精华内容
下载资源
问答
  • Vital Sign Futures?

    2020-12-05 05:09:49
    I need to implement a full set of vital signs in order to provide realistic values for the Observations that query them. <p>Is there a plan to create a module that would set and update the vital ...
  • GMF Vital Signs

    2020-11-23 08:14:10
    Vital Sign states can be used to store information which can then be captured by Observations or drive conditional logic. Vital Signs represent the physical state of the patient, in contrast to ...
  • Instead, a generator (ValueGenerator) is assigned to the vital sign. The generator can generate a double value at a given time stamp. Different implementations of such generators can use different ...
  • <p>It would be nice if these downloads would be signed, as the agent software is vital to us and we put a lot of trust in its correct assembly and functioning.</p><p>该提问来源于开源项目:...
  • has_many_and_belongs_to('VitalSign', 'pacient_vital_sign', 'pacient_id', 'vital_sign_id'); } } class VitalSign extends Eloquent{ public static $timestamps = false; public static $table = 'vital_...
  • <div><p>Looks to me like these ought to be VitalSign states and ... According to the Wiki, only vital signs have the vital_sign field.</p><p>该提问来源于开源项目:synthetichealth/synthea</p></div>
  • <div><p>Enums are a useful tool when one has a ... The module builder already allows free text in <code>vital_sign</code> fields.</p><p>该提问来源于开源项目:synthetichealth/synthea</p></div>
  • 四级词汇05

    千次阅读 2020-10-04 15:49:50
    26.sign They assigned(v.分派) them randomly to reviewers. sign n.符号;迹象 v....签名 disign v....构思 n....disigner n....signature n....vital, essential, critical, crucial 重要的 assign v.分配;指派 assign

    26.sign

    They assigned(v.分派) them randomly to reviewers.

    sign n.符号;迹象 v.签署;签名
    disign v.设计;构思 n.设计;图案

    de – down 在…下

    disigner n.设计师;谋划者
    signature n.签名;署名
    signal n.信号 v.发信号;示意
    significant adj.有重大意义的

    vital, essential, critical, crucial 重要的

    assign v.分配;指派
    assignment n.任务;分派;作业
    resign v.辞职

    27.relate

    They are closely related to physical and mental exercise.

    be related to 与…有联系

    relative adj.相对的
    relate v.联系
    relatively adv.相当程度上
    relationship n.联系;爱情关系
    relation n.联系
    relevant adj.密切相关的;切题的
    irrelevant adj.不相关的

    字母r/l前面加ir/il前缀

    SMM is in a relationship.

    28.ject投射,扔

    They were subjected to racial inequality.

    They were subject to taxation almost everywhere.

    subject n.主题;科目 adj.服从的;易患…的 v.使屈从于…;隶属于;受制于
    subjective adj.主观的
    project n.项目;方案 v.预测;展现;放大
    projector n.放映机;投影仪
    object n.物体;目标 v.反对
    objective n.目标,目的 adj.客观的
    reject v.拒绝;抵制;丢弃

    29.expect

    Anytime you go into the woods, somebody should know where you are going, and when you expect to return.

    -spect- 看
    expect v.预料;预期;预计
    expectation n.预期;期待
    unexpected adj.出乎意料的;未料到的
    respect n.&v.尊重,尊敬 n.方面
    respectful adj.有礼貌的,尊敬的
    respectable adj.得体的;值得尊敬的
    respectively adv.分别;各自
    prospect n.前途;预期;景色
    suspect n.嫌疑犯 v.怀疑;猜想

    sus == sub 在…下

    aspect n.方面;外貌

    from sb’s aspect.从…方面来看

    perspective n.观点;远景

    per – 全部

    30.mun 服务

    It is immune to various diseases.

    community n.社区;团体
    immunity n.免疫力;免除
    immune adj.免疫的;免除的

    be immune to 对…免疫,不受…的影响

    communicate v.沟通
    communication n.交流

    31.ploy 用

    It is said that all of us empoly a mix of both these types of planning.

