Comprovado no laboratório. Não apenas prometido em um anúncio.

Aprende a ler o pulso sem rótulos de verdade absoluta, usando uma perda contrastiva. Em cinco conjuntos de dados públicos, superou os métodos anteriores sem rótulos e se aproximou dos melhores modelos supervisionados.

Um modelo de espaço de estados moderno que processa vídeos de qualquer duração com custo computacional mínimo. Erro de frequência cardíaca de 0,23 bpm no PURE e 0,50 bpm no UBFC-rPPG, com forte transferência entre conjuntos de dados, utilizando cerca de um milhão de parâmetros.

Combina fisiologia conhecida com priors aprendidos para que um modelo treinado em um conjunto de dados funcione bem em dados não vistos, aumentando a robustez entre câmeras, condições de iluminação e até na transição de vídeo colorido para infravermelho.

Trouxe a arquitetura transformer para o escaneamento facial, alcançando erro de frequência cardíaca próximo a 1,1 bpm no difícil benchmark VIPL-HR e cerca de 0,4 bpm no PURE, treinando do zero em conjuntos de dados pequenos.

O primeiro modelo de deep learning de ponta a ponta a recuperar pulso e respiração a partir de vídeo, superando os métodos clássicos e inaugurando a geração moderna de IA em rPPG.

Derivou o método Plane Orthogonal to Skin (POS) a partir de um modelo físico de reflexão de luz na pele. Atualmente é uma referência padrão de alta precisão e robustez a movimentos em toda a área.

Introduziu o método CHROM para cancelar artefatos de movimento. Em 117 participantes, atingiu cerca de 92% de concordância com o PPG de contato, e sob exercício a detecção correta do pulso subiu de 79% para 98%.

Demonstrou que um único vídeo de webcam pode recuperar frequência cardíaca, frequência respiratória E variabilidade da frequência cardíaca ao mesmo tempo, todos validados contra sensores aprovados pela FDA.

O avanço da webcam. A frequência cardíaca obtida por vídeo comum concordou com um sensor de dedo aprovado pela FDA com correlação acima de 0,98 em condições controladas, mesmo com várias pessoas no quadro.

O artigo original. Comprovou que uma câmera comum de consumo sob iluminação ambiente comum consegue recuperar o pulso de volume sanguíneo da pele a mais de um metro de distância, com o canal verde carregando o sinal mais forte.

Em 47 pacientes cardiovasculares ao longo de 782 medições, a frequência de pulso pela câmera correspondeu ao ECG com erro médio de 1,06 bpm e correlação de 0,962. O software possui autorização da FDA (K240890).

Em 200 participantes (idade média de 62 anos), vídeos de 15 segundos do rosto forneceram a frequência cardíaca com margem de 3,25 bpm (98,5% dentro de 10 bpm) e a frequência respiratória com margem de 0,69 respirações por minuto.

Usando webcams de consumo com 77 pessoas, o erro de frequência cardíaca foi de 1,67 bpm e a VFC (SDNN e RMSSD) foi recuperada com margem de aproximadamente 11 ms, mostrando que a VFC a partir de uma webcam comum está ao alcance.

Em um grupo demograficamente diverso, a frequência respiratória por câmera ficou dentro de aproximadamente 0,6 a 0,95 respirações por minuto, mantendo consistência entre diferentes tons de pele.

Um estudo real em UTI neonatal, com 744 minutos de vídeo, estimou frequência cardíaca, saturação de oxigênio e frequência respiratória de forma contínua em comparação com monitores à beira do leito, oferecendo uma análise honesta da precisão em um ambiente clínico exigente.

Um estudo piloto com 35 pessoas (pré-print) constatou que a VFC por vídeo de smartphone acompanhou bem o ECG para variabilidade geral (erro de SDNN de 3,5 ms, r = 0,84), enquanto as medidas batimento a batimento foram menos precisas. Por isso, tratamos a VFC por vídeo como tecnologia em desenvolvimento.

