面向视频衍生呼吸信号的质量感知框架
计算机视觉与模式识别
2025-12-17 v1 信号处理
摘要
基于视频的呼吸率（RR）估计往往因不同提取方法导致信号质量不一致而不可靠。我们提出一个预测性、质量感知的框架，将异构信号来源与动态可靠性评估相集成。从面部远程光学动力学（rPPG）、上身运动和深度学习管道中提取十个信号，并使用四种谱估计方法进行分析：Welch方法、多信号分类（MUSIC）、快速傅里叶变换（FFT）和峰值检测。随后，这些片段级别的质量指标用于训练机器学习模型，以预测准确性或选择最可靠的信号。这实现了自适应信号融合和基于质量的片段过滤。在三个公开数据集（OMuSense-23、COHFACE、MAHNOB-HCI）上的实验表明，所提框架在大多数情况下比单一方法实现更低的RR估计误差，具体性能提升取决于数据集特征。这些发现凸显了质量驱动的预测建模在交付可扩展且通用的基于视频呼吸监测解决方案方面的潜力。
引用
@article{arxiv.2512.14093,
title = {Quality-Aware Framework for Video-Derived Respiratory Signals},
author = {Nhi Nguyen and Constantino Álvarez Casado and Le Nguyen and Manuel Lage Cañellas and Miguel Bordallo López},
journal= {arXiv preprint arXiv:2512.14093},
year = {2025}
}
备注
6 pages, 1 figure, 2 tables, conference