rPPG-Toolbox:深度远程PPG工具箱

rPPG-Toolbox:深度远程PPG工具箱

rPPG-Toolbox是一个开源平台,专为基于相机的生理感知而设计,也称为远程光电容积脉搏波描记法(rPPG)。这个强大的工具箱不仅对现有的最先进的神经和无监督方法进行基准测试,还支持研究人员灵活快速地开发自己的算法。

工具箱概述

rPPG-Toolbox具有以下主要特点:

• 支持多种先进的rPPG算法,包括传统的无监督算法和基于深度学习的监督算法
• 集成了多个公开的rPPG基准数据集
• 提供了完整的数据预处理、模型训练和评估流程
• 支持自定义数据集和算法的灵活扩展
• 提供了丰富的可视化工具,用于数据分析和结果展示

支持的算法

rPPG-Toolbox支持多种先进的rPPG算法:

1. 传统无监督算法:

   • GREEN: 基于环境光的远程光电容积成像
   • ICA: 使用网络摄像头的非接触式多参数生理测量的进展
   • CHROM: 基于色度的稳健脉搏率rPPG
   • LGI: 野外面部视频心率估计的局部群不变性
   • PBV: 使用血容积脉冲签名改善远程PPG的运动稳健性
   • POS: 远程ppg的算法原理
   • OMIT: 一种从面部提取血容积脉冲的无监督管道

2. 监督神经网络算法:

   • DeepPhys: 使用卷积注意力网络的基于视频的生理测量
   • PhysNet: 使用时空网络从人脸视频测量远程光电容积描记信号
   • TS-CAN: 用于设备上非接触式生命体征测量的多任务时间偏移注意力网络
   • EfficientPhys: 实现简单、快速和准确的基于相机的心脏测量
   • BigSmall: 针对不同空间和时间生理测量的高效多任务学习
   • PhysFormer: 使用时间差分变换器的基于面部视频的生理测量
   • iBVPNet: 在iBVP数据集论文中引入的3D-CNN架构

支持的数据集

rPPG-Toolbox支持多个公开的rPPG基准数据集:

• SCAMPS: 用于相机生理信号测量的合成数据集
• UBFC-rPPG: 包含面部视频和同步的地面实况PPG信号
• PURE: 用于移动服务机器人上的非接触式脉搏率测量
• BP4D+: 用于人类行为分析的多模态自发情感语料库
• UBFC-Phys: 用于社会压力心理生理研究的多模态数据库
• MMPD: 多领域移动视频生理数据集
• iBVP: RGB-热rPPG数据集,具有高分辨率信号质量标签

基准测试结果

rPPG-Toolbox对所有支持的算法和数据集进行了全面的基准测试。下图展示了各种算法在不同数据集上的平均绝对误差(MAE)和平均绝对百分比误差(MAPE)性能:

使用指南

设置环境

1. 运行 bash setup.sh
2. 激活conda环境: conda activate rppg-toolbox
3. 安装依赖: pip install -r requirements.txt

使用预训练模型

使用 ./configs/infer_configs 下的配置文件进行推理。例如:

python main.py --config_file ./configs/infer_configs/PURE_UBFC-rPPG_TSCAN_BASIC.yaml

训练神经网络模型

使用 ./configs/train_configs 下的配置文件进行训练。例如,在PURE数据集上训练并在UBFC-rPPG上测试TSCAN模型:

1. 下载PURE和UBFC-rPPG数据集
2. 修改 ./configs/train_configs/PURE_PURE_UBFC-rPPG_TSCAN_BASIC.yaml 配置文件
3. 运行:

python main.py --config_file ./configs/train_configs/PURE_PURE_UBFC-rPPG_TSCAN_BASIC.yaml

使用无监督方法

1. 下载UBFC-rPPG数据集
2. 修改 ./configs/infer_configs/UBFC_UNSUPERVISED.yaml 配置文件
3. 运行:

python main.py --config_file ./configs/infer_configs/UBFC_UNSUPERVISED.yaml

数据可视化

rPPG-Toolbox提供了丰富的可视化工具,用于分析预处理后的数据、训练过程和预测结果。

预处理数据可视化

在 tools/preprocessing_viz 目录下提供了用于可视化预处理数据的Python notebook。该notebook可以自动检测预处理后的数据格式,并绘制输入图像示例和波形。

