Heart Rate Variability Extraction From Videos Signals: ICA vs. EVM Comparison
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle