基于时空注意力机制的长时程远程光电容积描记信号心率变异性参数估计算法研究

本文创新性地提出融合3D卷积神经网络(3D CNN)与时空注意力机制的AttenHRVNet模型，突破传统rPPG技术在心率变异性(HRV)参数提取中的瓶颈。通过构建ZXJU-HRV长时程面部视频数据集，验证了模型在复杂环境下对自主神经系统(ANS)低频信号的捕获能力，为无接触式心血管疾病预警提供了新范式。

　　

Highlight

本研究亮点在于开发了集成时空注意力机制的深度学习框架AttenHRVNet，显著提升了远程光电容积描记(rPPG)技术在心率变异性(HRV)分析中的性能。该模型通过3D卷积核与动态注意力权重的协同作用，实现了对反映自主神经调节功能的低频成分(<0.4 Hz)的特异性增强。

Methodology

提出的方法

如图1所示，我们的技术路线包含四个核心模块：

1. 面部检测与预处理：采用128×128像素标准化处理

2. 原始rPPG信号提取：通过时空注意力单元动态聚焦关键面部区域

3. 数据增强与优化：采用帧步长30的滑动窗口生成训练样本

4. HRV指标计算：支持时域(SDNN)、频域(LF/HF)等多维度参数输出

Experimental validation

实验验证

在UBFC-rPPG和COHFACE数据集上的测试表明，模型在5分钟长时程分析中RMSE降低23.6%。特别值得注意的是，当采用ZXJU-HRV数据集的10分钟片段时，LF/HF比值检测的相关系数达到0.89，证实长时间观测对交感-迷走神经平衡评估的重要性。

Conclusion

结论

AttenHRVNet通过时空注意力机制实现了"信号增强-噪声抑制"的智能平衡，其创新性体现在：

• 端到端学习替代手工特征工程

• 10分钟长程监测窗口设计

• 对运动伪影和光照干扰的鲁棒性

该技术为驾驶员疲劳监测、抑郁症生理指标筛查等应用开辟了新途径。