使用深度展开和深度平衡模型从视频中恢复脉冲波

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:

• 基于摄像头的生命体征无接触监测,或成像光电显微镜 (iPPG),用于各种应用.
• 现有的iPPG方法通常依赖于基于模型的先验或端到端的深度学习.
• 从面部视频中准确估计脉率和脉率变化仍然是一个挑战.

研究的目的:

• 引入新的方法,将信号处理和深度学习结合在iPPG的反向问题框架内.
• 从面部视频中估计潜在的脉冲信号,脉冲率和脉冲率变化.
• 开发有效的深度学习模型,用于ippg信号消音和生命信号推断.

主要方法:

• 使用一个集信号处理和深度学习的反向问题框架.
• 通过深度算法展开和深度平衡模型,采用基于深度网络的消除操作员.
• 从面部视频数据估计脉冲信号,脉冲率和脉冲率变化.

主要成果:

• 提出的方法有效地拒绝获得的面部信号.
• 这样可以准确地推断底层脉冲率和脉冲率的变化.
• 脉冲率估计性能与基准的最先进方法一致.
• 与竞争对手的方法相比,这些方法能够实现这一目标,可学习的参数显著减少 (少于五分之一).

结论:

• 开发的方法提供了一种强大而有效的方法,用于使用iPPG进行无接触的生命体征监测.
• 在反向问题框架中将信号处理与深度学习相结合,可以提高iPPG的准确性和参数效率.
• 这些发现推动了通过先进的计算技术进行非侵入性生理监测的领域.