Time-varying rPPG signal separation via block-sparse signal model

📄 arXiv: 2605.22425v1 📥 PDF

作者: Kosuke Kurihara, Yoshihiro Maeda, Daisuke Sugimura, Takayuki Hamamoto

分类: eess.IV, cs.CV

发布日期: 2026-05-21

备注: Accepted by IEEE International Conference on Image Processing (ICIP 2026)

💡 一句话要点

提出基于块稀疏信号模型的时变rPPG信号分离方法，解决光照变化下的信号提取难题。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: rPPG信号提取 块稀疏模型 时变信号分离 光照噪声抑制 非接触式测量

📋 核心要点

  1. rPPG信号易受光照变化影响，传统方法难以有效提取微弱信号。
  2. 将rPPG信号的准周期性建模为时频域的块稀疏结构，构建时变信号分离框架。
  3. 实验结果表明，该方法在公共数据集上有效提取rPPG信号，性能优于现有方法。

📝 摘要（中文）

本文提出了一种rPPG信号提取方法，该方法利用rPPG信号的准周期特性。通过分析面部视频中细微的颜色变化，实现非接触式的心脏脉搏信号测量，即遥感光电容积脉搏波（rPPG）。然而，由于rPPG信号强度极弱且易受光照噪声影响，提取rPPG信号仍然具有挑战性。本文将源于稳定心脏周期的rPPG信号的准周期性建模为时频域中的块稀疏结构。为了结合块稀疏模型并实现光照波动下的自适应信号分离，我们构建了一个时变信号分离框架。使用公共数据集的实验证明了我们方法的有效性。

🔬 方法详解

问题定义：论文旨在解决在光照变化条件下，从面部视频中准确提取rPPG信号的问题。现有方法在处理光照噪声时表现不佳，导致提取的rPPG信号质量下降，无法准确反映心脏活动。

核心思路：核心思路是将rPPG信号的准周期性特征作为先验知识，利用块稀疏模型在时频域中进行信号分离。由于心脏周期相对稳定，rPPG信号在时频域中呈现出块状的稀疏结构。通过挖掘这种结构，可以有效地将rPPG信号与噪声分离。

技术框架：该方法构建了一个时变信号分离框架。首先，对输入的面部视频进行预处理，提取感兴趣区域的颜色信息。然后，将颜色信息转换到时频域，并利用块稀疏模型对rPPG信号进行建模。最后，通过优化算法，从混合信号中分离出rPPG信号。该框架能够根据光照变化自适应地调整信号分离过程。

关键创新：最关键的创新点在于将rPPG信号的准周期性与块稀疏模型相结合，并将其应用于时变信号分离框架中。与传统方法相比，该方法能够更有效地利用rPPG信号的先验知识，从而提高信号提取的准确性和鲁棒性。

关键设计：论文中可能涉及的关键设计包括：块稀疏模型的具体形式（例如，如何定义块的大小和形状），时变信号分离框架的优化算法（例如，如何自适应地调整分离参数），以及损失函数的设计（例如，如何衡量分离后的rPPG信号的质量）。具体的参数设置和网络结构等技术细节未知，需要查阅原文。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文使用公共数据集进行了实验，验证了所提出方法的有效性。具体的性能数据、对比基线和提升幅度未知，但摘要中明确指出实验结果证明了该方法的有效性，表明其在rPPG信号提取方面具有一定的优势。

🎯 应用场景

该研究成果可应用于远程健康监测、智能家居、车载健康系统等领域。通过非接触式地监测用户的心率和呼吸等生理指标，可以实现早期疾病预警、个性化健康管理和驾驶员疲劳检测等功能，具有重要的实际应用价值和广阔的市场前景。

📄 摘要（原文）

Remote photoplethysmography (rPPG) enables non-contact measurement of cardiac pulse signals by analyzing subtle color changes in facial videos. Nevertheless, extracting rPPG signals remains challenging because of their extremely weak signal strength and susceptibility to illumination noise. In this paper, we propose an rPPG signal extraction method that exploits the quasi-periodic characteristics of rPPG signals. Our approach models quasi-periodicity of the rPPG signal, which arises from the stable cardiac cycle, as a block-sparse structure in the time-frequency domain. To incorporate a block-sparse model and enable adaptive signal separation under illumination fluctuations, we construct a time-varying signal separation framework. Experiments using a public dataset demonstrate the effectiveness of our method.