Vizuální odhad srdečního tepu pomocí konvoluční neuronové sítě

Abstract

Tato práce se zaměřuje na vývoj softwarové knihovny pro vzdálenou estimacis srdečního tepu. Toho se docílilo implementaci metody HR-CNN (Heart Rate estimation using Convolutional Neural Networks). Součástí knihovny je i real-time demo pro demonstraci funkčnosti. V rámci práce je ověřena přesnost reimplementované metody HR-CNN na dvou veřejně dostupných datasetech. Dále práce stručně zkoumá současný pokrok v metodách odhadu srdeční frekvence pomocí strojového učení a na základě tohoto průzkumu představuje mírně vylepšený model extraktoru. Tento vylepšený model je trénován a vyhodnocen s využitím vytvořené knihovny a jeho výkonnost je porovnána s původní metodou HR-CNN. Dosažené výsledky ukazují mírné zlepšení s vylepšeným modelem, nicméně hlavním cílem této části je demonstrace snadnosti vytváření a testování nových modelů na normalizovaných datech v rámci vyvinuté knihovny.This work focuses on the development of a software library for remote heart rate estimation. This is done by implementing the HR-CNN (Heart Rate estimation using Convolutional Neural Networks) method. The library includes a real-time demo to showcase its functionality. The thesis verifies the accuracy of the reimplemented HR-CNN method on two publicly available datasets. Furthermore, the work briefly explores recent advancements in heart rate estimation methods using machine learning and, based on this exploration, introduces a slightly improved extractor model. This enhanced model is trained and evaluated using the developed library, and its performance is compared to the original HR-CNN method. The achieved results show a slight improvement with the enhanced model; however, the primary goal of this part is to demonstrate the ease with which new models can be created and tested on normalized data within the developed library.