编辑推荐：
新冠疫情凸显远程健康监测的重要性，非接触式心率监测极具挑战。研究人员提出 LWHRPnet 轻量级深度学习架构，利用人脸和手腕视频预测心率。该研究 RMSE 低至 0.4137，准确率达 99.86%，为疾病防控等提供有力支持。
在全球健康意识日益增强的当下，人们对个人健康监测的需求愈发迫切。尤其是新冠疫情的爆发，更是让远程健康监测成为焦点。传统的可穿戴设备在监测心率时存在诸多问题，比如传感器与皮肤接触不良影响数据准确性，且不适用于婴儿、运动员、皮肤受伤患者等特殊人群。而基于摄像头的非接触式心率监测技术虽然具有巨大潜力，但也面临着光照变化、运动伪影等噪声干扰，导致监测精度受限。在这样的背景下，来自印度 Easwari 工程学院生物医学工程系的研究人员开展了一项极具意义的研究，旨在突破现有技术的局限，实现更精准、便捷的非接触式心率预测。
研究人员提出了一种名为 LWHRPnet（Lightweight Heart Rate Prediction Network，轻量级心率预测网络）的轻量级深度学习架构，利用实时捕获的人脸和手腕视频来预测心率。这一研究成果发表在《Biomedical Signal Processing and Control》上，为非接触式心率监测领域带来了新的突破。
在研究方法上，研究人员主要运用了以下关键技术：首先，针对人脸视频的心率检测，他们使用人脸检测算法分割出额头区域，将额头的叠加平均帧用于 LWHRPnet 回归卷积神经网络（Convolutional Neural Network，CNN）的学习；对于手腕视频，从整个手部图像中分割出血管区域，同样利用 LWHRPnet 通过该区域的平均帧来预测心率。同时，研究采用了并行处理的方式，同步进行人脸和手腕的心率检测，并通过均方根误差（Root Mean Square Error，RMSE）对比两者的心率预测结果。
研究结果部分：
- 人脸和手腕视频 ROI 提取：通过特定算法从人脸和手腕视频中成功提取出能有效代表心率预测区域的感兴趣区域（Region of Interest，ROI），为后续的心率预测提供了关键的数据基础。
- LWHRPnet 性能评估：研究人员使用 MATLAB R2020a 进行模拟实验，实验采用 15 秒、分辨率为 720x1280、数据速率为 6Mbps、比特率为 6.023Mbps、每秒 24 帧的视频，每次执行考虑 50 帧。最终，该研究实现了极低的 RMSE，仅为 0.4137，预测准确率高达 99.86%，这一结果远超以往研究。
研究结论与讨论部分，该研究提出的非接触式心率预测方法展现出了显著优势。相比传统临床接触式测量方法，其适应性更强，对监测设备的要求较为灵活，使用常见的实时捕获设备，如移动设备即可进行监测，不会对被监测者造成任何伤害，且在各种光照条件下都能较为稳定地运行。这一研究成果不仅为远程健康监测提供了更可靠的技术支持，有助于及时发现心血管疾病等健康问题，还为后续在睡眠监测、测谎、压力评估等领域的应用奠定了坚实基础，有望在未来医疗和健康管理领域发挥重要作用，推动非接触式健康监测技术的广泛应用。
