Comprobado en el laboratorio. No solo afirmado en un anuncio.

Aprende a leer el pulso sin etiquetas de verdad fundamental utilizando una pérdida contrastiva. En cinco conjuntos de datos públicos superó métodos anteriores sin etiquetas y se acercó a los mejores modelos supervisados.

Un modelo moderno de espacio de estados que lee cualquier longitud de video con cálculo mínimo. Error de frecuencia cardíaca de 0,23 bpm en PURE y 0,50 bpm en UBFC-rPPG, con fuerte transferencia entre conjuntos de datos, utilizando aproximadamente un millón de parámetros.

Combina la fisiología conocida con antecedentes aprendidos para que un modelo entrenado en un conjunto de datos funcione en otros no vistos, mejorando la robustez entre cámaras, iluminación e incluso de video a color a infrarrojo.

Llevó la arquitectura transformadora al escaneo facial, alcanzando error de frecuencia cardíaca cercano a 1,1 bpm en la prueba VIPL-HR difícil y aproximadamente 0,4 bpm en PURE mientras entrenaba desde cero en conjuntos de datos pequeños.

El primer modelo de aprendizaje profundo de extremo a extremo para recuperar pulso y respiración de video, superando métodos clásicos e iniciando la generación moderna de IA de rPPG.

Derivó el método Plano Ortogonal a la Piel (POS) de un modelo físico de reflexión de luz en la piel. Ahora es un estándar de línea base de alta precisión y robusta al movimiento en todo el campo.

Introdujo el método CHROM para cancelar artefactos de movimiento. En 117 sujetos logró aproximadamente 92% de concordancia con PPG de contacto, y bajo ejercicio la detección correcta del pulso aumentó de 79% a 98%.

Demostró que un video de cámara web única puede recuperar frecuencia cardíaca, frecuencia respiratoria Y variabilidad de la frecuencia cardíaca simultáneamente, todos validados contra sensores aprobados por la FDA.

El avance de la cámara web. La frecuencia cardíaca de video ordinario coincidió con un sensor de dedo aprobado por la FDA con una correlación superior a 0.98 en condiciones controladas, incluso con varias personas en el fotograma.

El documento original. Demostró que una cámara de consumidor ordinaria bajo luz de habitación normal puede recuperar el pulso de volumen sanguíneo de la piel a más de un metro de distancia, con el canal verde transportando la señal más fuerte.

En 47 pacientes cardiovasculares con más de 782 mediciones, la frecuencia del pulso de la cámara coincidió con el ECG con un error medio de 1.06 bpm y una correlación de 0.962. El software tiene autorización de la FDA (K240890).

En 200 participantes (edad media 62), videos faciales de 15 segundos proporcionaron una frecuencia cardíaca dentro de 3.25 bpm (98.5% dentro de 10 bpm) y una frecuencia respiratoria dentro de 0.69 respiraciones por minuto.

Usando cámaras web de consumidor en 77 personas, el error de frecuencia cardíaca fue de 1.67 bpm y la VFC (SDNN y RMSSD) se recuperó dentro de aproximadamente 11 ms, demostrando que la VFC de una cámara web cotidiana está al alcance.

En un grupo demográficamente diverso, la frecuencia respiratoria por cámara se mantuvo dentro de aproximadamente 0.6 a 0.95 respiraciones por minuto, manteniéndose consistente en diferentes tonos de piel.

Un estudio real de UCI neonatal con más de 744 minutos de video estimó la frecuencia cardíaca, la saturación de oxígeno y la frecuencia respiratoria continuamente comparado con monitores de cabecera, una evaluación honesta de la precisión en un entorno clínico exigente.

Un piloto de 35 personas (preimpresión) encontró que la VFC de video de smartphone rastreaba bien al ECG para la variabilidad general (error SDNN 3.5 ms, r = 0.84) mientras que las medidas latido a latido eran más flexibles, por lo que tratamos la VFC de video como emergente.

