面部区域选择在远程光电容积描记术无接触心率监测中的关键作用及优化策略

为解决传统心电图(ECG)和接触式光电容积描记术(PPG)在心血管监测中的局限性，研究人员通过系统综述70项研究，探讨了面部感兴趣区域(ROI)选择对远程光电容积描记术(rPPG)心率监测准确性的影响。研究发现前额和面颊区域(分别占研究24.5%和21.7%)具有最佳信号质量，机器学习方法在运动伪影和弱光条件下表现优异(MAE和RMSE<1.0)，多ROI组合可提升性能但超过60个区域后收益递减。该研究为开发更精准的无接触健康监测技术提供了重要依据。

　　

心血管健康监测正面临重大技术革新。传统心电图(ECG)虽被视为心率监测的"金标准"，但其接触式测量方式带来诸多不便——设备昂贵、佩戴不适，尤其不适合新生儿、烧伤患者等特殊人群长期使用。接触式光电容积描记术(PPG)虽有所改进，但仍受限于皮肤接触，在真实场景中可靠性不足。这些局限性催生了对无接触监测技术的迫切需求，远程光电容积描记术(rPPG)应运而生，它仅需普通摄像头就能通过分析面部微妙的颜色变化来检测心率。然而，这项技术面临光照变化、运动伪影和面部遮挡等挑战，其中最关键的科学问题是如何选择最佳的面部监测区域以获得最可靠的心率信号。

来自瑞士联邦理工学院苏黎世分校(ETH Zurich)的Maksym Bondarenko、Carlo Menon与哈利法大学(Khalifa University)的Mohamed Elgendi研究团队在《npj Digital Medicine》发表了一项开创性研究。他们通过系统分析过去十年间70项相关研究，揭示了面部不同区域对rPPG心率监测准确性的影响规律，并提出了优化策略。这项注册号为CRD42024592157的系统综述发现，传统方法多依赖经验选择面部区域，而机器学习技术能自动识别最佳信号区域，特别是在挑战性环境下表现突出。

研究人员采用系统文献综述方法，严格遵循PRISMA指南，从PubMed、IEEE Xplore和Embase三大数据库筛选出70项符合标准的研究。分析重点包括：不同面部区域(如前额、面颊等)的信号质量比较；传统算法(PCA、ICA、CHROM等)与机器学习方法(如Dual-GAN、TranPulse等)的性能差异；ROI数量与监测误差(MAE、RMSE)的关系。研究使用了20个常用数据集，包括UBFC-rPPG、PURE等，涵盖不同人口统计学特征和测试条件。

研究结果部分呈现了多项重要发现。在"ROIs used for HR estimation"部分，数据显示36.8%的研究使用全脸区域，而前额(24.5%)和面颊(21.7%)因皮肤较薄、血流量大而展现出更优性能。Dae-Yeol Kim等提出的TOP-5面部区域将CHROM方法的MAE从2.67显著降至1.5。在"Performance evaluation"部分，LOESS回归分析揭示ROI数量与误差间的非线性关系：3-60个ROI时性能提升明显，超过60个后则出现收益递减。Qian等开发的64个ROI组合方法达到了0.17的惊人MAE。"Influence of light and motions to accuracy"部分指出，VIPL-HR等包含运动场景的数据集误差较高，突显环境因素的重要性。

讨论部分强调了几个关键突破。首先，研究确立了前额和面颊作为rPPG最佳监测区域的科学依据——这些区域皮肤较薄(平均1191.11μm)、血管丰富且受表情变化影响小。其次，提出了"自适应ROI调度"的创新概念，建议根据信号质量指数(SQI>0.293)动态选择活跃监测区域，平衡精度与计算效率。值得注意的是，研究也揭示了当前领域的局限性：多数数据集以白人男性为主，可能影响算法普适性；运动伪影仍是主要误差来源。

这项研究对医疗健康技术发展具有深远意义。从临床角度看，优化的rPPG技术将极大改善新生儿重症监护、烧伤患者监测等特殊场景的医疗体验。从技术发展看，研究为下一代智能健康监测设备提供了设计准则——结合多ROI策略与机器学习算法，有望开发出适应各种肤色和光照条件的鲁棒系统。未来研究应扩大样本多样性，探索动态ROI调度算法的实时实现，这将推动无接触健康监测技术从实验室走向广泛应用。