基于视频的婴儿呼吸自动估计：一种基于深度流的方法与新型公开基准
图像与视频处理
2023-07-26 v1 计算机视觉与模式识别
摘要
呼吸是婴儿的关键生命体征，持续的呼吸监测对新生儿尤为重要。然而，新生儿较为敏感，基于接触的传感器在舒适度、卫生和皮肤健康方面存在挑战，尤其是对早产儿。作为迈向全自动、连续且无接触的呼吸监测的一步，我们开发了一种深度学习方法，用于从自然场景下的普通视频中估计呼吸率和波形。我们的自动化婴儿呼吸基于流的网络（AIRFlowNet）结合了视频提取的光流输入和针对婴儿领域调整的时空卷积处理。我们以首个公开的标注婴儿呼吸数据集（AIR-125）支撑我们的模型，该数据集包含来自八名婴儿受试者的125段视频，设置了不同的姿态、光照和相机条件。我们包含手动呼吸标注，并使用一种新颖的谱带通损失函数在其上优化AIRFlowNet的训练。在AIR-125婴儿数据上训练和测试时，我们的方法在呼吸率估计上显著优于其他最先进方法，达到约2.9次/分钟的平均绝对误差，而针对成年受试者和更均匀环境设计的其他公开模型为约4.7–6.2。
引用
@article{arxiv.2307.13110,
title = {Automatic Infant Respiration Estimation from Video: A Deep Flow-based Algorithm and a Novel Public Benchmark},
author = {Sai Kumar Reddy Manne and Shaotong Zhu and Sarah Ostadabbas and Michael Wan},
journal= {arXiv preprint arXiv:2307.13110},
year = {2023}
}