Im Labor bewiesen. Nicht nur in der Werbung behauptet.

Lernt die Pulsmessung ohne Ground-Truth-Labels mithilfe eines kontrastiven Verlusts. Über fünf öffentliche Datensätze hinweg übertraf das Modell frühere labelfreie Methoden und näherte sich den besten überwachten Modellen an.

Ein modernes Zustandsraummodell, das Videos beliebiger Länge mit minimalem Rechenaufwand verarbeitet. Herzfrequenzfehler von 0,23 bpm auf PURE und 0,50 bpm auf UBFC-rPPG, mit starker datensatzübergreifender Übertragbarkeit und etwa einer Million Parametern.

Verbindet bekannte Physiologie mit erlernten Priors, sodass ein auf einem Datensatz trainiertes Modell auf unbekannten Daten standhält und die Robustheit gegenüber unterschiedlichen Kameras, Lichtverhältnissen und sogar beim Wechsel von Farb- zu Infrarotvideo verbessert.

Die Transformer-Architektur wurde auf das Gesichts-Scanning übertragen und erreichte einen Herzfrequenzfehler von knapp 1,1 bpm auf dem anspruchsvollen VIPL-HR-Benchmark sowie rund 0,4 bpm auf PURE, beim Training von Grund auf mit kleinen Datensätzen.

Das erste durchgängige Deep-Learning-Modell zur Puls- und Atemerfassung aus Video, das klassische Methoden übertraf und die moderne KI-Generation der rPPG einläutete.

Die POS-Methode (Plane Orthogonal to Skin) wurde aus einem physikalischen Modell der Hautlichtreflexion abgeleitet. Sie gilt heute als präzise, bewegungsrobuste Referenzmethode im gesamten Forschungsfeld.

Die CHROM-Methode wurde eingeführt, um Bewegungsartefakte zu kompensieren. Bei 117 Probanden wurde eine Übereinstimmung von rund 92 % mit Kontakt-PPG erreicht, und die korrekte Pulserkennung stieg unter Belastung von 79 % auf 98 %.

Gezeigt wurde, dass ein einzelnes Webcam-Video gleichzeitig Herzfrequenz, Atemfrequenz und Herzfrequenzvariabilität erfassen kann, alle validiert gegen FDA-zugelassene Sensoren.

Der Webcam-Durchbruch. Die Herzfrequenzmessung aus gewöhnlichem Video stimmte mit einem FDA-zugelassenen Fingersensor bei einer Korrelation von über 0,98 unter kontrollierten Bedingungen überein, selbst wenn sich mehrere Personen im Bild befanden.

Die Originalarbeit. Sie bewies, dass eine einfache Verbraucherkamera unter normalem Raumlicht den Blutvolumenpuls aus der Haut auf mehr als einem Meter Entfernung rekonstruieren kann, wobei der grüne Kanal das stärkste Signal liefert.

Bei 47 Herz-Kreislauf-Patienten über 782 Messungen stimmte die kamerabasierte Pulsrate mit dem EKG überein: mittlerer Fehler 1,06 bpm, Korrelation 0,962. Die Software ist FDA-zugelassen (K240890).

Bei 200 Teilnehmenden (Durchschnittsalter 62 Jahre) lieferten 15-sekündige Gesichtsvideos die Herzfrequenz mit einer Abweichung von 3,25 bpm (98,5 % innerhalb von 10 bpm) und die Atemfrequenz innerhalb von 0,69 Atemzügen pro Minute.

Mit handelsüblichen Webcams bei 77 Personen betrug der Herzfrequenzfehler 1,67 bpm, und die HRV (SDNN und RMSSD) wurde mit einer Abweichung von etwa 11 ms ermittelt, was zeigt, dass HRV über eine alltägliche Webcam erreichbar ist.

Bei einer demografisch vielfältigen Gruppe blieb die kamerabasierte Atemfrequenz innerhalb von etwa 0,6 bis 0,95 Atemzügen pro Minute und erwies sich als stabil über verschiedene Hauttöne hinweg.

Eine reale Studie auf einer neonatologischen Intensivstation über 744 Minuten Videoaufnahme schätzte Herzfrequenz, Sauerstoffsättigung und Atemfrequenz kontinuierlich im Vergleich zu Bettmonitoren, eine ehrliche Betrachtung der Genauigkeit unter anspruchsvollen klinischen Bedingungen.

Eine Pilotstudie mit 35 Personen (Preprint) zeigte, dass Smartphone-Video-HRV die Gesamt-Variabilität des EKGs gut abbildet (SDNN-Fehler 3,5 ms, r = 0,84), während Schlag-zu-Schlag-Maße weniger präzise waren. Daher stufen wir Video-HRV als aufkommende Technologie ein.

