您尚未登录账户请先登录您的atyun账户，方可使用该功能
您的企业账号申请正在审核中审核通过后即可使用此功能，请耐心等待~
能过通过面部影像估计心率的人工智能
2019年10月31日 由 TGS 发表
702507
0
可穿戴心率监测设备早已不算是什么新事物，但你听说过仅凭脸部影像就能判断心跳的系统吗？最近，中国科学院的研究人员在Arxiv.org上发表的一篇预印本论文中，介绍了一种端到端的可训练心率估计器——RhythmNet。它可以利用AI和一种检测皮肤组织中血量变化的光学技术，来解决头部运动和光线变化方面的挑战。正如研究人员在文章中所解释的那样，基于PPG的HR估计之所以成为可能，是因为皮肤的光吸收，会随着血容量脉搏(BVP)进行周期性的变化。在真皮层和皮下层的微血管中，像血红蛋白这样的染色体吸收了不成比例的光之后，血液泵入下方的静脉和动脉时会发生微小的颜色变化。这些微小变化，肉眼是看不到的，但却很容易被嵌入可穿戴设备的RGB传感器捕捉到。
RhythmNet由多个组件组成，其中最为重要的是面部探测器。该探测器可以根据一个人的面部视频，定位81个以上的面部标志，然后再由一个单独的组件，执行对齐、分割皮肤来删除眼睛区域和其他非脸部区域，从0.5秒间隔的视频帧生成时空图来表示心率信号。
最后，这些时空图会被输入到一个机器学习模型中，经过训练的模型可以根据时空图预测心率，然后计算每分钟的估计心跳次数，再经过科学统筹方法，得出每分钟心跳次数的平均值。
为了训练RhythmNet，该团队创建了一个大型的多模态数据库——VIPL-HR1，该数据库包含2378个可见光视频，以及752个近红外视频，涉及受试者总计107名。这些视频片段是由网络摄像头、红外传感器和智能手机捕捉到的，种类极为丰富。研究人员在MAHNOB-HCI和MMSE-HR这两个被广泛使用的数据库，以及他们自己的数据库上，评估了RhythmNet。他们报告说，针对VIPL-HR1测试的大多数样本(71%)中，RhythmNet的心率估计误差低于每分钟5次。此外， MAHNOB-HCI和MMSE-HR的错误率不超过每分钟8.28次，突破了该领域的历史记录。
“心率是反映一个人身体和情绪状态的重要生理信号。传统的心率测量通常依赖于接触监测仪，这可能会造成不便和不适，我们提出的系统，在实验中解决了这个问题。”文章中写道。
最后该团队表示，他们希望利用分布学习和多任务学习技术，开发一个更优秀的心率估计模型，并计划深入研究，让RhythmNet能适用于其他生理状态测量任务，例如：通过视频测量呼吸频率和血压。
欢迎关注ATYUN官方公众号
商务合作及内容投稿请联系邮箱:bd@atyun.com
广告
广告
写评论取消
回复取消