PulseGAN:在远程光电容积描记中学习生成逼真脉搏波形
图像与视频处理
2020-06-05 v1
摘要
远程光电容积描记(rPPG)是一种从面部视频测量心脏信号的非接触技术。高质量 rPPG 脉搏信号在健康监测和情绪识别等诸多领域迫切需求。然而,由于不准确脉搏信号的限制,现有大多数 rPPG 方法仅能用于获取平均心率(HR)值。本文引入一种基于生成对抗网络(generative adversarial network, GAN)的新框架,称为 PulseGAN,通过对色度信号去噪来生成逼真的 rPPG 脉搏信号。考虑到心脏信号为准周期且具有明显时频特性,定义在时域与频域的误差损失连同对抗损失一并用于强制模型生成与其参考一致的准确脉搏波形。所提框架在公开 UBFC-RPPG 数据库上以库内与跨库配置进行了测试。结果表明,PulseGAN 框架能有效改善波形质量,从而提升 HR、心率变异性(HRV)与心动周期(IBI)的精度。相较于去噪自编码器(DAE)与 CHROM,所提方法取得最佳性能:在跨库测试中,AVNN(所有正常-正常间期均值)的平均绝对误差分别改善 20.85% 与 41.19%,SDNN(所有 NN 间期标准差)的平均绝对误差分别改善 20.28% 与 37.53%。该框架可轻易扩展至其他现有基于深度学习的 rPPG 方法,有望拓展 rPPG 技术的应用范围。
引用
@article{arxiv.2006.02699,
title = {PulseGAN: Learning to generate realistic pulse waveforms in remote photoplethysmography},
author = {Rencheng Song and Huan Chen and Juan Cheng and Chang Li and Yu Liu and Xun Chen},
journal= {arXiv preprint arXiv:2006.02699},
year = {2020}
}
备注
10 pages, 11 figures