A equipe da Great Bay University apresentou o PhysMamba, uma estrutura de IA inovadora para medir a frequência cardíaca e sinais fisiológicos relacionados por meio de vídeos faciais. Esta importante inovação em fotopletismografia remota (rPPG) fornece um método sem contato para monitoramento de saúde, o que abre novas oportunidades para aplicações médicas e de bem-estar imediatas.
O PhysMamba se diferencia das metodologias rPPG anteriores que dependiam principalmente de Redes Neurais Convolucionais (CNNs) e Transformers. Essas abordagens de medição tradicionais frequentemente achavam difícil capturar com precisão as dependências temporais essenciais de longo alcance cruciais para a medição da frequência cardíaca, especialmente ao lidar com sequências de vídeo mais longas. O PhysMamba resolve essas barreiras introduzindo um bloco Temporal Difference Mamba (TD-Mamba) de última geração junto com uma arquitetura SlowFast de fluxo duplo. Ao fazer isso, o modelo processa efetivamente características temporais de curto e longo prazo, aumentando assim sua precisão na detecção de sinais fisiológicos precisos. Você pode ler o artigo aqui.
Por meio de uma série de experimentos detalhados em conjuntos de dados de referência, incluindo PURE, UBFC-rPPG e MMPD, o PhysMamba mostrou avanços impressionantes em comparação aos modelos atuais. Isso resultou em taxas de erro reduzidas e maior precisão na estimativa da frequência cardíaca. Superando significativamente os modelos típicos CNN e Transformer, a estrutura inovadora foi particularmente eficaz em situações do mundo real afetadas por variações de iluminação e movimentos faciais.
Esta nova versão de um modelo de IA, adotada pelo CCBR 2024, é um desenvolvimento crucial no monitoramento fisiológico não invasivo. A equipe de pesquisa lançou o código para PhysMamba no GitHub, concedendo oportunidades para pesquisa e desenvolvimento adicionais neste domínio emocionante de visão computacional e tecnologia de saúde.
