文件大小：1.07M
摘要：面向在线教育中人脸视频的生理参数测量是当前智慧教育研究的热点。传统的远程光电容积描记法（rPPG）无法适应在线教育场景中的光照环境变化，影响了基于人脸视频进行生理参数测量的灵活性和准确性。面向在线教育中的典型光照场景，提出了一种基于光照自适应的血容量脉冲信号（BVP）提取方法，并结合生成对抗网络（GAN）与卷积神经网络（CNN）构建了BVP信号双重校正模型。首先基于模拟退火算法计算不同光照条件下正交色度信号的最优解。同时，建立利用平均灰度强度进行光照场景分类的光照场景预测机制，实现光照场景自适应的最优色度信号。进一步结合GAN与CNN模型对BVP信号进行双重校正，以确保最终输出的生理参数更加准确可靠。模型在面向典型教育场景重组的四个公开数据集上进行了验证，实验结果表明，心率的均方根误差（RMSE）平均降低了8.3 bpm，展示了该模型在不同光照条件下的鲁棒性和准确性。该模型在提升心率及心率变异性预测准确性方面具有显著优势，可为复杂光照环境下的非接触式生理参数检测提供有效支持。
文章目录
0 概述
1 相关研究
1.1 从接触式生理检测到非接触式rPPG的技术演进
1.2 基于深度学习的rPPG信号提取
1.3 面向在线教育场景的rPPG研究
2 本文模型
2.1 计算最佳正交色度信号的模型
2.2 结合GAN和CNN的双校正模型
2.2.1 COGAN模型
2.2.2 COCNN模型
3 实验与结果分析
3.1 本文在线教育光照场景定义与实验设置
3.2 不同光照场景下心率预测方法的RMSE对比
3.3 结合场景分类的心率预测
3.4 HRV相关指标分析
4结语
