Het team van Great Bay University heeft PhysMamba gepresenteerd, een innovatief AI-raamwerk voor het meten van de hartslag en gerelateerde fysiologische signalen via gezichtsvideo’sDeze belangrijke innovatie in remote photoplethysmography (rPPG) biedt een contactloze methode voor gezondheidsmonitoring, wat nieuwe mogelijkheden biedt voor directe medische en wellnesstoepassingen.
PhysMamba onderscheidt zich van eerdere rPPG-methodologieën die voornamelijk afhankelijk waren van Convolutional Neural Networks (CNN’s) en Transformers. Deze traditionele meetmethoden vonden het vaak moeilijk om de essentiële lange-afstands temporele afhankelijkheden die cruciaal zijn voor hartslagmeting nauwkeurig vast te leggen, vooral bij langere videosequenties. PhysMamba lost deze barrières op door een state-of-the-art Temporal Difference Mamba (TD-Mamba)-blok te introduceren naast een dual-stream SlowFast-architectuur. Door dit te doen, verwerkt het model effectief korte-termijn- en lange-afstands temporele kenmerken, waardoor de nauwkeurigheid bij het detecteren van precieze fysiologische signalen wordt vergroot. U kunt het artikel lezen hier.
Door een reeks gedetailleerde experimenten op benchmark-datasets, waaronder PURE, UBFC-rPPG en MMPD, liet PhysMamba indrukwekkende vooruitgang zien vergeleken met huidige modellen. Dit resulteerde in lagere foutpercentages en een hogere nauwkeurigheid in de schatting van de hartslag. Het innovatieve raamwerk overtrof de typische CNN- en Transformer-modellen aanzienlijk en was met name effectief in situaties in de echte wereld die werden beïnvloed door lichtvariaties en gezichtsbewegingen.
Deze nieuwe versie van een AI-model, omarmd door CCBR 2024, is een cruciale ontwikkeling in niet-invasieve fysiologische monitoring. Het onderzoeksteam heeft de code voor PhysMamba op GitHub, wat mogelijkheden biedt voor aanvullend onderzoek en ontwikkeling op dit interessante gebied van computer vision en gezondheidstechnologie.
