基于深度学习的远程光体积描记法在不同光照下心率估计的评估
计算机视觉与模式识别
2022-05-12 v2
摘要
远程光体积描记法(remote photoplethysmography, rPPG)无需物理接触即可监测心率,这使其具有广泛的应用。基于深度学习的 rPPG 在受控环境下已展现出优于传统方法的性能。然而,室内空间的光照情况通常复杂,存在光照分布不均与光照频繁变化。目前缺乏使用同一数据集在不同光照下对不同方法的公平比较。本文中,我们提出一个公开数据集,即 BH-rPPG 数据集,其包含三十五名受试者在低、中、高三种光照下的数据。我们还提供了由血氧计测量的真实心率。我们使用两个公开数据集——UBFC-rPPG 数据集与 BH-rPPG 数据集——评估了三种基于深度学习的方法(Deepphys、rPPGNet 与 Physnet)与四种传统方法(CHROM、GREEN、ICA 与 POS)的性能。实验结果表明,传统方法通常对波动光照更具抗性。我们发现,在中光照下 Physnet 在基于深度学习的方法中取得最低平均绝对误差(mean absolute error, MAE),而 CHROM 取得 1.04 次每分钟(beats per minute, BPM),优于 Physnet 达 80。此外,我们探究了提升基于深度学习方法性能的潜在途径。我们发现亮度增强使模型对光照变化更鲁棒。这些发现表明,在开发基于深度学习的心率估计算法时,应考量光照变化。本工作可作为 rPPG 性能评估的基准,并为未来在光照变化下基于深度学习的 rPPG 研究开辟路径。
引用
@article{arxiv.2107.13193,
title = {Assessment of Deep Learning-based Heart Rate Estimation using Remote Photoplethysmography under Different Illuminations},
author = {Ze Yang and Haofei Wang and Feng Lu},
journal= {arXiv preprint arXiv:2107.13193},
year = {2022}
}