我们都知道可穿戴心率监测器，但你见过刷脸就能判断心跳的系统吗？据VentureBeat报道，近日，中国科学院的研究人员设计了这样一个系统，论文发表在Arxiv.org的预印本上。在这篇文章中，他们描述了RhythmNet，一种端到端的可训练心率估计器，使用AI和光电体积描记术(PPG)，这是一种检测皮肤组织血容量变化的光学技术。应对头部运动和光线变化的挑战。正如研究人员解释的那样，基于PPG的心率估计是可能的。因为皮肤吸收的光量随着血容量脉搏（BVP）的变化而周期性变化。在真皮和皮下层的微血管中，像血红蛋白这样的染色体会吸收不成比例的光量。这样，当血液被泵入下面的静脉和动脉时，会发生微小的颜色变化。它们肉眼看不见，但很容易被嵌入可穿戴设备中的RGB传感器捕捉到。雷锋网了解到，为了训练RhythmNet，团队创建了一个大规模的多模态语料库——VIPL-HR1。该语料库以开源形式提供，包含2378个可见光视频和752个近红外视频，涉及107个主题。每个视频剪辑都由网络摄像头和红外传感器以及智能手机捕获，并包含头部运动、头部姿势（带注释的偏航、俯仰和滚动角度）、照明和设备使用的变化。RhythmNet由多个组件组成，包括一个面部检测器，它根据人脸视频定位超过81个面部标记。此外，一个单独的组件进行对齐和皮肤分割以去除眼睛区域和其他非面部区域，然后从相隔0.5秒的视频帧生成时空图来表示心率信号。这些地图被输入到机器学习模型中，该模型经过训练以根据时空地图预测心率，然后计算每分钟的估计心跳次数并最终得出平均值。研究人员在两个广泛使用的数据库MAHNOB-HCI和MMSE-HR以及他们自己的数据库上对该系统进行了评估。他们说，对于针对VIPL-HR1测试的大多数样本(71%)，RhythmNet的心率估计误差低于每分钟5次，并且与每分钟47到147次之间的基本事实密切相关。研究人员还补充说，MAHNOB-HCI和MMSE-HR的错误率没有超过每分钟8.28次。据雷锋网报道，该团队还计划研究该方法在其他生理状态测量任务中的有效性，例如通过视频测量呼吸频率和血压，并利用分布式学习和多任务开发更强大的心率估计学习技巧。模型。“心率是反映一个人的身体和情绪状态的重要生理信号。传统的心率测量通常依赖于接触式监测器，这会造成不便和不适，”该论文的合著者写道，“（我们提出的系统）实现了，从表面上看，数据库测试场景内和跨数据库测试场景的心率估计精度都非常好。”
