论文阅读和分析：PPGnet: Deep Network for Device Independent Heart Rate Estimation from Photoplethysmogram

原创 已于 2023-06-09 19:48:55 修改 · 299 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#论文阅读 #深度学习 #人工智能

于 2023-06-09 19:48:32 首次发布
该文提出了一种名为PPGnet的神经网络架构，利用8秒的PPG信号，通过不同大小的卷积核提取特征，结合卷积块和LSTM层，有效地估计心率。网络设计包括1s长度信号的拼接、多尺寸卷积、卷积块、LSTM处理及全连接层，旨在实现设备独立的心率估计。

主要内容：

提出一种神经网络架构，用于PPG信号估计心率；


网络架构：

在这里插入图片描述


网络设计：

1、使用8s的PPG信号，截断城8份，每份1s，拼接后作为输入，PPG采样频率是125Hz；

2、使用1×5,1×20,1×40,1×60,1×801\times 5,1\times20,1\times40,1\times60,1\times801×5,1×20,1×40,1×60,1×80的卷积核分别卷积再拼接，提供不同感受野的特征；

3、紧接着8个卷积块，卷积块里面包含两个子块，每个子块有卷积、批归一化和RELU；

4、使用8×1258\times1258×125的LSTM在1的基础上进行运算；

5、将3和4的结果进行拼接；

6、将5的拼接后的矩阵，传入384×125384\times125384×125的LSTM模块；

7、最后接全连接层；

在这里插入图片描述


结果：

在这里插入图片描述

参考：
PPGnet: Deep Network for Device Independent Heart Rate Estimation from Photoplethysmogram