    employ v.雇用;运用

    em – en 使

    employee n.雇员
    employer n.雇主
    employment n.受雇;就业
    unemployed adj.失业的
    unemployment n.失业

    32.max/min

    Chris Koch points out that reporting is about investigation rather than the memorization of minute details.

    max/maj/mas 大
    major adj.主要的;主修的 n.主修科目 v.主修
    majority n.多数
    mass n.块;群众 adj.大规模的
    messive adj.巨大的;大而重的
    maximum n.最大限度;最大量
    mini n.迷你型 adj.微型的;袖珍的
    minute n.分钟;片刻 adj.微小的
    minor adj.次要的;较小的 n.未成年人;辅修科目
    minority n少数;未成年
    minimum n.最低限度的

    33.volv

    Your body don’t evolve to handle this kind of thing.

    involve v.包含;牵涉;卷入;参与
    involvement n.参与;恋爱
    evolve v.发展;进化
    evolution n进化;演变
    evolutionary adj.进化的;演变的
    revolution n.革命
    revolutionary adj.革命的
    volume n.容量;体积;音量;卷,册
    展开全文
  • 什么是rPPG?远程光电体积描记术 Remote ...一般通过rPPG 我们可以得到类似 BVP 的信号,通过此信号可以预测心率,呼吸率等各种vital sign,在 healthcare 领域应用广泛。为什么 rPPG 能用在人脸活体检测?如下图所示...

    2a4b22439f87f5428d2336a796a2bf70.png

    什么是rPPG?

    远程光电体积描记术 Remote Photoplethysmography (rPPG) 利用反射的周围光来测量皮肤的细微亮度变化。皮肤的细微亮度变化是由于心脏跳动导致的血液流动导致的。一般通过rPPG 我们可以得到类似 BVP 的信号,通过此信号可以预测心率,呼吸率等各种vital sign,在 healthcare 领域应用广泛。

    为什么 rPPG 能用在人脸活体检测?

    如下图所示,如果是 live face,会有部分周围光穿过皮层到达血管,然后反射回camera,故相机是能监测到血液流动导致的亮度变化;而对于 fake face,由于材料不同,吸收及反射到相机的信息就很不同。

    43f0f601290a12cc8876c98bb402315d.png
    rPPG用于活体检测的原理

    -----------------------------------------------------------

    1. Generalized face anti-spoofing [1], ICPR2016

    正如之前活体检测综述 谈到,这是第一篇把 rPPG 用于活体检测的文章。如下图所示,由于3D打印制造的人脸面具具有与真人及其相似的纹理及深度,故用传统的局部纹理(LBP)等难以区分,但使用 rPPG 特征能更好地区分。

    c9f951d9619cb41dfc3f894743254884.png
    3D人脸面具

    算法流程如下:

    1. 对人脸ROI区域,提取RGB三个channel 对应的 rPPG信号,进行滤波转换到频域。
    2. 提取频域统计量(频域响应最大值,伪信噪比)共 6维特征。
    3. 使用SVM进行分类。

    a02f856d6f02f2d7ac986226e0aa17aa.png

    文中通过实验发现,rPPG对于面具攻击和纸张攻击效果很好,但是对于视频翻拍攻击效果一般,原因很可能是录制的视频人脸上也带有类似rPPG信息,故不好区分。最后文中提出了一个cascading system,即用rPPG来先拒掉纸张攻击和面具攻击,再用传统纹理特征来拒视频翻拍攻击:

    4b937192c2bffa98f172cf5f3f5a57a5.png

    算法缺点:

    rPPG信号提取算法不够鲁棒;rPPG可判别性特征提取得过于简单。

    ----------------------------------------------------------------------

    2. PPGSecure[2], FG2017

    由于上文提取的rPPG特征过于粗糙,故本文提出了更discriminative的特征:

    即对下图所示的5个ROI区域(3个人脸区域,2个背景区域)提取rPPG信号并转换到频域;接着把跟rPPG分布相关的 physiological range, [0.5 Hz, 5 Hz] 当成特征,并把五个区域对应的特征 concat 一起。

    aa031047d6f2c2c1883eb310a467cb32.png

    该特征设计的原理是:对于 live 样本,人脸上不同区域和背景区域,提取出来的rPPG特征分布差异很大;而对于 fake 样本,人脸上不同区域和背景区域,提取出来的rPPG特征分布差异很小

    算法缺点:

    头部额头ROI (c) 很容易被头发遮挡;头部有motion或者在outdoor光照变化的场景下,容易false accepted。

    ---------------------------------------------------------------

    3. Pulse-based Features [3], BTAS2018

    启发于语音防伪中的特征设计speaker presentation attack detection,本文对rPPG信号进行 long-term spectral statistics (LTSS) 特征提取:

    对 overlapping temporal windows 的信号进行N-point DCT 变换;然后提取DCT系数向量的一阶及二阶统计量 concat 一起;最后把不同窗口对应的统计量也合并一起。

    ad2a1a9eec0682c01b52e6fe4d11a6d0.png

    特征设计的原理依据:live face 的rPPG信号在不同的时间窗口都会更具periodicity;而fake face 则不然。

    实验结果比较可得:基于时间窗口的频域内容分析方法(LTSS),会比上述两文中的"频域统计量(最大值,伪信噪比)" 和 “[0.5 Hz, 5 Hz]频域的所有集合 ”要更精细合理,效果也更好。

    ----------------------------------------------------------

    4. Time Analysis rPPG [4], CVPRW 2018

    该文致力于研究两个问题:1) 时间长短对rPPG活体检测性能的影响 2)在不同模态下,RGB or NIR 下的rPPG活体检测性能。

    文中使用的算法pipeline及特征都和 [1] 中的大同小异,在这里主要贴几个重要的实验图及结果分析,以帮助后续更深入的算法设计:

    beeddcbcab8c222a55745f16628cda0b.png
    面具攻击及高清纸张攻击下的性能

    466f2dec150baf66c835f35084565598.png
    高清纸张攻击下的不同模态性能

    结论:

    1.对于rPPG信号,7秒左右的特征已很discriminative

    2.对于高清纸张攻击,NIR提取的rPPG效果更佳(当然,对于屏幕翻拍,NIR更是牛逼)。

    ------------------------------------------------------

    5. Local rPPG correlation model [5], ECCV2016

    本文只致力于解决与真实人脸具有极其相似纹理及深度的3D面具攻击。

    ae2cc86ed2792feb24920d3d796fd6c4.png
    算法框架图

    我们主要来看看 Local rPPG correlation model 是如何设计特征:

    1)先根据人脸landmarks构造出15个local ROI并提取对应的Local signal

    2)对上述信号两两配对,计算它们的similarity (对信号i 和 信号j 进行cross-correlation增强 heartbeat component,接着傅里叶变换,最后求频域响应最大值):

    0ce7a9405dfd665782a5ef02ef020202.png

    最后把生成的120种配对结果的similarity合并起来当成总特征。

    算法原理依据:真实人脸中的不同局部区域间rPPG信号会有细微的延时(血液流动导致),但是局部区域内部基本一致;但 fake 人脸中的不同局部区域rPPG信号的频域相关性很低,因为其主要包含的是环境噪声而不是vital signals。

    文中的另一个贡献是 Learning Confidence Map,设计了学习机制来学习不同区域local signal的重要性,使得某些更discriminative的区域贡献更大,类似attention机制。在这个模块中,confidence map 的依据是,rPPG signal的SNR高低程度。

    算法缺点:

