Lightweight and interpretable convolutional neural network for real-time heart rate monitoring using low-cost video camera under realistic conditions
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
Recent research has shown that a person's heart rate (HR) can be estimated using video data through remote photoplethysmography (rPPG). However, this approach is faced with various challenges, including the inability to prepare training data that encompasses all realistic conditions, the impact of complex inference models on reasoning speed, and the lack of interpretability that hinders medical and healthcare applications. To tackle these issues, a lightweight and interpretable convolutional neural network is proposed for real-time HR monitoring using a low-cost video camera under realistic conditions. The Mediapipe framework is leveraged to construct a facial detection and tracking pipeline that is robust to head movements and illumination changes. Empirical mode decomposition (EMD) is then combined with a channel-wise attention-based convolutional neural network (CNN) for HR inference. Additionally, a temporal long-term peak merge method is proposed as a post-processing step to further enhance the accuracy of the neural network inference. The results of linear regression and Bland-Altman analysis demonstrate consistency between the estimated HR values and the ground truth. Moreover, experimental outcomes show no significant difference in the inference times of the proposed method running with or without a GPU, with a reasoning speed on mobile CPU remaining within 100 ms, ensuring real-time HR monitoring. Furthermore, this study provides pioneering empirical evidence to open the black box of neural networks in HR monitoring using rPPG signals.
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 | 0,000 | 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 découle