cvpr2015papers
ZhangPY的专栏
03-02 9884
@http://www-cs-faculty.stanford.edu/people/karpathy/cvpr2015papers/ CVPR 2015 papers (in nicer format than this) maintained by @karpathy NEW: This year I also embedded the (1,2-gram) tfidf
从PPG重建ECG心电图的初步研究
weixin_43633568的博客
11-07 4218
从PPG重建ECG心电图的初步研究 ECG Reconstruction via PPG: A Pilot Study Apr.2019 摘要： 本文研究了心电图（ECG）与光体积描记图（PPG）信号之间的关系，通过PPG信号推断出ECG的波形。(即PPG->ECG),为了解决这个逆问题，提出了一种变换，PPG周期要对应于相应的ECG周期，映射每个的离散余弦变换（DCT）系数。得到DCT系数...
PPGNet：学习点对图进行线段检测的开源利器
gitblog_00063的博客
04-04 477
PPGNet：学习点对图进行线段检测的开源利器 项目介绍 PPGNet（Point-Pair Graph Network）是一款基于PyTorch实现的线段检测算法，该算法在2019年CVPR会议上首次亮相，并因其卓越的性能和创新的方法引起了广泛关注。PPGNet通过学习图像中的点对图（Point-Pair Graph）来高效地检测线段，为计算机视觉领域提供了一种全新的解决方案。 PPGNet的核...
【亲测免费】 探索智能视觉新境界：PPGNet - 点对图学习线段检测
gitblog_00003的博客
06-04 363
探索智能视觉新境界：PPGNet - 点对图学习线段检测 在人工智能领域，计算机视觉的进步日新月异，其中，线段检测作为基础任务之一，对于自动驾驶、无人机导航和图像理解等应用至关重要。今天，我们要向您推荐一款前沿的开源项目——PPGNet，它利用点对图（Point-Pair Graph）学习方法，为线段检测带来了全新的解决方案。 项目介绍 PPGNet是2019年CVPR会议上发表的研究成果的Pyt...
直线检测论文（霍夫变换，LSD，DWP，L-CNN，AFM，HAWP，PPGNet，TP-LSD，M-LSD，LETR）
violetsakura的博客
06-30 3800
直线检测论文（霍夫变换，LSD，DWP，L-CNN，AFM，HAWP，PPGNet，TP-LSD，M-LSD，LETR）
PPGNet:我们的CVPR 2019论文的源代码-PPGNet-Source code learning
03-25
PPGNet：用于线段检测的学习点对图 我们的CVPR 2019论文的PyTorch实施： 张子恒*，李正新**，毕宁，贾正，王金磊，黄坤，罗维新，徐艳玉，高升华 （*平等贡献） 海报可以在找到。 准线图表示的证明G = {V，E}。 （a）10微米（V）的样本图像补丁； （b）描述所有结节（G）的连通性的图； （c）所有结点的邻接矩阵（E，黑色表示结点对已连接）。 要求 Python> = 3.6 火> = 0.1.3 numba> = 0.40.0 numpy的> = 1.14.5 pytorch = 0.4.1 scikit学习= 0.19.2 scipy = 1.1.0 张量板> = 1.11.0 tensorboardX> = 1.4 火炬视觉> = 0.2.1 OpenCV> = 3.4.3 用法 克隆此存储库（并确保您使用正确获取所有.pth文件）：
ELSD: 高效的直线分割检测器和描述器
AI公园
09-11 1084
导读我们提出了新颖的高效线段检测与描述器，用于同时在图像中检测线段并提取其描述符。我们设计了一种单阶段紧凑型模型，并提出使用中点、角度和长度作为线段的最小化表示形式，这也保证了中心对称性。摘要我们提出了新颖的高效线段检测与描述器（Efficient Line Segment Detector and Descriptor，简称ELSD），用于同时在图像中检测线段并提取其描述符。不同于传统流水线分别...
论文阅读和分析：Deep PPG: Large-Scale Heart Rate Estimation with Convolutional Neural Networks
KPer_Yang的博客
05-20 989
论文阅读和分析：Deep PPG: Large-Scale Heart Rate Estimation with Convolutional Neural Networks
ICCV2017论文摘要汇总
super_chicken的博客
04-18 7458
1. Globally-Optimal Inlier Set Maximisation for Simultaneous Camera Pose and Feature Correspondence Abstract: Estimating the 6-DoF pose of a camera from a single image relative to a pre-computed 3D p...
【RFID_paper】Action Sensing
liudongdong_jlu
08-05 2947