    若整体人脸都带有global的motion或者illumination变换,所有的 local signal 也会受到影响,故在手持相机运动等情况下,效果不好。

    ----------------------------------------------------------

    6. rPPG Correspondence Feature, ECCV2018

    本文是基于上文[5]的一个拓展版本,对motion及光照变化更鲁棒,计算量更低。

    本文致力于探索 what is the real heartbeat component,希望能设计方法来整合 Local rPPG signal 的共性,来提取心跳。文中对心跳建模为template,故下面主要来说说如何学习得到这个template.

    a4fcd6a3605297375b2bf7c5a89cb987.png

    如上图上半部分所示,频谱模板的学习流程:

    1)首先对人脸分成3块大的局部区域,然后把背景分出4块矩形的局部区域,对每块区域提取rPPG信号,然后对人脸和背景各自进行cross-correlation并进行傅里叶变换,得到人脸频谱

    和背景频谱

    2)问题就变成了最小化下面的目标函数:

    eb75048e8fe0c5539fc1b2bbb66ad0e1.png

    这里

    分别是人脸频谱和背景频谱的循环偏移矩阵, 目标
    是带1D高斯分布的vector,
    是需要学习的template系数。

    在这里,是自监督学习的,不需要label。左边项约束使得人脸频谱尽量符合高斯分布,中间是正则项,右边约束使得背景噪声频谱尽量为0.

    再来看上图的下半部分,一旦模板学习完成,就可以开始进行真正的特征提取过程了:

    1)把人脸分成更小的9块局部区域,提取rPPG信号,cross-correlation,频谱

    2)把得到的频谱与学习到的模板参数进行卷积,得到filtered response;最后对其进行peak-to-sidelobe ratio (来衡量 peak sharpness) 特征提取。

    412547493c4079cc7579ac5fd9836f8e.png

    实验结果来说,该方法在只有高仿面具攻击的数据集 intra-dataset 和 cross-dataset 测试,性能都比所有的rPPG方法,及普通 LBP及CNN(VGG)都好很多;在带纸张打印及视频翻拍攻击的数据集下,也超越了所有rPPG方法,但对比其他 color texture/deep learning based 方法还是有差距。

    --------------------------------------------------------------

    7. rPPG+Depth [7], CVPR2018

    这也在之前的 活体检测综述 里说过,在这里,主要对比下 rPPG 的部分。

    这是第一个用端到端的 deep learning 来学习 rPPG 频谱分布的文章。

    55b1b5b9b6cc7af5c8821ee7b8780e82.png
    框架图后半部分

    如上图所示,训练流程:当提取好了每帧的deep feature后,便进行LSTM时序建模,后接FC假定输出的是rPPG信号,FFT提取频谱,然后与ground truth 计算L1距离作为Loss。这里整个过程模拟的特征提取,可以看成是文章[2]中的直接对比 [0.5Hz,5Hz]频谱启发的。

    rPPG频谱的伪ground truth是这样生成的:

    1)对于Live face:选择同一个identity的 no PIE variation video,用传统方法提取rPPG信号,然后计算频谱。

    2)对于fake face:频谱全部=0

    至于Non-rigid注册层的作用就是把人脸正脸化,即帧间的rPPG特征对齐好,服务于LSTM。

    比较可惜的是文中没有单独使用 non-rigid registration + rPPG 的实验结果,都是加了Depth特征的,想知道它单独使用时的性能是否稳定。

    ------------------------------------------------------------

    总结与展望:

    至于与rPPG活体检测相关联的 rPPG Living-Skin Classification[8]/Subject Detection[9] 有兴趣的也可以看看。总结一下,上述文献更多是focus在提取rPPG信号后,如何设计频域的feature 来更具判别性。后续发展方向,无疑是stronger的基于deep learning的方法,个人觉得空间还是很大,毕竟MSU文章[7]只是开了个头。

    Reference:

    [1] Xiaobai Li, , Guoying Zhao. Generalized face anti-spoofing by detecting pulse

    from face videos, 2016 23rd ICPR

    [2] Ewa Magdalena Nowara, PPGSecure: Biometric Presentation Attack Detection Using Photopletysmograms, FG2017

