論文の概要: Heart rate and respiratory rate prediction from noisy real-world smartphone based on Deep Learning methods

• arxiv url: http://arxiv.org/abs/2506.22460v1
• Date: Tue, 17 Jun 2025 16:37:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-07 02:47:44.35819
• Title: Heart rate and respiratory rate prediction from noisy real-world smartphone based on Deep Learning methods
• Title（参考訳）: 深層学習に基づくノイズの多い実世界のスマートフォンの心拍数と呼吸速度予測
• Authors: Ibne Farabi Shihab,
• Abstract要約: 本研究では,新しい3次元深部CNNを用いて心拍数(HR)と呼吸速度(RR)を推定する方法を提案する。 その結果,回帰器を用いた深層学習手法はHRとRRの推定に有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Using mobile phone video of the fingertip as a data source for estimating vital signs such as heart rate (HR) and respiratory rate (RR) during daily life has long been suggested. While existing literature indicates that these estimates are accurate to within several beats or breaths per minute, the data used to draw these conclusions are typically collected in laboratory environments under careful experimental control, and yet the results are assumed to generalize to daily life. In an effort to test it, a team of researchers collected a large dataset of mobile phone video recordings made during daily life and annotated with ground truth HR and RR labels from N=111 participants. They found that traditional algorithm performance on the fingerprint videos is worse than previously reported (7 times and 13 times worse for RR and HR, respectively). Fortunately, recent advancements in deep learning, especially in convolutional neural networks (CNNs), offer a promising solution to improve this performance. This study proposes a new method for estimating HR and RR using a novel 3D deep CNN, demonstrating a reduced error in estimated HR by 68% and RR by 75%. These promising results suggest that regressor-based deep learning approaches should be used in estimating HR and RR.
• Abstract（参考訳）: 日常生活における心拍数 (HR) や呼吸率 (RR) などの重要な指標を推定するためのデータソースとして, 携帯電話による指先撮影が提案されている。 既存の文献では、これらの推定値が毎分数拍子以内の精度であることが示されているが、これらの結論を導き出すために使用されるデータは、実験室で慎重に制御され、その結果は日常生活に一般化すると仮定されている。 テストのために、N=111人の被験者から、携帯電話のビデオ記録の膨大なデータセットを収集し、真実のHRとRRのラベルに注釈を付けた。 彼らは、指紋ビデオにおける従来のアルゴリズムのパフォーマンスは、以前報告したよりも悪い(RRとHRの7倍と13倍)。 幸いなことに、特に畳み込みニューラルネットワーク(CNN)におけるディープラーニングの最近の進歩は、このパフォーマンスを改善するための有望なソリューションを提供する。 本研究では,新しい3次元深部CNNを用いてHRとRRを推定する方法を提案し,HRとRRの誤差を68%,RRを75%削減した。 これらの有望な結果は、回帰器に基づくディープラーニングアプローチがHRとRRの推定に使用されるべきであることを示唆している。

関連論文リスト

• Pre-Trained Foundation Model representations to uncover Breathing patterns in Speech [2.935056044470713]
  呼吸速度(英: respiratory rate, RR)は、個人の健康、フィットネス、健康全般を評価するために用いられる重要な指標である。 RRを測定するための既存のアプローチは、特殊装備や訓練を用いて実施されている。 機械学習アルゴリズムは、バイオセンサー信号を入力としてRRを推定できることを示した。
  論文  参考訳（メタデータ） (2024-07-17T21:57:18Z)
• Robust CNN-based Respiration Rate Estimation for Smartwatch PPG and IMU [2.206233030459147]
  呼吸速度 (RR) は、心臓血管疾患や睡眠障害などの様々な疾患の指標である。 既存のRR推定手法は、自由生活条件下で手首領域からPSGデータを収集する際に、RRを正確に抽出するのに苦労する。 本稿では、PPG、加速度計、ジャイロスコープ信号からRRを抽出するための畳み込みニューラルネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-01-10T15:15:46Z)
• Using BOLD-fMRI to Compute the Respiration Volume per Time (RTV) and Respiration Variation (RV) with Convolutional Neural Networks (CNN) in the Human Connectome Development Cohort [55.41644538483948]
  本研究では, RVとRVTの2つの呼吸対策を再現するための1次元CNNモデルを提案する。 その結果、CNNはBOLD信号の静止から情報的特徴を捉え、現実的なRVとRVTのタイムリーを再構築できることがわかった。
  論文  参考訳（メタデータ） (2023-07-03T18:06:36Z)
• Camera-Based HRV Prediction for Remote Learning Environments [4.074837550066978]
  顔ビデオから血流パルス信号を復元することは、波形を復元するための一連の前処理、画像アルゴリズム、後処理を含む難しい作業である。 r を通して HRV の指標を得る上での課題は、アルゴリズムが BVP のピーク位置を正確に予測する必要性である。 本稿では,58名の被験者を対象に,高度に同期されたビデオとラベルを32時間以上使用したRLAP(Remote Learning Affect and Physiology)データセットを収集した。 RLAPデータセットを用いて,1次元畳み込みに基づくモデルであるSeq-rを訓練し,実験結果が明らかになった。
  論文  参考訳（メタデータ） (2023-05-07T02:26:00Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• EVM-CNN: Real-Time Contactless Heart Rate Estimation from Facial Video [9.664590078212441]
  空間的および時間的フィルタリングと畳み込みニューラルネットワークを組み合わせることで、リアルな条件下での心拍数(HR)をリモートで推定する新しい枠組みが導入された。 提案手法は, 平均人事推定と短時間人事推定の両方の観点から, MMSE-HRデータセットのベンチマークと比較すると, 優れた性能を示す。
  論文  参考訳（メタデータ） (2022-12-25T15:25:15Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• 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)
• Deep-HR: Fast Heart Rate Estimation from Face Video Under Realistic Conditions [62.68522031911656]
  本稿では、複雑なタスクからのHR推定を単純化し、非常に相関した表現からHRへ学習することで、Deep Neural Network(DNN)の利点を享受する、シンプルで効率的なアプローチを提案する。 より正確で高品質なビデオでは、FEの出力を改善するために、2つのディープエンコーダデコーダネットワークが訓練されている。 HR-DおよびMAHNOBデータセットによる実験結果から,本手法がリアルタイム手法として動作し,最先端の手法よりも平均HRを推定できることが確認された。
  論文  参考訳（メタデータ） (2020-02-12T07:00:07Z)

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。