基于高效深度学习的智能手机生命体征估计

随着智能手机在日常生活中的使用日益增多，这些设备已能够执行许多复杂任务。鉴于对生命体征持续监测的需求，尤其是针对老年人或某些疾病患者，开发能够利用智能手机估计生命体征的算法已引起全球研究人员的关注。特别地，研究人员一直在探索利用可在智能手机上运行的算法来估计心率、血氧饱和度和呼吸率等生命体征的方法。然而，这些算法中许多需要多个预处理步骤，可能引入一定的实现开销，或需要设计若干手工定制的阶段以获得最优结果。为解决此问题，本研究提出了一种新颖的基于移动端的端到端生命体征估计深度学习方案，消除了预处理的需求。通过使用全卷积架构，所提模型相比以全连接层作为预测头的架构具有少得多的参数与更低的计算复杂度。这也降低了过拟合风险。此外，提供了一个用于生命体征估计的公开数据集，包含从 35 名男性和 27 名女性收集的 62 段视频。总体而言，所提端到端方案在易得的消费电子产品上实现了显著改进的设备端健康监测效率与性能。