The Effect of Noise on Contactless Heart Rate Measurement using Video Magnification
Notice bibliographique
Résumé
Detecting heart rate via the non-contact method of Video Magnification (VM) is necessary when contact-based methods are overly cumbersome or not feasible, such as during a remote virtual consultation with a physician. The heart rate (HR) signal in video is best correlated with the miniscule change in skin colour associated with the presence and absence of capillary blood during the heart compression/recovery cycle. This change primarily affects the green colour channel in video at levels that are imperceptible to the human eye but can be detected by VM. However, there are many sources of noise that influence the performance of the VM algorithm, starting with the video capture process and ending with the algorithm parameters. In this paper, the VM algorithm performance in the absence and presence of noise was investigated under controlled conditions through the creation of artificial videos with set parameters to better assess algorithm performance. It was found that in the absence of noise, the VM algorithm can accurately detect the simulated HR frequency with a signal amplitude as small as ±1 quantization level. Moreover, it was also found that the algorithm can detect the simulated HR frequency with a signal amplitude as small as ±0.5 quantization level in the presence of a small level of noise. Lastly, it was found that although algorithm performance degraded with increased noise, the simulated HR results could be found in signals as low as ±1 quantization level even with noise at a power equivalent to ±32 quantization levels.
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 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 | 0,001 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».