基于运动的置信度评分以支持远程光电容积描记法在健康监测中的实际应用

远程光电容积描记法（remote photoplethysmography, rPPG）作为一种非侵入式技术，在受控条件下可实现对个体生理信号的精准测量，已获得广泛关注。然而，rPPG的测量精度易受运动伪影、肤色变化及环境光源干扰等多因素影响。为提升真实世界监测场景中rPPG测量的可靠性并降低健康监测场景中的误报率，研究人员提出一种用于指示预测质量的置信度评分。该评分通过筛选与测量精度强相关的运动变量构建，并采用来自3个独立数据集的数据训练分类器，以增强模型的鲁棒性、可重复性与泛化能力。尽管仅纳入运动相关特征，所有测试场景下的曲线下面积（Area Under the Curve, AUC）值均高于0.93，证明该模型可有效识别不准确的心率测量结果。

《Journal of Medical Systems》刊载的该研究针对远程光电容积描记法（rPPG）在真实场景应用的可靠性瓶颈展开系统性攻关。研究背景层面，传统接触式光电容积描记法（PPG）虽已成熟应用于心血管活动监测，但其非接触版本rPPG因无需物理接触的优势，正逐步渗透至远程医疗、居家健康监测等领域。然而，现有rPPG技术在动态场景中面临严峻挑战：运动伪影、光照波动及肤色差异等因素会导致心率测量出现显著偏差，尤其在需要实时触发预警的健康监测场景中，频繁误报会严重削弱技术的实用价值。当前主流信号质量评估方法仅依赖提取的血容量脉搏（BVP）信号形态学特征，完全忽略外部环境因素对测量可靠性的影响，这种单维度评估范式难以适配复杂现实场景需求。

研究人员构建了基于运动特征的双分析框架，核心技术路径包含三个关键环节：一是从输入视频中同步提取四类运动特征——时间感知信息（Temporal Perceptual Information, TI）、面部X轴位移（FM_X）、面部Y轴位移（FM_Y）及面部尺寸运动（Face Size Motion, FSM），这些特征计算耗时不足整体处理流程的5%；二是采用三大数据集交叉验证策略，选用UBFC-RPPG（50段视频，49名受试者）、LGI-PPGI-FVD（20段视频，5名受试者，含真实运动场景）及PURE（59段视频，10名受试者，含可控头部运动）三个未压缩公开数据集，覆盖不同运动强度与光照条件；三是设计二分类标注规则，将绝对误差低于2次/分钟的样本标记为可靠（类别1），高于6次/分钟的标记为不可靠（类别0），排除中间模糊区间样本以避免阈值敏感性偏差，并采用受试者分层5折交叉验证防止个体特异性过拟合。

研究结果部分通过多维度实验验证了方法有效性。特征相关性分析显示，四类运动特征与心率绝对误差的皮尔逊相关系数（Pearson Correlation Coefficient, PCC）均达显著水平（p<10^-40），其中TI与FM_X在LGI-PPGI-FVD数据集中呈强正相关（r=0.68），而TI与FSM在PURE数据集中呈弱负相关（r=-0.21），表明不同运动模式需多特征联合表征。置信度评分性能评估中，袋装树（Bagged Trees）集成分类器表现最优：在POS信号提取方法下，UBFC-RPPG、LGI-PPGI-FVD、PURE数据集的AUC值分别达0.91、0.96、0.94；尽管绿色通道因本身误差率高导致分类任务更易实现更高AUC（最高0.97），但其不可靠测量占比是POS方法的3倍以上，凸显POS结合置信度评分的综合优势。泛化性验证实验进一步证实，跨数据集测试中AUC值仅下降0.02-0.04，而当三数据集联合训练时，所有BVP提取方法的AUC均稳定在0.93以上，证明运动特征具有跨场景普适性。

讨论部分指出，该研究首次突破传统信号单维度评估局限，通过融合视频上下文运动信息，使置信度评分能更精准反映真实测量可靠性。但研究仍存在三方面局限：数据集均采集于受控环境，未充分覆盖极端光照与多元肤色场景；采用的phuselab处理管线未能整合Face2PPG等最新无监督提取算法；未探索光照与肤色特征的多模态融合潜力。研究人员建议未来工作应纳入自然场景数据，开发自适应帧率调整机制——当置信度低于阈值时自动提升采样频率以获取更多有效信息，同时建立多阈值报警策略，仅当连续高置信度测量一致时才触发预警，在降低误报率与减少检测延迟间取得平衡。

结论部分强调，这种基于运动特征的双分析框架为rPPG技术在动态健康监测场景的落地提供了关键技术支撑，其轻量化特征计算特性可无缝集成至现有监测系统，而跨数据集验证的优异泛化能力则为技术在远程医疗、驾驶员状态监测等领域的规模化应用奠定了基础。