前言

前期方法的缺陷

        早期rPPG研究多数为“提取—分析”的两阶段方法，首先检测或跟踪人脸以提取rPPG信号，然后分析并估计相应的平均HR。缺点：1)基于纯经验知识自定义的面部区域，不一定是最有效的区域，这些区域应该随数据而变化。2)有些方法中使用了手动制作的特征或过滤器，可能使重要的心跳信息丢失。

        前期使用的深度学习方法也可能有一下缺点：1)HR估计任务被视为一个单阶段回归问题，输出一个简单的平均HR，而个体脉冲峰值信息丢失，限制了它们在高要求的医疗应用中的使用。2)该方法不是端到端系统，仍然包含手动制作的特征的预处理或后处理步骤。3)基于二维空间神经网络，没有考虑时间上下文特征，而时间上下文特征是rPPG测量问题的关键。

本文方法简介

        基于当前医疗工程的需求，rPPG技术除了需要提供平均HR，还可以提供更详细的IBI（搏动间隔，inter-beat-interval)等信息。平均HR是指计算一段时间内心脏跳动次数，是一种粗略的计算方法；而HRV是一种更为精细的脉搏描述方法，它通过脉搏跳动间隔得到。HRV最常见的特征包括低频(LF)、高频(HF)及其低频/高频比值，这些特征被广泛应用于许多医疗领域。此外，还可以通过分析心跳间隔的频率来估计呼吸频率(RF)。

 图1.一种基于时空网络的rPPG信号测量框架

        本文利用一个端到端的深度时空网络Physnet，从原始人脸视频中重建精确的rPPG信号。Physnet网络考虑了以前常被忽略的时间背景，探索并比较了多种常用的时空建模方法。实验表明，在真值信号的约束下，我们的方法可以恢复具有准确脉冲峰值的信号。本文使用两个数据集实验，在HR、HRV、AF检测和情感识别上都取得了很好的结果，同时也具有良好的跨数据集泛化能力。

        heart rate variability (HRV) 心率变异性；atrial fibrillation (AF) detection 心房震颤检测

方法

网络架构

        从人脸视频中获得脉搏信号有两个步骤：1.一是将RGB投影到表现能力更强的颜色子空间中。2.对颜色子空间进行重新投影，去除不相关的信息(如照明或运动引起的噪声)，以实现目标信号空间。本文提出了一个端到端时空网络(PhysNet)，它能够合并这两个步骤，并最终得到了rPPG信号。

 图2.用于rPPG信号恢复的时空网络框架。

a)基于3DCNN的PhysNet;b)基于RNN的PhysNet;c)它们对应的网络架构。

        图2中展示了PhysNet的总体架构。架构的输入是带有RGB通道的T帧面部图像，经过多次卷积和池化操作后，形成多通道流形来表示时空特征。最后，利用1×1 ×1核的通道卷积运算将潜在流形投影到信号空间，生成长度为T的预测rPPG信号。整个程序可以表述为

                                          (1)

其中，是输入帧，是网络的输出信号，是用于子空间投影的时空模型，是该模型所有卷积滤波器参数的集合，g为最终信号投影的信道聚合，w为g的参数集合。本文探索和比较两种主流的时空模型，即基于3D-CNN和基于RNN的PhysNet。

基于3DCNN的Physnet

        使用3DCNN作为时空模型，该模型采用3×3×3卷积同时提取时空域的语义rPPG特征。3DCNN有助于学习更健壮的上下文特征，在更短的时间内恢复rPPG信号。文中还尝试了一种时间编码器-解码器(ED)结构，标记为“PhysNet-3DCNN-ED”，它能更有效的利用时间上下文，减少时间冗余和噪声。

基于RNN的Physnet

        首先利用2DCNN提取空间特征，然后利用基于RNN的模块在时域上传播空间特征，通过前向/后向信息流改进时间上下文特征。LSTM和ConvLSTM可以表示为：

                          (2)

        其中∗表示LSTM和ConvLSTM的乘法和卷积运算符，◦表示Hadamard乘积。

损失函数

        设计适当的损耗函数来引导网络：我们的目标是恢复具有匹配趋势的rPPG信号，并准确估计出与真值信号匹配的脉冲峰值时间位置，这是详细HRV分析必不可少的。为了最大限度地提高趋势相似度，最大限度地减小峰位误差，采用负Pearson相关作为损失函数：

                            (3)

        式中，T为信号长度，x为预测的rPPG信号，y为地面真值PPG信号。

        在训练时，我们使用PPG信号而不是ECG信号作为真值。这是因为，从手指测量的PPG与从面部测量的rPPG更类似，它们都用于测量血容量的变化，而ECG测量的电活动rPPG并不关心。在测试阶段，可以使用ECG作为真值进行验证。

实验

        我们在OBF数据集上训练PhysNet。经过训练的PhysNet首先在OBF上测试了HR和HRV测量精度，然后演示了AF检测的扩展应用。最后在MAHNOB-HCI数据集上对训练好的PhysNet进行交叉测试，并探讨了该算法在情感识别中的应用。