En 562 participantes, la saturación de oxígeno por cámara alcanzó un error promedio de 2.10% y la frecuencia cardíaca de 2.96 bpm. La presión arterial fue mucho más débil, un contrapunto honesto que llevamos a través de nuestro propio etiquetado.

Un despliegue en vivo de signos vitales de cámara dentro de la plataforma de telesalud de VA con 20 proveedores y 13 pacientes obtuvo puntuaciones altas para usabilidad (86/100) y aceptabilidad (90/100) en citas reales.

Un modelo de aprendizaje profundo alcanzó un error promedio de 1.27%, superando el estándar de precisión de más o menos 4% para oxímetros de pulso aprobados bajo condiciones de estudio. Prometedor, aún en desarrollo.

Los modelos de aprendizaje profundo leen el estrés a partir de señales de pulso de cámara con una precisión de clasificación de hasta 95.8% en una prueba pública, apuntando al screening de estrés basado en cámara.

Una prueba de laboratorio independiente de un monitor de cámara: la frecuencia cardíaca fue excelente (error de 1.1 bpm) pero la presión arterial no cumplió con el estándar clínico estricto del manguito, por lo que presentamos la presión arterial por cámara como de grado screening solamente.

La presión arterial por cámara se mantuvo en aproximadamente 4 mmHg de error en interiores en 520 grabaciones, degradándose en exteriores y en movimiento. Investigación prometedora, pero aún no un reemplazo del manguito de grado clínico.

En pacientes adultos de UCI, la frecuencia cardíaca de la cámara coincidió con los monitores alámbricos con un error promedio de 2,5 bpm (r aproximadamente 0,98) y la frecuencia respiratoria con un error promedio de 2,4 respiraciones por minuto.

En 453 pacientes, el video facial se examinó para detectar fibrilación auricular con una precisión del 90% en clips de 30 segundos y del 97% en grabaciones más largas.

En 963 pacientes hospitalarios, la frecuencia respiratoria de la cámara mostró una concordancia del 96,0% con el método clínico estándar, una de las validaciones más grandes de su tipo.

A partir de videos faciales de 60 segundos, la HRV de cámara se correlacionó con PPG de referencia (SDNN r = 0,84), confirmando que la HRV de video es viable.

A lo largo de 426 horas de video de 30 recién nacidos prematuros, la frecuencia cardíaca de la cámara alcanzó un error promedio de 2,3 bpm y la frecuencia respiratoria de 3,5 respiraciones por minuto la mayoría del tiempo.

Al revisar 70 estudios, este artículo encontró que las regiones de la frente y mejillas dan la mejor precisión, con un error de frecuencia cardíaca en el mejor caso de alrededor de 1.0 bpm.

Una auditoría en 100 estudios de rPPG encontró que los métodos de crominancia más antiguos pierden precisión en piel más oscura, mientras que los modernos modelos de aprendizaje profundo reducen sustancialmente la brecha aunque no la eliminan completamente. Citamos esto porque la honestidad sobre equidad es importante.

Una evaluación comparativa rigurosa de 8 algoritmos encontró que el mejor método se mantiene cerca de 1.1 bpm en reposo, mientras que la precisión es más difícil con frecuencias cardíacas muy altas, exactamente el tipo de límite honesto alrededor del cual construimos nuestro etiquetado.

Una revisión sistemática y metaanálisis de 12 estudios encontró un sesgo general de solo 0.13 bpm entre la frecuencia cardíaca de contacto y contactless, con frecuencia respiratoria dentro de 2 respiraciones el 92% del tiempo.

Una revisión de la familia Nature que sintetiza la evidencia clínica, algoritmos y conjuntos de datos detrás de las constantes vitales por cámara, la referencia autorizada del estado de la ciencia para el campo.

Una plataforma de código abierto que evalúa los principales métodos de rPPG neurales y no supervisados en conjuntos de datos estándar con evaluación unificada, ahora el estándar de reproducibilidad para el campo.