論文の概要: Passive Heart Rate Monitoring During Smartphone Use in Everyday Life
- arxiv url: http://arxiv.org/abs/2503.03783v3
- Date: Fri, 21 Mar 2025 20:09:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-25 21:22:25.901057
- Title: Passive Heart Rate Monitoring During Smartphone Use in Everyday Life
- Title（参考訳）: 日常のスマートフォン使用時の受動心拍モニタリング
- Authors: Shun Liao, Paolo Di Achille, Jiang Wu, Silviu Borac, Jonathan Wang, Xin Liu, Eric Teasley, Lawrence Cai, Yuzhe Yang, Yun Liu, Daniel McDuff, Hao-Wei Su, Brent Winslow, Anupam Pathak, Shwetak Patel, James A. Taylor, Jameson K. Rogers, Ming-Zher Poh,
- Abstract要約: 安静時心拍数(RHR)は、心臓血管の健康と死亡にとって重要なバイオマーカーである。
本稿では,日常的スマートフォン使用時の受動心拍数(HR)およびRHR測定のためのディープラーニングシステムであるPHRMについて述べる。
- 参考スコア（独自算出の注目度）: 28.289115592689644
- License:
- Abstract: Resting heart rate (RHR) is an important biomarker of cardiovascular health and mortality, but tracking it longitudinally generally requires a wearable device, limiting its availability. We present PHRM, a deep learning system for passive heart rate (HR) and RHR measurements during everyday smartphone use, using facial video-based photoplethysmography. Our system was developed using 225,773 videos from 495 participants and validated on 185,970 videos from 205 participants in laboratory and free-living conditions, representing the largest validation study of its kind. Compared to reference electrocardiogram, PHRM achieved a mean absolute percentage error (MAPE) < 10% for HR measurements across three skin tone groups of light, medium and dark pigmentation; MAPE for each skin tone group was non-inferior versus the others. Daily RHR measured by PHRM had a mean absolute error < 5 bpm compared to a wearable HR tracker, and was associated with known risk factors. These results highlight the potential of smartphones to enable passive and equitable heart health monitoring.
- Abstract（参考訳）: 安静時心拍数(RHR)は心臓血管の健康と死亡の重要なバイオマーカーであるが、経時的に追跡するにはウェアラブルデバイスが必要である。
日常のスマートフォン使用における受動心拍数(HR)とRHR測定の深層学習システムであるPHRMについて,顔画像を用いた光胸腺撮影を行った。
本システムは,495人の被験者の225,773本の動画を用いて開発され,実験室および自由生活環境における205人の被験者の185,970本の動画で検証された。
基準心電図と比較して, PHRMは平均絶対パーセンテージ誤差 (MAPE) <10%, 光, 中, 暗い色素の3つの皮膚トーン群で測定し, 各々の皮膚トーン群でMAPEは非劣性であった。
PHRMにより測定された1日RHRは、ウェアラブルHRトラッカーと比較して平均絶対誤差が5bpmで、既知の危険因子と関連していた。
これらの結果は、受動的かつ公平な心拍モニタリングを可能にするスマートフォンの可能性を強調している。
関連論文リスト
- Model-driven Heart Rate Estimation and Heart Murmur Detection based on Phonocardiogram [4.5546756241897235]
本研究は, 心電図(PCG)データセットを用いて心拍数を推定する。
マルチタスク学習フレームワークにベストパフォーマンスモデルを拡張し、心拍数推定と大腿骨骨折検出を同時に行う。
論文 参考訳（メタデータ） (2024-07-25T22:56:21Z) - Cardiac Copilot: Automatic Probe Guidance for Echocardiography with World Model [66.35766658717205]
心臓の複雑な構造と重要な手術上の課題のため、経験豊富なソノグラフィーが不足している。
本稿では,リアルタイムなプローブ移動誘導が可能なCardiac Copilotシステムを提案する。
中心となるイノベーションは、心臓の空間構造を表現するためのデータ駆動の世界モデル、Cardiac Dreamerの提案である。
実世界の超音波データとそれに対応するプローブの動きを,3人のソノグラフィーによる151Kサンプル対を用いた110の定期的な臨床スキャンからトレーニングする。
論文 参考訳（メタデータ） (2024-06-19T02:42:29Z) - Video-based sympathetic arousal assessment via peripheral blood flow
estimation [46.695433930419945]
顔や手の末梢血流を光学的に測定して交感神経刺激を推定する新しい手法を提案する。
前頭,指,手のひらから交感神経刺激が最善であることを示す。
論文 参考訳（メタデータ） (2023-11-12T19:06:33Z) - Body Fat Estimation from Surface Meshes using Graph Neural Networks [48.85291874087541]
三角体表面メッシュを用いて,グラフニューラルネットワークを用いて,VATおよびASATボリュームを正確に予測できることを示す。
本手法は,この領域の最先端畳み込みニューラルネットワークと比較して,トレーニング時間と必要なリソースを削減しつつ高い性能を実現する。
論文 参考訳（メタデータ） (2023-07-13T10:21:34Z) - Real-Time Monitoring of User Stress, Heart Rate and Heart Rate
Variability on Mobile Devices [36.16114600037677]
Beam AI SDKは、自撮りカメラを通じてリアルタイムでユーザーのストレスを監視することができる。
本技術は,UBFCデータセット,MMSE-HRデータセット,ビームAIの内部データに基づいて評価する。
論文 参考訳（メタデータ） (2022-10-04T17:58:37Z) - Real Time Video based Heart and Respiration Rate Monitoring [5.257115841810259]
スマートフォンカメラは心拍数(HR)と呼吸速度(RR)を測定することができる
グリーンチャネルの強度の変化は、ビデオのi信号によって測定できる。
本研究の目的は、個人の顔の映像を用いて心拍数と呼吸率を抽出する方法を提供することである。
論文 参考訳（メタデータ） (2021-06-04T19:03:21Z) - Real-time Webcam Heart-Rate and Variability Estimation with Clean Ground
Truth for Evaluation [9.883261192383612]
リモートフォトプレチモグラフィ(r)は、カメラを使って人の心拍数(hr)を推定する
HRVは、心臓の鼓動の間の間隔における微細な変動の尺度です。
新しいフィルタリングとモーション抑制を備えた洗練された効率的なリアルタイムrパイプラインを紹介します。
論文 参考訳（メタデータ） (2020-12-31T18:57:05Z) - Video-based Remote Physiological Measurement via Cross-verified Feature
Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。
次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。
歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文 参考訳（メタデータ） (2020-07-16T09:39:17Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z) - MOMBAT: Heart Rate Monitoring from Face Video using Pulse Modeling and
Bayesian Tracking [10.43230025523549]
顔画像に基づく新しい人事監視手法MOMBATを提案する。
平面外の顔の動きを利用して、新しい品質推定機構を定義する。
ベイズ決定理論に基づくHR追跡機構を設計し、突発的なHR推定を補正する。
論文 参考訳（メタデータ） (2020-05-10T09:41:16Z) - AutoHR: A Strong End-to-end Baseline for Remote Heart Rate Measurement
with Neural Searching [76.4844593082362]
既存のエンド・ツー・エンドのネットワークが難易度が低い理由を考察し,アーキテクチャ・サーチ(NAS)を用いたリモートHR計測のための強力なベースラインを確立する。
総合的な実験は、時間内テストとクロスデータセットテストの両方で3つのベンチマークデータセットで実施される。
論文 参考訳（メタデータ） (2020-04-26T05:43:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。