Bei 562 Teilnehmenden erreichte die kamerabasierte Sauerstoffsättigung einen mittleren Fehler von 2,10 % und die Herzfrequenz 2,96 bpm. Der Blutdruck war deutlich schwächer, ein ehrlicher Gegenpunkt, den wir in unsere eigene Kennzeichnung einfließen lassen.

Ein Live-Einsatz kamerabasierter Vitalwerte innerhalb der VA-Telehealth-Plattform mit 20 Anbietern und 13 Patienten erzielte in echten Terminen hohe Bewertungen für Benutzerfreundlichkeit (86/100) und Akzeptanz (90/100).

Ein Deep-Learning-Modell erreichte einen mittleren Fehler von 1,27 % und übertraf damit den Plus-minus-4-%-Genauigkeitsstandard für zugelassene Pulsoximeter unter Studienbedingungen. Vielversprechend, aber noch nicht ausgereift.

Deep-Learning-Modelle erkannten Stress aus kamerabasierten Pulssignalen mit einer Klassifizierungsgenauigkeit von bis zu 95,8 % auf einem öffentlichen Benchmark, was auf ein kamerabasiertes Stress-Screening hindeutet.

Ein unabhängiger Labortest eines Kameramonitors: Die Pulsrate war ausgezeichnet (1,1 bpm Fehler), der Blutdruck erfüllte jedoch nicht den strengen klinischen Manschetten-Standard. Daher stufen wir den kamerabasierten Blutdruck als Screening-Qualität ein.

Der kamerabasierte Blutdruck blieb in Innenräumen über 520 Aufnahmen bei einem Fehler von etwa 4 mmHg, verschlechterte sich jedoch im Freien und bei Bewegung. Vielversprechende Forschung, aber noch kein klinisch zugelassener Manschettenersatz.

Bei erwachsenen Intensivpatienten stimmte die kamerabasierte Herzfrequenz mit kabelgebundenen Monitoren überein, mit einem mittleren Fehler von 2,5 bpm (r etwa 0,98), und die Atemfrequenz mit einem mittleren Fehler von 2,4 Atemzügen pro Minute.

Bei 453 Patienten erkannte das Gesichtsvideo Vorhofflimmern mit einer Genauigkeit von 90 % bei 30-Sekunden-Aufnahmen und 97 % bei längeren Aufzeichnungen.

Bei 963 stationären Patienten zeigte die kamerabasierte Atemfrequenz eine Übereinstimmung von 96,0 % mit der klinischen Standardmethode, eine der umfangreichsten Validierungen dieser Art.

Aus 60-sekündigen Gesichtsvideos korrelierte die kamerabasierte HRV mit dem Referenz-PPG (SDNN r = 0,84), was die Machbarkeit von Video-HRV bestätigt.

Über 426 Stunden Videomaterial von 30 Frühgeborenen erreichte die kamerabasierte Herzfrequenz einen mittleren Fehler von 2,3 bpm und die Atemfrequenz von 3,5 Atemzügen pro Minute für den Großteil der Zeit.

Eine Auswertung von 70 Studien ergab, dass Stirn- und Wangenbereiche die beste Genauigkeit liefern, mit einem bestmöglichen Herzfrequenzfehler von etwa 1,0 bpm.

Ein Audit über 100 rPPG-Studien ergab, dass ältere Chrominanz-Methoden bei dunklerer Haut an Genauigkeit verlieren, während moderne Deep-Learning-Modelle den Unterschied deutlich verringern, ihn aber nicht vollständig beseitigen. Wir zitieren dies, weil uns Ehrlichkeit in Fairness-Fragen wichtig ist.

Ein strenger Vergleich von 8 Algorithmen zeigte, dass die beste Methode in Ruhe einen Wert von etwa 1,1 bpm hält, während die Genauigkeit bei sehr hohen Herzfrequenzen schwieriger zu erreichen ist - genau die Art ehrlicher Grenzen, auf die wir unsere Kennzeichnung aufbauen.

Ein systematisches Review und eine Metaanalyse von 12 Studien ergaben einen Gesamtbias von nur 0,13 bpm zwischen kontaktbasierter und kontaktloser Herzfrequenz, wobei die Atemfrequenz in 92 % der Fälle innerhalb von 2 Atemzügen lag.

Ein Review aus der Nature-Familie, das die klinischen Belege, Algorithmen und Datensätze hinter kamerabasierten Vitalwerten zusammenfasst, das maßgebliche Referenzwerk zum aktuellen Stand der Wissenschaft auf diesem Gebiet.

Eine Open-Source-Plattform, die die führenden neuronalen und unüberwachten rPPG-Methoden auf Standarddatensätzen mit einheitlicher Auswertung vergleicht - heute der Reproduzierbarkeitsstandard des Fachgebiets.