Promoting Generalization in Cross-Dataset Remote Photoplethysmography

要約

遠隔光電脈波記録法 (rPPG)、つまりカメラを使用して被験者の心拍数を遠隔監視する技術は、手作りの手法から深層学習モデルへの移行が見られます。
現在のソリューションは大幅なパフォーマンス向上を提供しますが、これらのモデルはトレーニング データセットに固有の脈波特徴に対するバイアスを学習する傾向があることを示します。
私たちは、トレーニング中にモデルが認識する心拍数の範囲と変動の両方を拡大することで、この学習されたバイアスを軽減する拡張機能を開発しました。その結果、トレーニング時のモデルの収束とテスト時のデータセット間の汎化が向上します。
3 方向のクロス データセット分析を通じて、平均絶対誤差が 13 拍/分以上から 3 拍/分未満に減少することを実証しました。
私たちの方法を他の最近の rPPG システムと比較し、さまざまな評価パラメーターの下で同様のパフォーマンスを発見しました。

要約(オリジナル)

Remote Photoplethysmography (rPPG), or the remote monitoring of a subject’s heart rate using a camera, has seen a shift from handcrafted techniques to deep learning models. While current solutions offer substantial performance gains, we show that these models tend to learn a bias to pulse wave features inherent to the training dataset. We develop augmentations to mitigate this learned bias by expanding both the range and variability of heart rates that the model sees while training, resulting in improved model convergence when training and cross-dataset generalization at test time. Through a 3-way cross dataset analysis we demonstrate a reduction in mean absolute error from over 13 beats per minute to below 3 beats per minute. We compare our method with other recent rPPG systems, finding similar performance under a variety of evaluation parameters.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google