Reperio-rPPG：基于关系时序图神经网络的人体生理测量周期性学习
计算机视觉与模式识别
2025-11-11 v1
摘要
遥控光电容积图谱 (rPPG) 是一种新兴的接触式生理感测技术，利用面部视频中细微的颜色变化来估计心率和呼吸率等生命体征。这种非侵入式方法因其可扩展性和便捷性，在远程医疗、情感计算、驾驶员疲劳检测和健康监测等多个领域获得了广泛应用。尽管在遥控生理信号测量方面取得了显著进展，但关键特征——内在周期性——往往未被充分探索或建模，限制了其在现实条件下捕捉细粒度时序动力学的能力。为弥合这一差距，我们提出了 Reperio-rPPG 框架，通过战略性地将关系卷积网络与图变换器相集成，有效捕捉生理信号中固有的周期结构。此外，鉴于现有 rPPG 数据集的样本多样性有限，我们进一步引入了量身定制的 CutMix 数据增强，以提升模型的泛化能力。在三个广泛使用的基准数据集（PURE、UBFC-rPPG 和 MMPD）上的大量实验表明，Reperio-rPPG 不仅实现了最先进的性能，也在各种运动（如静止、旋转、说话、行走）和光照条件（如自然光、低 LED、高 LED）下表现出卓越的鲁棒性。该代码已公开发布于 https://github.com/deconasser/Reperio-rPPG。
引用
@article{arxiv.2511.05946,
title = {Reperio-rPPG: Relational Temporal Graph Neural Networks for Periodicity Learning in Remote Physiological Measurement},
author = {Ba-Thinh Nguyen and Thach-Ha Ngoc Pham and Hoang-Long Duc Nguyen and Thi-Duyen Ngo and Thanh-Ha Le},
journal= {arXiv preprint arXiv:2511.05946},
year = {2025}
}