低光照与高心率条件下远程光电容积描记技术的可靠性评估及其对数字医学的启示

《npj Digital Medicine》：The reliability of remote photoplethysmography under low illumination and elevated heart rates

本研究针对远程光电容积描记技术(rPPG)在真实医疗场景中面临的低光照与高心率双重挑战，通过构建包含45名参与者的CHILL数据集，系统评估了8种rPPG算法（含4种深度学习方法与4种信号处理方法）的鲁棒性。研究发现传统模型在高心率条件下性能显著下降（5/8方法p<0.05），而低光照影响相对较小；深度学习模型在跨数据集测试中普遍出现泛化能力不足。该研究为开发适用于远程医疗场景的可靠生理监测技术提供了关键实验依据。

　　

在数字医疗飞速发展的今天，非接触式健康监测技术正逐步重塑传统医疗模式。远程光电容积描记技术(rPPG)作为其中最具潜力的技术之一，仅通过普通摄像头捕捉面部皮肤颜色的微妙变化即可实现心率监测，为远程诊疗、家庭健康管理等领域带来革命性突破。然而，这项看似便捷的技术在实际应用中却面临严峻挑战——现有研究多集中在理想化实验室环境下，对真实场景中常见的低光照条件和高心率状态的适应性仍属未知领域。

目前主流的rPPG数据集存在明显局限性：光照条件多为理想状态，心率分布集中在静息范围（60-100 bpm），难以反映临床实践中常见的 tachycardia（>100 bpm）等病理状态。更值得关注的是，现有评估体系往往掩盖了算法在极端条件下的脆弱性，导致部分在基准测试中表现优异的模型在实际部署时效果大打折扣。这种评估盲点可能使数字医疗设备在关键时刻失效，对患者安全构成潜在威胁。

为解决这一关键问题，来自比勒费尔德大学的研究团队在《npj Digital Medicine》上发表了创新性研究。他们开发了专门针对挑战性条件的CHILL数据集，系统评估了八种主流rPPG算法在低光照和高心率场景下的表现。该数据集包含45名参与者（28名女性，17名男性）在两种光照条件（明亮140 lux vs 黑暗830 lux）和两种心率状态（静息vs运动后升高）下采集的180段一分钟视频，心率范围覆盖54-141 bpm，显著拓宽了传统数据集的生理变异性。

研究团队采用多项关键技术：通过标准化数据采集流程（图1）确保视频与PPG信号精确同步；运用Viola-Jones算法进行人脸检测与裁剪；采用Welch方法进行功率谱密度估计；对比评估了四种深度学习模型（DeepPhys、TS-CAN、PhysNet、rPPGNet）和四种传统信号处理方法（GREEN、CHROM、POS、ICA）。所有分析均采用参与者分层10折交叉验证，统计检验使用Wilcoxon符号秩检验等非参数方法。

2.1 Challenging Heart Rate and Illumination(CHILL) Dataset

CHILL数据集的独特价值体现在其系统性的条件控制与丰富的元数据标注。如图3所示，该数据集首次同时捕获了光照强度与心率变化的交互影响，心率分布呈现明显的双峰特征（静息中位数73.6 bpm，升高后中位数86.4 bpm）。与现有数据集对比（图4），CHILL在心率范围和光照多样性方面均具有显著优势，其双峰亮度分布（图5）真实反映了明亮与黑暗条件的典型场景。

2.2 Within-Dataset Performance of Signal Processing-Based and Deep Learning-Based Methods

如表2所示，在传统数据集（PURE、COHFACE）上深度学习方法普遍优于传统方法，但在CHILL数据集上出现了戏剧性反转：信号处理方法POS表现最佳（MAE=1.1±0.1 bpm），而部分深度学习模型误差显著增大。这一现象提示当前评估体系可能高估了深度学习模型的实际鲁棒性。

2.3 Effect of Illumination on Within-Dataset Performance of rPPG Methods

光照影响分析呈现复杂特征（图6、7）。在COHFACE数据集中，DeepPhys、TS-CAN等3个深度学习模型在自然光下性能显著下降；而在CHILL的受控光照环境中，仅GREEN和ICA两个传统方法表现出统计显著差异（p<0.05），且差异幅度较小。这表明照明变化类型（受控vs非受控）比绝对光照水平更具影响力。

2.4 Effect of Elevated Heart Rate on Within-Dataset Performance of rPPG Methods

高心率的影响更为显著（图8）。在心率>80 bpm条件下，5/8的方法出现统计显著的性能下降，包括PhysNet（p=0.008）、rPPGNet（p=0.0385）等主流算法。这一发现与临床观察高度一致，证实了高心率是rPPG技术临床应用的主要瓶颈。

2.5 Generalization of Deep Learning rPPG Methods

跨数据集测试结果（表3）显示，在COHFACE上训练的TS-CAN模型在CHILL数据集上表现最佳（整体MAE=1.07 bpm），但所有模型在高心率条件下误差均显著增大。这种泛化能力差异揭示了当前模型对训练数据分布的过度依赖。

2.6 Effect of Illumination on Generalization Performance of rPPG methods

如图9所示，预训练模型的光照适应性呈现方法特异性。在PURE上训练的模型无显著差异，而在COHFACE上训练的PhysNet和rPPGNet则表现出对照明条件的敏感性，进一步证实了模型泛化能力的不均衡性。

2.7 Effect of Elevated Heart Rates on Generalization Performance of rPPG Methods

高心率对泛化性能的影响最为突出（图10）。无论采用何种训练数据，DeepPhys、TS-CAN等模型在高心率条件下的误差均显著增大（p<0.01），其中PhysNet的误差偏移达13.55 bpm。这一系统性偏差表明当前rPPG方法存在尚未解决的理论局限。

本研究通过严谨的多维度评估，揭示了rPPG技术在实际部署中的关键瓶颈。主要结论包括：第一，传统评估体系可能高估算法真实性能，CHILL数据集填补了重要验证空白；第二，高心率而非低光照是影响精度的主要因素，这要求重新审视临床适用性标准；第三，深度学习模型泛化能力存在明显局限，尤其在生理状态超出训练分布时表现不稳定。这些发现对远程医疗设备开发具有警示意义——单纯追求基准测试指标可能掩盖临床风险，必须建立更严格的生理变异性验证流程。

研究的创新价值在于构建了首个专门针对挑战性条件的rPPG评估框架，但同时也存在若干局限：参与者年龄范围（18-32岁）和皮肤类型（Fitzpatrick I-III）代表性不足，未能涵盖老年群体和深肤色人群的特殊需求；使用专业DSLR相机而非消费级设备，可能高估实际应用性能；一分钟的短时记录难以分析心率变异性等动态指标。未来工作需扩展样本多样性，整合运动伪影等更复杂场景，并探索基于物理模型的信号增强策略。

该研究为数字医疗设备的安全性评估树立了新标准，强调算法鲁棒性验证必须优先于性能优化。随着rPPG技术在智能手表、远程诊疗平台的快速普及，这项研究及时警示了技术转化过程中的潜在风险，为构建真正可靠的数字健康监测系统提供了关键科学依据。