Resting and Postexercise Heart Rate Detection From Fingertip and Facial Photoplethysmography Using a Smartphone Camera: A Validation Study
Notice bibliographique
Résumé
BACKGROUND: Modern smartphones allow measurement of heart rate (HR) by detecting pulsatile photoplethysmographic (PPG) signals with built-in cameras from the fingertips or the face, without physical contact, by extracting subtle beat-to-beat variations of skin color. OBJECTIVE: The objective of our study was to evaluate the accuracy of HR measurements at rest and after exercise using a smartphone-based PPG detection app. METHODS: A total of 40 healthy participants (20 men; mean age 24.7, SD 5.2 years; von Luschan skin color range 14-27) underwent treadmill exercise using the Bruce protocol. We recorded simultaneous PPG signals for each participant by having them (1) facing the front camera and (2) placing their index fingertip over an iPhone's back camera. We analyzed the PPG signals from the Cardiio-Heart Rate Monitor + 7 Minute Workout (Cardiio) smartphone app for HR measurements compared with a continuous 12-lead electrocardiogram (ECG) as the reference. Recordings of 20 seconds' duration each were acquired at rest, and immediately after moderate- (50%-70% maximum HR) and vigorous- (70%-85% maximum HR) intensity exercise, and repeated successively until return to resting HR. We used Bland-Altman plots to examine agreement between ECG and PPG-estimated HR. The accuracy criterion was root mean square error (RMSE) ≤5 beats/min or ≤10%, whichever was greater, according to the American National Standards Institute/Association for the Advancement of Medical Instrumentation EC-13 standard. RESULTS: We analyzed a total of 631 fingertip and 626 facial PPG measurements. Fingertip PPG-estimated HRs were strongly correlated with resting ECG HR (r=.997, RMSE=1.03 beats/min or 1.40%), postmoderate-intensity exercise (r=.994, RMSE=2.15 beats/min or 2.53%), and postvigorous-intensity exercise HR (r=.995, RMSE=2.01 beats/min or 1.93%). The correlation of facial PPG-estimated HR was stronger with resting ECG HR (r=.997, RMSE=1.02 beats/min or 1.44%) than with postmoderate-intensity exercise (r=.982, RMSE=3.68 beats/min or 4.11%) or with postvigorous-intensity exercise (r=.980, RMSE=3.84 beats/min or 3.73%). Bland-Altman plots showed better agreement between ECG and fingertip PPG-estimated HR than between ECG and facial PPG-estimated HR. CONCLUSIONS: We found that HR detection by the Cardiio smartphone app was accurate at rest and after moderate- and vigorous-intensity exercise in a healthy young adult sample. Contact-free facial PPG detection is more convenient but is less accurate than finger PPG due to body motion after exercise.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».