論文の概要: VitalLens 2.0: High-Fidelity rPPG for Heart Rate Variability Estimation from Face Video

• arxiv url: http://arxiv.org/abs/2510.27028v1
• Date: Thu, 30 Oct 2025 22:23:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:15.923496
• Title: VitalLens 2.0: High-Fidelity rPPG for Heart Rate Variability Estimation from Face Video
• Title（参考訳）: VitalLens 2.0: 顔画像による心拍変動推定のための高忠実度rPPG
• Authors: Philipp V. Rouast,
• Abstract要約: 本稿では,顔画像から生理的信号を推定する新しいディープラーニングモデルVitalLens 2.0を紹介する。 VitalLens 2.0を、4つのパブリックデータセットとプライベートデータセットから422個のユニークな個人を組み合わせた新しいテストセットで評価した。 VitalLens 2.0 は平均値の平均絶対誤差(MAE)は HR は 1.57 bpm、RR は 1.08 bpm、HRV-SDNN は 10.18 ms、HRV-RMSSD は 16.45 ms である。
• 参考スコア（独自算出の注目度）: 0.9137554315375919
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This report introduces VitalLens 2.0, a new deep learning model for estimating physiological signals from face video. This new model demonstrates a significant leap in accuracy for remote photoplethysmography (rPPG), enabling the robust estimation of not only heart rate (HR) and respiratory rate (RR) but also Heart Rate Variability (HRV) metrics. This advance is achieved through a combination of a new model architecture and a substantial increase in the size and diversity of our training data, now totaling 1,413 unique individuals. We evaluate VitalLens 2.0 on a new, combined test set of 422 unique individuals from four public and private datasets. When averaging results by individual, VitalLens 2.0 achieves a Mean Absolute Error (MAE) of 1.57 bpm for HR, 1.08 bpm for RR, 10.18 ms for HRV-SDNN, and 16.45 ms for HRV-RMSSD. These results represent a new state-of-the-art, significantly outperforming previous methods. This model is now available to developers via the VitalLens API at https://rouast.com/api.
• Abstract（参考訳）: 本稿では,顔画像から生理的信号を推定する新しいディープラーニングモデルVitalLens 2.0を紹介する。 この新モデルでは、遠隔光胸腺撮影(rPPG)の精度が飛躍的に向上し、心拍数(HR)と呼吸速度(RR)だけでなく心拍変動(HRV)の測定値の頑健な評価が可能となった。 この進歩は、新しいモデルアーキテクチャと、トレーニングデータのサイズと多様性を大幅に増加させることで達成されます。 VitalLens 2.0を、4つのパブリックデータセットとプライベートデータセットから422個のユニークな個人を組み合わせた新しいテストセットで評価した。 VitalLens 2.0 は平均値の平均絶対誤差(MAE)は HR は 1.57 bpm、RR は 1.08 bpm、HRV-SDNN は 10.18 ms、HRV-RMSSD は 16.45 ms である。 これらの結果は、新しい最先端の手法であり、以前の方法よりも大幅に優れていた。 このモデルは、https://rouast.com/api.com/でVitalLens APIを通じて開発者が利用できる。

関連論文リスト

• Collaborative Learning-Enhanced Lightweight Models for Predicting Arterial Blood Pressure Waveform in a Large-scale Perioperative Dataset [8.11687374025924]
  本研究では、軽量なsInvResUNetと、KDCL_sInvResUNetという協調学習スキームを紹介する。 実時間ABP推定は、わずか8.49ミリ秒の推論時間で組込みデバイス上で達成された。 これらの有望な結果にもかかわらず、すべての深層学習モデルは、異なる人口動態と心臓血管状態に有意な変化を示した。
  論文  参考訳（メタデータ） (2025-08-07T02:40:17Z)
• Physiological-Model-Based Neural Network for Heart Rate Estimation during Daily Physical Activities [3.5717820799814306]
  心不全 (HF) は世界的な健康上の課題であり、早期発見は結果を改善する機会を提供する。 個々の心拍数(HR)の推定は、動的デジタルツインとして機能し、心臓のバイオマーカーの正確な追跡を可能にする。 本研究では,日常の身体活動における酸素摂取量(VO2)データに基づくHR推定のための新しい生理モデルベースニューラルネットワーク(PMB-NN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-11T19:48:08Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Sapiens: Foundation for Human Vision Models [14.72839332332364]
  サピエンス(Sapiens)は、4つの基本的人間中心の視覚タスクのモデル群である。 我々のモデルは1Kの高分解能推論をサポートし、個々のタスクに容易に適応できる。 我々は、人間の画像のキュレートされたデータセット上での自己教師付き事前訓練が、多種多様な人間中心のタスクのパフォーマンスを著しく向上させるのを観察する。
  論文  参考訳（メタデータ） (2024-08-22T17:37:27Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• 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)
• Rethinking the Heatmap Regression for Bottom-up Human Pose Estimation [63.623787834984206]
  本稿では,各キーポイントの標準偏差を適応的に調整できるスケール適応型ヒートマップ回帰(SAHR)法を提案する。 SAHRは、前景サンプル間の不均衡を悪化させ、SAHRの改善を損なう可能性がある。 また,重量適応型ヒートマップ回帰(WAHR)を導入し,背景試料のバランスをとる。
  論文  参考訳（メタデータ） (2020-12-30T14:39:41Z)
• 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)

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。