Em 562 participantes, a saturação de oxigênio pela câmera atingiu erro médio de 2,10% e a frequência cardíaca, 2,96 bpm. A pressão arterial apresentou resultados muito mais fracos, um contraponto honesto que mantemos em nossa própria classificação.

Uma implantação real de sinais vitais por câmera dentro da plataforma de telessaúde do VA, com 20 profissionais e 13 pacientes, obteve pontuações elevadas de usabilidade (86/100) e aceitabilidade (90/100) em consultas reais.

Um modelo de aprendizado profundo atingiu 1,27% de erro médio, superando o padrão de precisão de mais ou menos 4% exigido para oxímetros de pulso aprovados em condições de estudo. Promissor, ainda em maturação.

Modelos de aprendizado profundo detectaram estresse a partir de sinais de pulso por câmera com até 95,8% de precisão de classificação em um benchmark público, apontando para a triagem de estresse por câmera.

Um teste laboratorial independente de um monitor por câmera: a frequência de pulso foi excelente (erro de 1,1 bpm), mas a pressão arterial não atingiu o rigoroso padrão clínico do esfigmomanômetro, por isso apresentamos a pressão arterial por câmera apenas como dado de triagem.

A pressão arterial por câmera manteve erro de aproximadamente 4 mmHg em ambientes internos em 520 gravações, com piora em ambientes externos e em movimento. Pesquisa promissora, mas ainda não substitui clinicamente o esfigmomanômetro.

Em pacientes adultos de UTI, a frequência cardíaca estimada por câmera correspondeu aos monitores com fio, com erro médio de 2,5 bpm (r aproximadamente 0,98), e a frequência respiratória com erro médio de 2,4 respirações por minuto.

Em 453 pacientes, o vídeo facial rastreou fibrilação atrial com 90% de acurácia em clipes de 30 segundos e 97% em gravações mais longas.

Em 963 pacientes hospitalizados, a frequência respiratória estimada por câmera apresentou 96,0% de concordância com o método clínico padrão, uma das maiores validações desse tipo.

A partir de vídeos faciais de 60 segundos, a VFC estimada por câmera correlacionou-se com o PPG de referência (SDNN r = 0,84), confirmando a viabilidade da VFC por vídeo.

Em 426 horas de vídeo de 30 recém-nascidos prematuros, a frequência cardíaca estimada por câmera atingiu um erro médio de 2,3 bpm e a frequência respiratória de 3,5 respirações por minuto na maior parte do tempo.

Analisando 70 estudos, este artigo concluiu que as regiões da testa e das bochechas oferecem a melhor precisão, com margem de erro da frequência cardíaca de aproximadamente 1,0 bpm no melhor caso.

Uma auditoria de 100 estudos de rPPG constatou que os métodos de crominância mais antigos perdem precisão em tons de pele mais escuros, enquanto os modelos modernos de aprendizado profundo reduzem significativamente essa diferença, embora não a eliminem por completo. Citamos este estudo porque a transparência sobre equidade é fundamental.

Um benchmark rigoroso de 8 algoritmos mostrou que o melhor método mantém cerca de 1,1 bpm em repouso, enquanto a precisão é mais difícil de alcançar em frequências cardíacas muito elevadas, exatamente o tipo de limite honesto em torno do qual construímos nossa rotulagem.

Uma revisão sistemática e metanálise de 12 estudos encontrou um viés geral de apenas 0,13 bpm entre frequência cardíaca por contato e sem contato, com a frequência respiratória dentro de 2 respirações em 92% das vezes.

Uma revisão da família Nature sintetizando as evidências clínicas, algoritmos e conjuntos de dados por trás dos sinais vitais por câmera — a referência mais autorizada sobre o estado da ciência na área.

Uma plataforma de código aberto que avalia os principais métodos rPPG neurais e não supervisionados em conjuntos de dados padrão com avaliação unificada, tornando-se o padrão de reprodutibilidade da área.