基于神经网络的心率分类系统中图像压缩效应的评估与分析

本研究针对远程心率(HR)监测中视频数据传输带宽大的问题，创新性地评估了图像压缩对神经网络(NN)心率分类系统的影响。研究人员通过DenseNet-121、VGG-16和Inception V3模型测试发现，VGG-16在JPEG压缩条件下仍保持97.2%的准确率，为低带宽环境下的可穿戴医疗设备开发提供了重要技术支撑。

　　

在数字健康时代，心率监测技术正从接触式向非接触式跨越。传统光电体积描记(PPG)和心电图(ECG)传感器虽精度高，但存在佩戴不适、运动干扰等问题。更棘手的是，基于视频分析的远程心率监测需要处理海量数据——段1080p未压缩视频每分钟就占用177MB空间，这对移动设备和远程传输构成巨大挑战。

汉阳大学的研究团队在《Scientific Reports》发表的研究另辟蹊径，将视频心率监测简化为关键帧图像分类问题。通过系统评估JPEG/PNG压缩对神经网络模型的影响，发现即使将图像压缩至原始大小的3.1%（QF=20），VGG-16模型仍能保持89.88%的准确率，这一突破为资源受限场景下的实时心率监测提供了新思路。

研究采用捷克理工大学提供的ECG-Fitness数据集，包含17名受试者在不同光照（自然光/卤素灯/LED）和运动状态（划船/骑行等）下的面部视频。关键技术包括：1）基于SeetaFace2的面部检测与256×256区域裁剪；2）FFmpeg视频帧处理；3）libjpeg-turbo实现多级JPEG压缩；4）DenseNet-121/VGG-16/Inception V3三模型对比评估。

【实验设计】
系统架构分为训练和推理两大模块。训练阶段将PNG格式的面部图像按70:15:15划分为训练/验证/测试集，HR值被离散化为8个区间（每7bpm一档）。推理阶段则测试不同JPEG质量因子(QF10-90)对分类性能的影响。

【模型表现】
VGG-16展现出卓越的鲁棒性：训练准确率99.87%、验证准确率97.21%，显著优于DenseNet-121（验证准确率80.69%）。五折交叉验证进一步证实其稳定性，平均验证准确率达95.72%。

【压缩影响】
测试数据显示，当QF≥50时（压缩比4.5%），所有模型准确率均超90%。值得注意的是，VGG-16在QF=90时达到峰值97.20%，仅比无损条件下降0.01%，证明适度压缩几乎不影响分类性能。

【时间效率】
Inception V3处理速度最快（225帧/秒），而DenseNet-121最慢（106帧/秒），这对实时应用场景的模型选型具有指导意义。

这项研究的重要意义在于：首次量化了图像压缩质量与神经网络心率分类精度的关系，证实VGG-16在压缩环境下仍保持临床级精度（>95%）。其采用的"关键帧分类+局部压缩"策略，相比传统视频流处理可降低97%以上的传输带宽，为智能手机、可穿戴设备等资源受限平台的心率监测提供了实用化解决方案。未来研究可进一步探索HEVC等新型编解码器的影响，并扩大样本多样性以提升模型泛化能力。