0. 高频低频 影响因素 读写器发射功率越大，读写距离相应的也会增大。 天线增益越大，波束宽度越小，则读写距离越远，范围越窄，读取的范围控制越好。 标签芯片与读写器的灵敏度均能影响到读写距离，灵敏度越高，可读写距离就会越远。 多标签环境下，单位时间内RFID读取的标签数量也会影响到读写器的多标签读写性能。 碰撞处理 多标签碰撞：多个标签与一个读写器通讯时产生的碰撞，出现此种情况时可以通过调整读写器自身的防碰撞算法来解决。 多读写器碰撞：多个读写器同时与一个标签通讯时产生的碰撞，通过将读写器设置成不同
历年计算机科学领域中各大顶会的获奖文章 ICCV、AAAI、CVPR...
ghw15221836342的博客
01-12 5357
Original address: https://jeffhuang.com/best_paper_awards.html By Conference:   AAAI   ACL   CHI   CIKM   CVPR   FOCS   FSE   ICCV   ICML   ICSE   IJCAI   INFOCOM   KDD   MOBICOM   NSDI   OSDI   PLDI...
M-LSD 面向轻量化实时线段检测
alex1801
05-08 3472
摘要 之前的基于深度学习的线段检测(LSD) 模型大且计算耗时。这限制了他们的实时性和使用环境。在这个 论文中，我们提出了在资源受限的环境下的一种实时的、轻量级的线段检测器Mobile LSD (M-LSD)。 我们设计了一种非常高效的结构，通过最小化骨干网络和去除典型的多模块流程进行直线预测。为了在一个轻量级的网络中保持竞争性能，我们提出了新的训练方案：线段分割增强（SoL）、匹配和几何关系损失函数。SoL增强将一条线细分成多个子部件，用于在训练过程中提供辅助线端数据。此外，匹...
GAN 论文大汇总
CoderPai的博客
04-24 1万+
关于生成对抗网络（GAN）的新论文每周都会出现很多，跟踪发现他们非常难，更不用说去辨别那些研究人员对 GAN 各种奇奇怪怪，令人难以置信的创造性的命名！当然，你可以通过阅读 OpanAI 的博客或者 KDNuggets 中的概述性阅读教程，了解更多的有关 GAN 的信息。在这里汇总了一个现在和经常使用的GAN论文，所有文章都链接到了 Arxiv 上面。 GAN — Generative Advers
光学心率测量原理
热门推荐
人有三样东西是无法隐瞒的，咳嗽，穷困和爱，你想隐瞒越欲盖弥彰
11-04 4万+
光学心率测量原理 在这个什么都要和“智能”串联的年代，除了我们司空见款的手机外也就是一些智能手表和手环之类的穿戴设备了。这些智能穿戴设备集成了很多的传感器，由于脉搏或者心率是生命体征的重要参数之一，所以心率率测量可算是高端入门产品必备的一个技能，正好最近有机会好好研究心率测量的技术，所以趁热打铁总结一下光学测量心率的相关知识。 在网上搜集了很多资料，目前心率测量有以下几种传感器技术（
【论文阅读】VGGT: Visual Geometry Grounded Transformer
eepii的博客
01-01 754
每张图像被切割成固定大小的补丁（Patches），并加上位置编码（Positional Encoding）和视角编码（View Encoding），以便让模型知道某个 Token 属于哪张图的哪个位置。骨干网络 (Transformer Backbone)：采用类似于 ViT（Vision Transformer）的架构。这意味着模型在这一阶段就已经在隐式地进行“特征匹配”和“三角测量”了。输入编码 (Tokenization)：模型接收。注：所有位姿预测均以第一张图为参考系。旋转误差：计算预测四元数。
论文笔记（一百一十七）WorldVLA Towards Autoregressive Action World Model Model
xzs1210652636的博客
12-31 1055
WorldVLA：一种自回归动作世界模型 本文提出WorldVLA模型，通过整合视觉-语言-动作(VLA)模型与世界模型，实现了动作与图像理解的统一框架。该模型采用三个独立分词器处理多模态输入，共享统一词表以支持跨模态生成。世界模型通过学习环境物理规律预测未来图像，提升动作生成能力；动作模型则基于图像观测生成动作序列，促进视觉理解。研究发现自回归动作生成存在误差累积问题，为此提出注意力掩码策略，在生成当前动作时有选择地遮蔽先前动作，有效缓解性能下降。实验表明，WorldVLA在LIBERO基准测试中抓取成功
论文笔记（一百一十六）ViTa-Zero: Zero-shot Visuotactile Object 6D Pose Estimation
xzs1210652636的博客
12-29 879
本文提出ViTa-Zero，一种零样本的视触觉物体6D位姿估计框架，通过融合视觉与触觉信息提升机器人操控任务中的位姿估计精度。该框架以视觉模型为骨干，利用触觉与本体感知数据构建物理约束进行测试时优化，克服纯视觉方法在遮挡和动态场景下的局限性。实验表明，ViTa-Zero显著优于基础视觉模型，在ADD-S AUC指标上平均提升55%，位置误差降低80%，适用于多种操作场景如抓取和物体交接。该方法的创新性在于无需触觉数据训练，具有更强的泛化能力和实用性。
[论文阅读] (47)LAMD: 基于大模型上下文驱动的Android恶意软件检测与分类
杨秀璋的专栏
12-30 970
