Core Concepts
異なる体の部位からのターゲットを使用してrPPGモデルをトレーニングすることは、予測されたPPG信号の波形において40%低い平均二乗誤差をもたらす。
Abstract
リモートカメラによる血液容積パルス(rPPG)測定は、心臓血管情報の拡張可能で低コストかつアクセスしやすい評価のための魅力的な技術である。
現在、ニューラルネットワークがこのタスクにおいて最先端を提供しており、監督されたトレーニングまたはファインチューニングがこれらのモデル作成に重要なステップである。
顔面ビデオ上で訓練された現在のモデルは、指先から接触PPG測定値をターゲット/ラベルとして使用しています。
最近リリースされた一意なデータセットを使用して、額と指先から得られたPPG信号を使用した場合、予測された波形と基準接触PPG信号間の平均二乗誤差が40%低下します。
1. 導入
rPPGは心拍数や呼吸数など生理学的状態に関する情報を提供する魅力的な技術である。
ニューラルネットワークはビデオ内のピクセルとBVP間のマッピングを作成するためにトレーニングされます。
2. 関連研究
rPPG分野では深層学習アプローチが採用されており、DeepPhysやTS-CAN、PhysNetなどが開発されています。
3. 方法
N = 18参加者から収集した同期した接触PPGおよびビデオ測定用のデータセットを使用します。
LOSO交差検証戦略を採用し、各参加者ごとに30エポックでトレーニングします。
4. 結果
額から得られたPPG信号を使用した場合、予測された波形と基準接触PPG信号間のMSEが40%低下します。
心拍数推定時のMAEも改善されます。
5. 議論
接触式方法ではなく非接触式方法が優れている可能性があります。
指先から得られた地面真実PPG信号は監督学習方法向けに最適ではありません。
Stats
使用する公開データセット:PURE [33]、UBFC-rPPG [3]、UBFC-Phys [22]、AFRL [9]、MMSE-HR [41]、VIPL-HR [25]