Heart Rate Variability Extraction From Videos Signals: ICA vs. EVM Comparison
Notice bibliographique
Résumé
Medical researchers have always been interested in heart rate (HR) and heart rate variability (HRV) analysis. However, nowadays, investigators from a variety of other fields are also probing the subject. Recent advancements in non-contact HR and HRV measurement techniques will likely further boost interest in emotional estimation through HRV. Such measurement methods involve the extraction of the photoplethysmography (PPG) signal from the human's face through a camera. The latest approaches apply independent component analysis (ICA) on the color channels of video recordings to extract a PPG signal. Other investigated methods rely on Eulerian video magnification (EVM) to detect subtle changes in skin color associated with the PPG. To the best of our knowledge, EVM has not been successfully employed to extract HRV features from a video of a human face. In this paper, we present a comparison between our two approaches, one which is based on the ICA and the other is based on EVM. Final results show that the proposed ICA-based method yields better results when it comes to the high frequency (HF) and low frequency over high-frequency (LF/HF) HRV parameters [mean absolute error (MAE) of 0.57 and 0.419] when compared with the EVM-based method (MAE 0.76 and 1.69); however, the second method showed better MAE results for low frequency (LF) and higher correlation with the ground truth. Also our proposed ICA method showed better results in general by improving HF estimates, but the EVM-based method might be more appropriate when motion is involved or when the HF component is not important.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».