训练损失和学习率可视化

工具箱会自动保存训练和验证损失的图表。这些图表默认保存在 runs/exp 目录下。下图展示了在UBFC-rPPG数据集上训练和验证,并在PURE数据集上测试时的损失和学习率曲线:

Bland-Altman图

工具箱默认会为监督和无监督方法生成Bland-Altman图,用于图形化比较两种测量技术。这些图表同样保存在 runs/exp 目录下。下图展示了在UBFC-rPPG数据集上训练和验证,并在PURE数据集上测试后生成的Bland-Altman图:

神经网络预测结果可视化

在 tools/output_signal_viz 目录下提供了用于可视化测试集神经网络输出预测和标签的Python notebook。该notebook可以绘制预测的PPG信号与地面实况PPG信号的对比图。

配置文件说明

rPPG-Toolbox使用YAML文件来控制训练和评估的所有参数。您可以修改现有的YAML文件以满足自己的训练和测试需求。以下是一些重要参数的说明:

• TOOLBOX_MODE:

  • train_and_test: 在数据集上训练并使用新训练的模型进行测试
  • only_test: 使用预训练模型进行测试,需要设置INFERENCE-MODEL_PATH

• TRAIN / VALID / TEST / UNSUPERVISED DATA:

  • DATA_PATH: 原始数据的输入路径
  • CACHED_PATH: 预处理数据的输出路径
  • BEGIN & END: 用于训练/验证/测试的数据集部分
  • DATA_TYPE: 如何预处理视频数据
  • LABEL_TYPE: 如何预处理标签数据
  • DO_CHUNK: 是否将原始数据分割成更小的块
  • DO_CROP_FACE: 是否执行人脸检测

• MODEL: 设置使用的模型(支持Deepphys, TSCAN, Physnet, EfficientPhys, BigSmall和PhysFormer及其参数)

• UNSUPERVISED METHOD: 设置使用的无监督方法,例如: ["ICA", "POS", "CHROM", "GREEN", "LGI", "PBV"]

• METRICS: 设置使用的评估指标,例如: ['MAE','RMSE','MAPE','Pearson','SNR','BA']

扩展工具箱

rPPG-Toolbox支持灵活的扩展,您可以轻松添加新的数据集、神经网络算法和无监督算法。

添加新数据集

1. 在 dataset/data_loader 中创建新的Python文件,例如 MyLoader.py
2. 实现必要的函数,包括 preprocess_dataset, read_video 和 read_wave
3. 根据需要重写可选函数
4. 在 configs/ 目录下创建新的YAML文件设置参数,并在 config.py 中添加新参数的定义和初始值

添加新的神经网络算法

1. 在 neural_methods/model 中定义新模型,例如 NewModel.py
2. 在 neural_methods/trainer 中实现相应的训练/测试例程,例如 NewModelTrainer.py
3. 在 main.py 中添加逻辑以在 train_and_test 和 test 函数中使用新模型
4. 在 configs/ 目录下创建对应新算法的YAML文件

添加新的无监督算法

1. 在 unsupervised_methods/methods 中定义新算法,例如 NewMethod.py
2. 在 main.py 中添加逻辑以在 unsupervised_method_inference 函数中使用新算法
3. 在 configs/ 目录下创建对应新算法的YAML文件

高级功能

弱监督训练

对于不含高质量同步PPG波形标签的数据集,rPPG-Toolbox提供了使用"伪"标签进行训练的选项。这些标签是通过对POS生成的PPG波形进行带通滤波和希尔伯特包络归一化得到的。

运动增强训练

rPPG-Toolbox支持使用合成的运动增强数据集进行训练,以增加rPPG视频的运动多样性。这些数据集是使用MA-rPPG Video Toolbox生成的。您可以按照以下步骤使用运动增强数据集:

1. 按照MA-rPPG Video Toolbox的说明生成运动增强数据集
2. 在配置文件中将 DATA_AUG 参数设置为 'Motion'
3. 运行相应的配置文件

多任务学习

rPPG-Toolbox实现了BigSmall作为示例,展示了如何扩展工具