在基于视频的心脏测量中学习高阶动态
图像与视频处理
2022-03-29 v2 计算机视觉与模式识别
机器学习
摘要
计算机视觉方法通常优化一阶动态(如光流)。然而,在许多情况下,感兴趣的特性是高阶变化中的细微差异,例如加速度。这在心脏脉搏中成立,其中二阶导数可用作血压和动脉疾病的指标。基于相机的生命体征测量近期发展表明,可从视频中以令人印象深刻的精度恢复心脏测量值;然而,多数研究聚焦于提取心率等汇总统计量。对于许多具有临床意义的评估所必需的波形形态精度则较少被重视。在本工作中,我们提供证据表明,当在损失函数中显式优化时,高阶动态可由神经模型更好估计。此外,在估计二阶动态时,添加二阶导数输入也提升性能。我们对此进行说明:通过将输入帧和目标生命体征信号的二阶导数均纳入训练过程,模型能更好估计左心室射血时间(LVET)区间。
引用
@article{arxiv.2110.03690,
title = {Learning Higher-Order Dynamics in Video-Based Cardiac Measurement},
author = {Brian L. Hill and Xin Liu and Daniel McDuff},
journal= {arXiv preprint arXiv:2110.03690},
year = {2022}
}