NrPPG-NNET: un approccio end-to-end di Deep Learning per la stima della frequenza cardiaca a distanza attraverso la rappresentazione temporale spaziale
Francesco de Nola, Vincenza Tufano, Annalisa Letizia
Alexandru Telea
Abstract
Questa ricerca descrive lo sviluppo di un approccio di deep learning per la stima della frequenza cardiaca a distanza.
Domanda di ricerca: le riprese video di un essere umano trasmettono informazioni grafiche sufficienti per stimare accuratamente alcuni parametri clinici?
Nel lavoro proposto, cerchiamo di rispondere a questa domanda costruendo un sistema end-to-end che riceve immagini (o frame) come input e produce la stima della frequenza cardiaca.
Il campo del rilevamento della frequenza cardiaca senza contatto è vasto, pertanto tutti i metodi proposti in precedenza sono stati studiati e analizzati. L’approccio di deep learning proposto si chiama NrPPG-NNET ed è stato sviluppato applicando la conoscenza di una Rete Neurale Convoluzionale precedentemente addestrata per il riconoscimento delle immagini e riaddestrata per risolvere il nuovo task. NrPPG-NNET ottiene risultati competitivi in termini di Errore Medio Assoluto (espresso in bpm) ed è significativamente più leggero della maggior parte dei metodi precedentemente proposti, infatti può essere eseguito in tempo reale su laptop di fascia media (anche senza GPU). Grazie alla sua velocità e facilità d’uso, NrPPG-NNET potrebbe potenzialmente trovare applicazione nel campo dell’interazione uomo-computer e del monitoraggio clinico. Inoltre, durante lo sviluppo sono emersi indizi importanti per il lavoro futuro che forniscono una solida base per ulteriori ricerche.
Obiettivo Tesi
Sviluppo di un modello per la predizione Heart rate basato su intelligenza artificiale, che prende in input un video da cui vengono estratti i frame, i quali vengono preprocessati al fine di ottenere un opportuno dataset per la rete neurale responsabile della stima del battito cardiaco.
Metodologia di ricerca
Preprocessing video per la creazione di mappe spazio-temporali. Sviluppo e training di una rete neurale con successiva validazione del modello.
Conclusioni
Realizzato un modello per la predizione del battito cardiaco che ottiene buoni risultati e che ad oggi si pone in linea con lo stato dell’arte.
Sviluppi futuri
Testing su diversi dataset e miglioramento del modello attuale.