 (0.667-0.750) 下,HR估计的准确性更好.
• 提出的方法实现了时间域HRV的最小根平均平方误差和频域HRV的最高相关性指数.

结论:

• 优化光平衡显著提高了HRV估计的准确性.
• 大规模的预训练和两阶段的训练策略提高了HRV测量的精度.
• 开发的非接触式方法为心血管健康监测提供了有希望的进步.