综述：基于远程光电容积描记术和深度学习的心率测量全面综述

这篇综述系统梳理了利用远程光电容积描记术（rPPG）结合深度学习技术进行非接触式心率（HR）监测的研究进展。文章对比了传统信号处理方法（如ICA、PCA）与新型神经网络架构（如CNN、Transformer）的性能差异，指出深度学习在克服运动伪影和光照干扰方面的优势。通过分析145篇文献，作者总结了现有数据集特征（如MAHNOB-HCI、PURE）、关键技术挑战（如ROI检测、BSS分离）及临床应用场景（如远程医疗、新生儿监护），为未来实时监测系统的开发提供了重要参考。

　　

背景

心率（HR）作为心血管疾病早期筛查的关键生理指标，其监测方式正从接触式（如ECG电极）向非接触式光学技术转型。远程光电容积描记术（rPPG）通过普通摄像头捕捉皮肤表面微血管血流引起的反射光变化，实现了“无感化”监测。COVID-19疫情期间，rPPG在远程健康监测中展现出独特价值，既能减少医患接触风险，又可整合至智能手机等便携设备。

技术原理

rPPG基于啤酒-朗伯定律（Beer-Lambert's law），利用血红蛋白对520-580nm绿光的特异性吸收特性。心脏收缩期血液容积增加会增强光吸收，而舒张期则减弱，形成周期性信号。与传统接触式PPG相比，rPPG面临三大挑战：

1. 运动伪影：面部表情或头部转动导致信号失真
2. 光照干扰：环境光强变化影响信号信噪比
3. 肤色差异：黑色素含量影响光吸收率

传统方法vs深度学习

传统信号处理主要依赖盲源分离（BSS）技术：

• 独立成分分析（ICA）通过JADE算法分离脉冲信号
• 主成分分析（PCA）在计算效率上优于ICA
• 色度法（CHROM）通过线性组合RGB通道抑制运动噪声

深度学习模型展现出突破性进展：

• CNN架构：DeepPhys采用双分支注意力机制，在MAHNOB-HCI数据集实现MAE=2.38 bpm
• 混合模型：STVEN-rPPGNet结合时空网络与皮肤注意力模块，提升动态场景鲁棒性
• Transformer创新：PhysFormer++通过慢速差分周期注意力，在跨数据集测试中MAE降至2.71 bpm

关键突破

1. 数据集发展：MMPD数据集首次包含菲茨帕特里克3-6型肤色样本，覆盖行走、交谈等真实场景
2. 硬件优化：偏振过滤技术（CbPPG）使信号强度提升40%
3. 临床验证：牛津大学NICU研究证实，rPPG对早产儿心率的监测误差<3 bpm

应用场景

• 竞技体育：2020东京奥运会采用多机位rPPG实时转播射箭选手心率
• 车载系统：通过驾驶员面部视频检测疲劳状态（HRV异常）
• 术中监测：游离皮瓣移植术中持续评估组织灌注状态

局限与展望

当前瓶颈包括：

• 数据集缺乏多样性（80%样本为20-40岁群体）
• 长距离（>1m）监测精度骤降
• 隐私保护机制缺失

未来方向建议：

1. 开发多模态传感器融合系统（RGB+热成像）
2. 构建涵盖不同肤色的百万级视频数据库
3. 探索rPPG在血压、呼吸率等多参数监测的扩展应用