Continuous Heartbeat Prediction Using a Face Recognition Algorithm
Notice bibliographique
Résumé
Health providers use the ECG machine to get information about the heart. This information plays a significant role since it tells them about the status of the heart. The ECG machine presents this information in a waveform. During the Covid-19 pandemic, all governments have placed numerous rules and policies to protect people from the virus and from spreading it. One of the rules and policies is to prevent touching surfaces in public places. However, in health care centers, touching surfaces can’t be avoided completely since there is a need to touch them or place some wires on the human body such as placing wires to use the ECG machine. In Saudi Arabia, the government has placed a policy in all its buildings, public places, and the private sector to measure the temperature at the entrance. Due to this situation, the idea has come into mind to have a touchless method to measure the heartbeat rate. In this paper, proposing a feasible and reliable method to estimate a continuous heartbeat rate is presented. It uses a face recognition approach to predict the heart pulse continuously in real-time according to colors intensity measurement. Using a segmentation algorithm is involved since the approach takes its input from a video or an image. Several experiments have been conducted on volunteers to verify the obtained results and measure their relative errors. Consequently, the errors are less than 7% which is quite acceptable. At the end of this article, a comparative assessment is performed between the presented approach and some works from literature. This assessment is conducted based on the methodologies being utilized and applied and Mean Absolute Error (MAE). Furthermore, it shows whether those methods require physical contact or not. The obtained results indicate that the implemented system herein outperforms other state-of-the-art methods.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».