在OBF上的实验

        分别评估了该方法的损失函数、时空网络和切片长度，并报告了在HR和HRV水平上的性能。同时报告了使用测量的HRV特征作为一个应用场景的AF检测精度。

损失函数

        为了证明我们提出的负皮尔逊损失(NegPea)函数的优点，我们将其与均方误差(MSE)进行了比较。两个实验都采用基于3DCNN的PhysNet，训练视频切片长度固定为64，结果如表1所示。结果表明，NegPea在HV和HRV水平上的表现都优于MSE。

表1. 两个损失函数—负皮尔逊和均方差的性能比较。RMSE越小，R值越大，表示性能越好。

时空网络

        我们固定视频切片长度为64，损失函数为nepea，以此来评估时空网络的有效性。首先，我们用PhysNet-2DCNN作为评估基线。

        分别评估PhysNet64-3DCNN-ED和PhysNet64-3DCNN(不带解码编码器)模型。模型性能：PhysNet64-3DCNN-ED > PhysNet64-3DCNN > PhysNet-2DCNN。可以解释为，这种类似挤压—拉伸式的编码解码过程能够提取出时间冗余较少的语义特征。

        同时还评估了基于RNN的模型：PhysNet64-LSTM、PhysNet64-BiLSTM、PhysNet64-ConvLSTM。结果显示PhysNet64-LSTM比PhysNet64-2DCNN性能更好，但不如3DCNN，这说明LSTM模块能够提高性能，但在长期上下文聚合方面不如3DCNN; LSTM和ConvLSTM的水平相当，而BiLSTM的水平最差，这表明最高层特性的逆向信息似乎没有必要。

表2. 时空网络的性能对比

视频切片长度

        视频长度可能会对每个网络产生不同的影响，这里我们计算T ={32,64,128,256}，结果如图3所示。1.输入视频切片长度越长，PhysNet2DCNN性能越好。2.PhysNet-3DCNN较稳定，不太受视频切片长度的影响。3.在视频切片更短的情况下，PhysNet32-3DCNN性能优于PhysNet-2DCNN，这说明时域卷积滤波器可以在学习时域表示方面提供额外的帮助。4.PhysNet-LSTM网络的长时间传播能力有限，因此只比较T ={32,64}的情况，T = 32时性能更好。5.PhysNet-3DCNN在T = 128和T = 64时HR和HRV分别达到最佳性能。

 图3.不同视频切片长度T = 32,64,128,256的性能比较。均方根误差(RMSE)越小，性能越好。

与先前实验比较

        与之前的三种方法ROI_green、CHROM、POS比较。性能最佳的是PhysNet128-3DCNN-ED，它在HR和HRV水平上优于所有比较方法。

表3. 比较以往方法和我们提出的方法的性能

心房震颤检测

        从恢复的rPPG信号中提取10维HRV特征，用于检测AF患者与健康人。如表4所示，结果显示PhysNet比以前的方法有更好的性能。

表 4.OBF心房颤动检测结果

在MAHNOB上的实验

        PhysNet128-3DCNN-ED模型在OBF上的性能最好，我们用它在MAHNOB-HCI上进行交叉测试，以验证其泛化能力。如表5所示，我们使用本方法的HR结果与之前的方法比较(之前的工作只有HR结果，无HRV水平)。

 表5.MAHNOB-HCI平均HR测量结果

        其中，前四种方法[4,10,14,22]是较早的方法，不涉及神经网络。虽然[10]和[22]的性能很好，但需要对每个输入执行代价高昂的计算处理步骤，这对于实时使用是有限制的。本文提出的方法是一种经过预先训练的端到端系统，在新的测试样本上运行非常快。后三种方法都基于神经网络，且都需要预处理步骤，不易于部署。交叉测试表明，本文方法具有较好的泛化能力。

情感识别

        本文方法的另一个优点是，恢复的rPPG信号可以用于更复杂的应用，如情感识别。我们使用PhysNet128-3DCNN-ED在MAHNOB-HCI数据集上恢复的rPPG信号中提取10维HRV特征，并将其输入支持向量机(带有多项式核)，作为分类器来估计每个视频中人的情绪状态。MAHNOBHCI提供了几个情绪标签，其中“Arousal”和“Valence”分为3个水平，“Emotions”包含九个类别。如表6所示，结果非常有前景，特别是“Valence”的识别。

表6.在MAHNOB-HCI上的情感识别准确率结果

可视化和推理速度

可视化

        PhysNet 128-3DCNN-ED从两个数据集样本中提取的中级神经特征如图4 (a)和(b)所示。高光区域是该网络能够学习和选择的，具有最强rPPG信息的皮肤区域(例如，前额、脸颊和下颌)。此外，图4 (c)用PhysNet恢复的rPPG信号(红色)与基线方法“ROI_green”(蓝色)和真值ECG(黑色)进行比较。在峰值位置上，红色曲线比蓝色曲线与地面真值的匹配效果更好，证明了该方法的有效性。

图4.原始人脸可视化，学习神经特征，恢复rPPG信号。 

推理速度

        本文方法不需要任何预处理步骤，工作速度更快，并允许实时rPPG信号恢复。对于30秒的测试视频，“PhysNet64-3DCNN-ED”在Tesla P100 GPU上只需要0.235秒(3830 fps)，这适合大多数实时应用。

标签：Remote,rPPG,Videos,HR,Signal,HRV,信号,3DCNN,PhysNet
来源： https://blog.csdn.net/m0_46792836/article/details/123105348