    [3] Guillaume Heusch, Pulse-based Features for Face Presentation Attack Detection, BTAS2018

    [4] Javier Hernandez-Ortega, Time Analysis of Pulse-based Face Anti-Spoofing in Visible and NIR, CVPRW2018

    [5] Si-Qi Liu, 3D Mask Face Anti-spoofing with Remote Photoplethysmography, ECCV2016

    [6] Si-Qi Liu, Remote Photoplethysmography Correspondence Feature for 3D Mask Face Presentation Attack Detection, ECCV2018

    [7] Yaojie Liu, Amin Jourabloo, Xiaoming Liu, Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision ,CVPR2018

    [8] Wenjin Wang, Living-Skin Classification via Remote-PPG, IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, VOL. 64, NO. 12, DECEMBER 2017

    [9]Wenjin Wang, Unsupervised Subject Detection via Remote PPG, IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, VOL. 62, NO. 11, NOVEMBER 2015

    展开全文
  • 什么是rPPG?远程光电体积描记术 Remote ...一般通过rPPG 我们可以得到类似 BVP 的信号,通过此信号可以预测心率,呼吸率等各种vital sign,在 healthcare 领域应用广泛。为什么 rPPG 能用在人脸活体检测?如下图所示...

    88be51810acaeb91cb812c6020b040c3.png

    什么是rPPG?

    远程光电体积描记术 Remote Photoplethysmography (rPPG) 利用反射的周围光来测量皮肤的细微亮度变化。皮肤的细微亮度变化是由于心脏跳动导致的血液流动导致的。一般通过rPPG 我们可以得到类似 BVP 的信号,通过此信号可以预测心率,呼吸率等各种vital sign,在 healthcare 领域应用广泛。

    为什么 rPPG 能用在人脸活体检测?

    如下图所示,如果是 live face,会有部分周围光穿过皮层到达血管,然后反射回camera,故相机是能监测到血液流动导致的亮度变化;而对于 fake face,由于材料不同,吸收及反射到相机的信息就很不同。

    fcbe05eee27bcb7c0044c3441bb3ba83.png
    rPPG用于活体检测的原理

    -----------------------------------------------------------

    1. Generalized face anti-spoofing [1], ICPR2016

    正如之前活体检测综述 谈到,这是第一篇把 rPPG 用于活体检测的文章。如下图所示,由于3D打印制造的人脸面具具有与真人及其相似的纹理及深度,故用传统的局部纹理(LBP)等难以区分,但使用 rPPG 特征能更好地区分。

    c87953c5f3298431b4b6345787c3e64a.png
    3D人脸面具

    算法流程如下:

    1. 对人脸ROI区域,提取RGB三个channel 对应的 rPPG信号,进行滤波转换到频域。
    2. 提取频域统计量(频域响应最大值,伪信噪比)共 6维特征。
    3. 使用SVM进行分类。

    b4601b4c7a102591908b5b08311f97d4.png

    文中通过实验发现,rPPG对于面具攻击和纸张攻击效果很好,但是对于视频翻拍攻击效果一般,原因很可能是录制的视频人脸上也带有类似rPPG信息,故不好区分。最后文中提出了一个cascading system,即用rPPG来先拒掉纸张攻击和面具攻击,再用传统纹理特征来拒视频翻拍攻击:

    fe789aad66c8851bc7866a234fbf8407.png

    算法缺点:

    rPPG信号提取算法不够鲁棒;rPPG可判别性特征提取得过于简单。

    ----------------------------------------------------------------------

    2. PPGSecure[2], FG2017

    由于上文提取的rPPG特征过于粗糙,故本文提出了更discriminative的特征:

    即对下图所示的5个ROI区域(3个人脸区域,2个背景区域)提取rPPG信号并转换到频域;接着把跟rPPG分布相关的 physiological range, [0.5 Hz, 5 Hz] 当成特征,并把五个区域对应的特征 concat 一起。

    faa053f0d41d9e649ccb7ad4f818608d.png

    该特征设计的原理是:对于 live 样本,人脸上不同区域和背景区域,提取出来的rPPG特征分布差异很大;而对于 fake 样本,人脸上不同区域和背景区域,提取出来的rPPG特征分布差异很小

