تخمین ضربان قلب به صورت غیرتماسی مبتنی بر یادگیری عمیق

مقدمه: با استفاده از تکنولوژی فوتوپلتیسموگرافی غیرتماسی (remote photoplethysmography) rppg پایش ضربان قلب (heart rate) hr بدون نیاز به تماس فیزیکی امکان‌پذیر شده است. در دهه‌های گذشته، روش‌هایی برای تخمین سیگنال rppg و نرخ ضربان قلب با استفاده از فریم‌های ویدئویی توسعه داده شده‌اند‌. در سال‌های اخیر روش‌های یادگیری عمیق نیز در این حوزه به کار گرفته شده و عملکرد مناسبی داشته‌اند.روش‌ها: در این مطالعه، از یک شبکه عصبی عمیق (mtts-can) همراه با الگوریتم تشخیص چهره (mediapipe) به منظور تخمین ضربان قلب به صورت غیر تماسی از روی ویدئوی چهره افراد در یک مجموعه داده عمومی (pure) و یک مجموعه داده بومی (stroop) بهره گرفته شده است.یافته‌ها: نتایج پیاده‌سازی بر روی مجموعه داده pure قابل مقایسه با نتایج منتشر شده در مقالات (mae:7.72bpm) است. بعلاوه نتایج بر روی مجموعه داده بومی نیز قابل قبول (mae:5.53bpm) می‌باشد.نتیجه‌گیری: در این مطالعه، دقت تخمین قابل قبولی برای ضربان قلب غیرتماسی ارائه شده است. علاوه بر آن، نتایج نشان می‌دهند که روش پیشنهادی به دیتاست خاصی وابسته نبوده و در یک دیتاست بومی در مقایسه با دیتاست بنچمارک نتایج مناسبی ایجاد کرده است.

remote heart rate estimation based on deep learning

background: using remote photoplethysmography (rppg) technology, monitoring heart rate (hr) has become possible without physical contact. over the past decades, methods have been developed to estimate rppg signals and heart rates using video frames. recently, deep learning techniques have also been applied in this field, showing promising performance.methods: in this study, a deep neural network (mtts-can) along with a face detection algorithm (mediapipe) was used to estimate heart rate remotely from videos of individuals in a public dataset (pure) and a local dataset (stroop).findings: the implementation results on the pure dataset are comparable to those published in articles (mae: 7.72 bpm). moreover, the results on the local dataset are also acceptable (mae: 5.53 bpm).conclusion: this paper presents an acceptable accuracy for non-contact heart rate estimation. additionally, the results indicate that the proposed method is not dependent on a specific dataset and has produced satisfactory results in a local dataset compared to the benchmark dataset.