Comprobado en el laboratorio. No solo prometido en un anuncio.

Aprende a leer el pulso sin etiquetas de verdad fundamental mediante una pérdida contrastiva. En cinco conjuntos de datos públicos superó a los métodos previos sin etiquetas y se aproximó a los mejores modelos supervisados.

Un modelo moderno de espacio de estados que procesa video de cualquier duración con un cómputo mínimo. Error de frecuencia cardíaca de 0.23 lpm en PURE y 0.50 lpm en UBFC-rPPG, con una sólida transferencia entre conjuntos de datos, utilizando aproximadamente un millón de parámetros.

Combina fisiología conocida con priors aprendidos para que un modelo entrenado en un conjunto de datos funcione en conjuntos no vistos, mejorando la robustez ante distintas cámaras, condiciones de iluminación e incluso al pasar de video en color a video infrarrojo.

Incorporó la arquitectura transformer al escaneo facial, alcanzando un error de frecuencia cardíaca cercano a 1.1 bpm en el exigente benchmark VIPL-HR y aproximadamente 0.4 bpm en PURE, entrenando desde cero en conjuntos de datos pequeños.

El primer modelo de aprendizaje profundo de extremo a extremo para recuperar pulso y respiración a partir de video, superando los métodos clásicos e inaugurando la generación moderna de rPPG basada en IA.

Derivó el método Plane Orthogonal to Skin (POS) a partir de un modelo físico de reflexión de luz en la piel. Hoy es la línea de base estándar de alta precisión y robustez al movimiento en el campo.

Introdujo el método CHROM para cancelar artefactos de movimiento. En 117 sujetos alcanzó aproximadamente un 92% de concordancia con el PPG de contacto, y bajo ejercicio la detección correcta del pulso aumentó del 79% al 98%.

Demostró que un solo video de cámara web puede recuperar simultáneamente la frecuencia cardíaca, la frecuencia respiratoria Y la variabilidad de la frecuencia cardíaca, todo validado contra sensores aprobados por la FDA.

El avance de la cámara web. La frecuencia cardíaca obtenida de video ordinario concordó con un sensor de dedo aprobado por la FDA con una correlación superior a 0.98 en condiciones controladas, incluso con varias personas en el encuadre.

El artículo original. Demostró que una cámara de consumo común bajo luz ambiente ordinaria puede recuperar el pulso de volumen sanguíneo desde la piel a más de un metro de distancia, siendo el canal verde el que lleva la señal más fuerte.

En 47 pacientes cardiovasculares con 782 mediciones, la frecuencia de pulso por cámara coincidió con el ECG con un error medio de 1.06 lpm y una correlación de 0.962. El software cuenta con autorización FDA (K240890).

En 200 participantes (edad media 62 años), videos faciales de 15 segundos arrojaron una frecuencia cardíaca dentro de 3.25 lpm (98.5% dentro de 10 lpm) y una frecuencia respiratoria dentro de 0.69 respiraciones por minuto.

Usando webcams de consumo en 77 personas, el error de frecuencia cardíaca fue de 1.67 lpm y la VFC (SDNN y RMSSD) se recuperó con un margen de aproximadamente 11 ms, lo que demuestra que la VFC desde una webcam cotidiana está al alcance.

En un grupo demográficamente diverso, la frecuencia respiratoria por cámara se mantuvo dentro de aproximadamente 0.6 a 0.95 respiraciones por minuto, con resultados consistentes en diferentes tonos de piel.

Un estudio real en una UCI neonatal durante 744 minutos de video estimó de forma continua la frecuencia cardíaca, la saturación de oxígeno y la frecuencia respiratoria frente a monitores de cabecera, una evaluación honesta de la precisión en un entorno clínico exigente.

Un piloto de 35 personas (preimpresión) encontró que la VFC por video de smartphone rastreó bien el ECG en la variabilidad general (error SDNN de 3.5 ms, r = 0.84), mientras que las medidas latido a latido fueron menos precisas, por lo que tratamos la VFC por video como tecnología emergente.