    算法缺点:

    头部额头ROI (c) 很容易被头发遮挡;头部有motion或者在outdoor光照变化的场景下,容易false accepted。

    ---------------------------------------------------------------

    3. Pulse-based Features [3], BTAS2018

    启发于语音防伪中的特征设计speaker presentation attack detection,本文对rPPG信号进行 long-term spectral statistics (LTSS) 特征提取:

    对 overlapping temporal windows 的信号进行N-point DCT 变换;然后提取DCT系数向量的一阶及二阶统计量 concat 一起;最后把不同窗口对应的统计量也合并一起。

    fab1c0f12feea6af25caafe8c0994e6c.png

    特征设计的原理依据:live face 的rPPG信号在不同的时间窗口都会更具periodicity;而fake face 则不然。

    实验结果比较可得:基于时间窗口的频域内容分析方法(LTSS),会比上述两文中的"频域统计量(最大值,伪信噪比)" 和 “[0.5 Hz, 5 Hz]频域的所有集合 ”要更精细合理,效果也更好。

    ----------------------------------------------------------

    4. Time Analysis rPPG [4], CVPRW 2018

    该文致力于研究两个问题:1) 时间长短对rPPG活体检测性能的影响 2)在不同模态下,RGB or NIR 下的rPPG活体检测性能。

    文中使用的算法pipeline及特征都和 [1] 中的大同小异,在这里主要贴几个重要的实验图及结果分析,以帮助后续更深入的算法设计:

    c3638fe671102ee624ec9e9386869231.png
    面具攻击及高清纸张攻击下的性能

    095df27a1e152105dcbd35aed1c6c5da.png
    高清纸张攻击下的不同模态性能

    结论:

    1.对于rPPG信号,7秒左右的特征已很discriminative

    2.对于高清纸张攻击,NIR提取的rPPG效果更佳(当然,对于屏幕翻拍,NIR更是牛逼)。

    ------------------------------------------------------

    5. Local rPPG correlation model [5], ECCV2016

    本文只致力于解决与真实人脸具有极其相似纹理及深度的3D面具攻击。

    b593efb55044ac2e46a392f85e865036.png
    算法框架图

    我们主要来看看 Local rPPG correlation model 是如何设计特征:

    1)先根据人脸landmarks构造出15个local ROI并提取对应的Local signal

    2)对上述信号两两配对,计算它们的similarity (对信号i 和 信号j 进行cross-correlation增强 heartbeat component,接着傅里叶变换,最后求频域响应最大值):

    16b56c09f6ae6848b04207beec37a361.png

    最后把生成的120种配对结果的similarity合并起来当成总特征。

    算法原理依据:真实人脸中的不同局部区域间rPPG信号会有细微的延时(血液流动导致),但是局部区域内部基本一致;但 fake 人脸中的不同局部区域rPPG信号的频域相关性很低,因为其主要包含的是环境噪声而不是vital signals。

    文中的另一个贡献是 Learning Confidence Map,设计了学习机制来学习不同区域local signal的重要性,使得某些更discriminative的区域贡献更大,类似attention机制。在这个模块中,confidence map 的依据是,rPPG signal的SNR高低程度。

    算法缺点:

    若整体人脸都带有global的motion或者illumination变换,所有的 local signal 也会受到影响,故在手持相机运动等情况下,效果不好。

    ----------------------------------------------------------

    6. rPPG Correspondence Feature, ECCV2018

    本文是基于上文[5]的一个拓展版本,对motion及光照变化更鲁棒,计算量更低。

    本文致力于探索 what is the real heartbeat component,希望能设计方法来整合 Local rPPG signal 的共性,来提取心跳。文中对心跳建模为template,故下面主要来说说如何学习得到这个template.