前一篇博客介绍了智能体与入侵检测结合的工作IDS-Agent，其是大语言模型（LLM）驱动的人工智能入侵检测Agent系统，特点是能够解释检测结果、进行自定义设置并适应零日攻击。本文将介绍LAMD，一种LLM上下文驱动的Android恶意软件检测框架，LAMD结合关键上下文提取来隔离安全关键代码区域并构建程序结构，然后应用分层代码推理从低级指令到高级语义逐步分析应用程序行为。注意，由于我们团队还在不断成长和学习中，写得不好的地方还请海涵，希望这篇文章对您有所帮助，这些大佬真值得我们学习。fighting！
242-267 GHz双基地超外差雷达系统：面向精密太赫兹传感与成像的65nm CMOS实现——论文阅读
最新发布
DuHz的博客
01-01 702
本文报道了一种242-267 GHz双基地超外差雷达系统，采用65nm CMOS工艺实现。该系统通过创新架构解决了传统FMCW雷达在太赫兹频段的动态范围、灵敏度和非线性问题。关键创新包括：采用独立TX/RX芯片的双基地配置提高隔离度；利用锁相放大器实现高精度相位测量；通过用户定义中频频率优化信噪比。系统实现了25 GHz带宽，距离精度达40 μm，速度精度80 μm/s，峰值EIRP为-2 dBm。理论分析表明距离精度与工作频率、积分时间和信噪比直接相关。该架构为精密太赫兹传感与成像提供了新的解决方案。
论文《SDOA-Net: An Efficient Deep Learning-Based DOA Estimation Network for Imperfect Array》
03-28
<think>好的，用户想查找关于SDOA-Net的详细信息或论文，特别是与深度学习、DOA估计、非理想阵列相关的论文。我需要先确认正确的名称是否存在，因为用户提到的SDOA-Net可能有拼写错误。首先，回想一下相关领域的研究。DOA（Direction of Arrival）估计是信号处理中的一个重要方向，结合深度学习的方法近年有不少研究。 我记得之前有SubspaceNet，这是一个用于DOA估计的深度学习方法，可能与用户提到的SDOA-Net有关联，或者用户可能记错了名称。比如在引用[1]中提到了SubspaceNet，由华为诺亚方舟实验室和中山大学合作开发，可能与SODA10M数据集有关联，但SODA10M是计算机视觉的数据集，可能属于不同领域。 接下来，考虑可能的拼写错误，SDOA-Net可能应为SubspaceNet，或者另一个类似的网络名称。另外，用户提到“imperfect array”，即非理想阵列，这可能是阵列信号处理中的实际问题，比如阵列校准不完美或存在误差的情况。需要查找相关论文是否处理这类问题。 检查引用文献，引用[1]确实提到了SubspaceNet，结合深度学习和子空间方法用于DOA估计，可能涉及到非理想阵列的处理。另外，华为诺亚方舟实验室和中山大学合作的SODA10M数据集虽然主要针对2D场景，但可能在相关研究中有其他工作涉及DOA估计。 建议用户确认名称的正确性，并推荐查阅SubspaceNet的相关论文。同时，提供IEEE Xplore和arXiv等平台作为搜索资源，并建议联系相关实验室获取更多信息。另外，可能需要考虑其他类似网络结构，如ADCN或使用神经网络的DOA估计方法，这些可能与非理想阵列有关联。</think>关于您提到的"SDOA-Net"，目前公开的学术论文和文献库（如IEEE Xplore、arXiv等）中尚未发现完全匹配的名称。不过根据您描述的关键词（深度学习、DOA估计、非理想阵列），以下是最相关的信息和建议： --- ### 1. **可能的相关研究** 在**非理想阵列的DOA估计**领域，近期研究集中在以下方向： - **阵列误差补偿**：通过深度学习网络建模阵列的幅度/相位误差或位置偏差，例如ADCN（Array-aware Deep Calibration Network）[^1] - **子空间方法增强**：如SubspaceNet，将传统子空间算法与神经网络结合，提升对阵列误差的鲁棒性（引用自您提供的文献） - **数据驱动方法**：利用合成数据模拟阵列误差，训练网络直接学习误差条件下的DOA映射关系 --- ### 2. **推荐检索策略** #### (1) 近似名称论文搜索 尝试以下可能相关的名称组合： ```python # 常见DOA网络命名模式 keywords = ["imperfect array", "DOA", "deep learning", "calibration"] models = ["SubspaceNet", "ADCN", "RobustDOANet", "ArrayCalibNet"] ``` #### (2) 重点文献库 - **IEEE Xplore**：搜索 `(deep learning) AND (DOA) AND ("imperfect array" OR calibration)` - **arXiv**：使用过滤器 `cs.SD`（音频处理）或 `eess.SP`（信号处理） - **中山大学论文库**：合作单位可能发布相关预印版（引用[^3]） --- ### 3. 最新进展线索 根据您提供的引用文献： - **SubspaceNet**（引用）通过混合架构处理传统方法的局限性，可能包含阵列误差处理模块 - **华为诺亚实验室**（引用[^3]）在感知计算领域持续产出，可直接联系其官网获取技术报告 ---
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

KPer_Yang

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值