基于CNN的远程光体积描记法分析：理解其局限性与敏感性
计算机视觉与模式识别
2020-02-06 v2
摘要
基于卷积神经网络（CNN）的深度学习已在多种视觉应用中展现出有前景的结果，近期也在基于相机的生命体征监测中得以应用。迄今为止，基于CNN的光体积描记法（PPG）提取更多聚焦于性能而非理解。在本文中，我们通过实验尝试回答四个问题，以在这一方法日益流行之际增进对其的理解。我们得出结论：该网络利用血液吸收变化来提取生理信号，且参考信号的选择与参数（相位、频谱内容等）可能比预期更为关键。多个卷积核的可用性对CNN通过空间运算实现灵活的通道组合是必要的，但可能无法提供基于知识的PPG提取中使用多点测量所具有的同等的运动鲁棒性。最后，我们得出结论：与PPG相关的先验知识对基于CNN的PPG提取仍是有帮助的。因此，我们建议进一步研究混合CNN方法，以在其设计中纳入先验知识。
引用
@article{arxiv.1911.02736,
title = {Analysis of CNN-based remote-PPG to understand limitations and sensitivities},
author = {Qi Zhan and Wenjin Wang and Gerard de Haan},
journal= {arXiv preprint arXiv:1911.02736},
year = {2020}
}
备注
Biomedical Optics Express journal submission. 15 pages,11 figures