Пассивный мониторинг частоты сердечных сокращений при использовании смартфона в повседневной жизни

Passive heart-rate monitoring during smartphone use in everyday life
Yun Liu, Jonathan Wang, Yuzhe Yang, Daniel McDuff, Shwetak Patel, Anupam Pathak, Paolo Di Achille, Jameson K. Rogers, Shun Liao, Jiang Wu, Silviu Borac, Xin Liu, Eric S. Teasley, Lawrence Cai, Hao-Wei Su, Brent Winslow, James A. Taylor, Ming‐Zher Poh
2026-06-01

система глубокого обучениявидеофотоплетизмография лицапассивный мониторинг частоты сердцебиенияпульс в покоенабор данных видеороликов со смартфона
Частота сердечных сокращений в покое (resting heart rate, RHR) является важным биомаркером сердечно-сосудистого здоровья и смертности1–3, однако пассивное длительное отслеживание обычно требует ношения носимого устройства, что ограничивает его доступность. В этой работе мы представляем систему пассивного мониторинга частоты сердечных сокращений (PHRM) — систему глубокого обучения, использующую фотоплетизмографию на основе лицевого видео для пассивных измерений частоты сердечных сокращений (HR) и RHR во время обычного взаимодействия со смартфоном. Наша система была разработана на основе 192 353 видео от 485 участников и валидирована на 162 546 видео от 211 участников в лабораторных и реальных условиях, что, насколько нам известно, представляет собой самое крупное исследование верификации такого рода. PHRM превзошла современные методы по нашим бенчмаркам. По сравнению со справочными электрокардиограммами PHRM достигла средней абсолютной процентной ошибки (MAPE) ниже 10% для измерений HR в трех группах по тону кожи: светлая, средняя и темная пигментация, удовлетворяя отраслевым стандартам точности; MAPE для каждой группы по тону кожи была не хуже, чем у остальных. Ежедневная RHR, измеренная PHRM, имела среднюю абсолютную ошибку менее пяти ударов в минуту по сравнению с носимым трекером HR и была ассоциирована с известными факторами риска сердечно-сосудистых заболеваний. Эти результаты подчеркивают потенциал смартфонов для обеспечения пассивного и справедливого мониторинга здоровья сердца. Для содействия дальнейшим исследованиям мы публично публикуем большой аннотированный набор видеоданных со смартфонов вместе с предобученной моделью для измерения HR. Модель машинного обучения, использующая камеры смартфона для фонового измерения частоты сердечных сокращений во время обычного повседневного использования телефона и последующей оценки частоты сердечных сокращений в покое, может облегчить людям мониторинг здоровья сердца.
1
Ежедневная частота сердечных сокращений в покое от PHRM имела среднюю абсолютную ошибку <5 ударов в минуту по сравнению с носимым трекером ЧСС и была связана с известными факторами риска сердечно-сосудистых заболеваний.
2
Разработана PHRM — система глубокого обучения, использующая видеофотоплетизмографию лица для пассивного измерения ЧСС и покоя во время обычного использования смартфона.
3
PHRM достигла средней абсолютной процентной ошибки (MAPE) <10% для ЧСС в группах светлой, средней и тёмной пигментации кожи, соответствуя отраслевым стандартам и показывая ненизшую производительность между группами.
4
PHRM превзошла современные методы по бенчмаркам авторов.
5
Авторы публично выпустили большой аннотированный набор видео со смартфонов и предварительно обученную модель ЧСС для дальнейших исследований.
6
Система обучена на 192 353 видео от 485 участников и валидирована на 162 546 видео от 211 участников, что является крупнейшей верификацией такого рода.

Система фотоплетизмографии на основе лицевого видео со смартфона для пассивного мониторинга частоты сердечных сокращений в повседневном использовании смартфона

Точность и равноправность пассивных измерений частоты сердцебиения (HR) и частого сердечного ритма в покое (RHR), извлекаемых из лицевых видео со смартфона (включая MAPE/ошибки по группам тона кожи, сравнение с ЭКГ и носимыми трекерами, а также связь с факторами риска сердечно-сосудистых заболеваний)

Publication Details
Publication Date
2026-06-01
Journal
Publisher
ISSN
Cited by
0
Access Type
Author Information
Authors
Yun Liu
Jonathan Wang
Yuzhe Yang
Daniel McDuff
Shwetak Patel
Anupam Pathak
Paolo Di Achille
Jameson K. Rogers
Shun Liao
Jiang Wu
Silviu Borac
Xin Liu
Eric S. Teasley
Lawrence Cai
Hao-Wei Su
Brent Winslow
James A. Taylor
Ming‐Zher Poh
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat
Make a presentation
100%