En 562 participantes, la saturación de oxígeno por cámara alcanzó un error medio de 2.10% y la frecuencia cardíaca de 2.96 lpm. La presión arterial fue significativamente más débil, un contrapunto honesto que reflejamos en nuestro propio etiquetado.

Una implementación en vivo de signos vitales por cámara dentro de la plataforma de telesalud de la VA, con 20 proveedores y 13 pacientes, obtuvo puntuaciones altas en usabilidad (86/100) y aceptabilidad (90/100) en consultas reales.

Un modelo de aprendizaje profundo alcanzó un error medio de 1.27%, superando el estándar de precisión de más o menos 4% para oxímetros de pulso aprobados en condiciones de estudio. Prometedor, aún en maduración.

Los modelos de aprendizaje profundo detectaron estrés a partir de señales de pulso por cámara con hasta 95.8% de precisión de clasificación en un benchmark público, lo que apunta hacia la detección de estrés basada en cámara.

Una prueba de laboratorio independiente de un monitor por cámara: la frecuencia de pulso fue excelente (error de 1.1 bpm), pero la presión arterial no cumplió el estricto estándar clínico del manguito, por lo que presentamos la presión arterial por cámara únicamente como nivel de detección.

La presión arterial por cámara se mantuvo con un error de aproximadamente 4 mmHg en interiores en 520 registros, con mayor degradación en exteriores y en movimiento. Investigación prometedora, pero aún no es un reemplazo de grado clínico para el manguito.

En pacientes adultos de UCI, la frecuencia cardíaca medida por cámara coincidió con los monitores con cables con un error medio de 2.5 lpm (r aproximadamente 0.98) y la frecuencia respiratoria con un error medio de 2.4 respiraciones por minuto.

En 453 pacientes, el video facial detectó fibrilación auricular con una precisión del 90% en clips de 30 segundos y del 97% en grabaciones más largas.

En 963 pacientes hospitalizados, la frecuencia respiratoria medida por cámara mostró un 96.0% de concordancia con el método clínico estándar, una de las validaciones más amplias de este tipo.

A partir de videos faciales de 60 segundos, la VFC medida por cámara mostró correlación con el PPG de referencia (SDNN r = 0.84), confirmando que la VFC por video es factible.

En 426 horas de video de 30 recién nacidos prematuros, la frecuencia cardíaca medida por cámara alcanzó un error medio de 2.3 lpm y la frecuencia respiratoria de 3.5 respiraciones por minuto en la mayoría del tiempo.

Al revisar 70 estudios, este artículo encontró que las regiones de la frente y las mejillas ofrecen la mayor precisión, con un error de frecuencia cardíaca en el mejor caso de alrededor de 1.0 bpm.

Una auditoría de 100 estudios de rPPG encontró que los métodos de crominancia más antiguos pierden precisión en tonos de piel más oscuros, mientras que los modelos modernos de aprendizaje profundo reducen significativamente la brecha, aunque no la eliminan por completo. Citamos esto porque la honestidad en materia de equidad es fundamental.

Un benchmark riguroso de 8 algoritmos encontró que el mejor método mantiene cerca de 1.1 bpm en reposo, mientras que la precisión es más difícil de alcanzar a frecuencias cardíacas muy elevadas, exactamente el tipo de límite honesto sobre el que construimos nuestro etiquetado.

Una revisión sistemática y metaanálisis de 12 estudios encontró un sesgo general de solo 0.13 bpm entre la frecuencia cardíaca por contacto y sin contacto, con la frecuencia respiratoria dentro de 2 respiraciones el 92% del tiempo.

Una revisión de la familia Nature que sintetiza la evidencia clínica, los algoritmos y los conjuntos de datos detrás de los signos vitales por cámara; la referencia autorizada sobre el estado de la ciencia en el campo.

Una plataforma de código abierto que evalúa los principales métodos rPPG neuronales y no supervisados en conjuntos de datos estándar con una evaluación unificada, actualmente el estándar de reproducibilidad en el campo.