    157fc0ce1fddd6f1659154dc762b469b.png

    如上图上半部分所示,频谱模板的学习流程:

    1)首先对人脸分成3块大的局部区域,然后把背景分出4块矩形的局部区域,对每块区域提取rPPG信号,然后对人脸和背景各自进行cross-correlation并进行傅里叶变换,得到人脸频谱

    和背景频谱

    2)问题就变成了最小化下面的目标函数:

    067d03fb0cb1a9084fa47aa2d5ea415a.png

    这里

    分别是人脸频谱和背景频谱的循环偏移矩阵, 目标
    是带1D高斯分布的vector,
    是需要学习的template系数。

    在这里,是自监督学习的,不需要label。左边项约束使得人脸频谱尽量符合高斯分布,中间是正则项,右边约束使得背景噪声频谱尽量为0.

    再来看上图的下半部分,一旦模板学习完成,就可以开始进行真正的特征提取过程了:

    1)把人脸分成更小的9块局部区域,提取rPPG信号,cross-correlation,频谱

    2)把得到的频谱与学习到的模板参数进行卷积,得到filtered response;最后对其进行peak-to-sidelobe ratio (来衡量 peak sharpness) 特征提取。

    3e2307c47b801580c4b30517cb457855.png

    实验结果来说,该方法在只有高仿面具攻击的数据集 intra-dataset 和 cross-dataset 测试,性能都比所有的rPPG方法,及普通 LBP及CNN(VGG)都好很多;在带纸张打印及视频翻拍攻击的数据集下,也超越了所有rPPG方法,但对比其他 color texture/deep learning based 方法还是有差距。

    --------------------------------------------------------------

    7. rPPG+Depth [7], CVPR2018

    这也在之前的 活体检测综述 里说过,在这里,主要对比下 rPPG 的部分。

    这是第一个用端到端的 deep learning 来学习 rPPG 频谱分布的文章。

    bd3064d78289c9a554bf67e3f773486e.png
    框架图后半部分

    如上图所示,训练流程:当提取好了每帧的deep feature后,便进行LSTM时序建模,后接FC假定输出的是rPPG信号,FFT提取频谱,然后与ground truth 计算L1距离作为Loss。这里整个过程模拟的特征提取,可以看成是文章[2]中的直接对比 [0.5Hz,5Hz]频谱启发的。

    rPPG频谱的伪ground truth是这样生成的:

    1)对于Live face:选择同一个identity的 no PIE variation video,用传统方法提取rPPG信号,然后计算频谱。

    2)对于fake face:频谱全部=0

    至于Non-rigid注册层的作用就是把人脸正脸化,即帧间的rPPG特征对齐好,服务于LSTM。

    比较可惜的是文中没有单独使用 non-rigid registration + rPPG 的实验结果,都是加了Depth特征的,想知道它单独使用时的性能是否稳定。

    ------------------------------------------------------------

    总结与展望:

    至于与rPPG活体检测相关联的 rPPG Living-Skin Classification[8]/Subject Detection[9] 有兴趣的也可以看看。总结一下,上述文献更多是focus在提取rPPG信号后,如何设计频域的feature 来更具判别性。后续发展方向,无疑是stronger的基于deep learning的方法,个人觉得空间还是很大,毕竟MSU文章[7]只是开了个头。

    Reference:

    [1] Xiaobai Li, , Guoying Zhao. Generalized face anti-spoofing by detecting pulse

    from face videos, 2016 23rd ICPR

    [2] Ewa Magdalena Nowara, PPGSecure: Biometric Presentation Attack Detection Using Photopletysmograms, FG2017

    [3] Guillaume Heusch, Pulse-based Features for Face Presentation Attack Detection, BTAS2018

    [4] Javier Hernandez-Ortega, Time Analysis of Pulse-based Face Anti-Spoofing in Visible and NIR, CVPRW2018

    [5] Si-Qi Liu, 3D Mask Face Anti-spoofing with Remote Photoplethysmography, ECCV2016

    [6] Si-Qi Liu, Remote Photoplethysmography Correspondence Feature for 3D Mask Face Presentation Attack Detection, ECCV2018

    [7] Yaojie Liu, Amin Jourabloo, Xiaoming Liu, Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision ,CVPR2018

    [8] Wenjin Wang, Living-Skin Classification via Remote-PPG, IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, VOL. 64, NO. 12, DECEMBER 2017

    [9]Wenjin Wang, Unsupervised Subject Detection via Remote PPG, IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, VOL. 62, NO. 11, NOVEMBER 2015

    展开全文
  • 运行环境:kettle7.1 描述场景:在向mysql数据库插入数据的时候运行报错,提示(1366 - Incorrect integer value: '')的相关错误。 查找具体数据发现在向数据插入某个字段的时候...insert into vital_sign (id,c...

    运行环境:kettle7.1

    描述场景:在向mysql数据库插入数据的时候运行报错,提示(1366 - Incorrect integer value: '')的相关错误。

    查找具体数据发现在向数据插入某个字段的时候该字段值为空字符串('')

    PS:向mysql的表中插入空字符串时,如果被插入的字段数据类型为varchar

    insert into vital_sign (id,care_address) values (1101111,'');
    message
    insert into vital_sign (id,care_address) values (1101111,'')
    > Affected rows: 1
    > Time: 0.032s
    

    如果字段数据类型为int

    insert into vital_sign (id,type) values (1101111,'');
    message:
    insert into vital_sign (id,type) values (1101111,'')
    > 1366 - Incorrect integer value: '' for column 'type' at row 1
    > Time: 0.001s
    
    insert into vital_sign (id,type) values (1101111,null);
    message:
    insert into vital_sign (id,type) values (1101111,null)
    > Affected rows: 1
    > Time: 0.025s

    分析:kettle默认情况下把空字符串当作NULL处理,如果采用默认设置的话不会出现上边的错误。但是之前因为转换的需要向mysql表中插入数据时被插入的字段设置的不能为空(not null),所以把这个默认设置修改一下了。

    当时修改方法:
    
    windows系统
    
    在C:\Users\用户名\.kettle目录中找到kettle.properties文件,增加:
    
    KETTLE_EMPTY_STRING_DIFFERS_FROM_NULL=Y
    
    重启Kettle
    
    linux系统(centos7)
    
    进入当前用户的默认目录
    
    cd /home/pentaho/.kettle
    
    在/home/pentaho/.kettle 文件中增加:KETTLE_EMPTY_STRING_DIFFERS_FROM_NULL=Y

    如果变回默认设置,其他的转换就会报错,所以只能通过js代码把空字符串转化为null

    var body_weightNew=body_weight==''?null:body_weight;

     

    展开全文
  • GMF diabetes

    2020-11-23 08:13:23
    upon review of the ruby module there was a lot of detail in the vital sign #s but not a lot of realism in transition/prevalence/incidence %s, so some of those have been updated where possible....
  • i2i_netmed_backup-源码

    2021-03-25 14:46:29
    i2i_Netmed_Vital_Sign_Module 需求分析 脉搏频率:每分钟60到100次跳动。 -整数 体温:95华氏度到115华氏度 1980年7月10日,亚特兰大的52岁威利·琼斯(Willie Jones)因中暑和华氏115度的高温入院。 他在医院呆了...
  • s vital for my app to keep working and have the user's data when offline, so I'm grounding Meteor.users: <pre><code> if (Meteor.isClient) { Meteor.startup(() => { Ground.Collection...
  • I think it may be vital to add check like if the keyblock was not found in the last 4-10MB of the disk it should quit with error informing that keyblock cannot be found / is not located on the disk. ...
  • sign: "+ DOCS"</li><li>[ ] If any network modules should be tested for the PR, add them as a comma separated list (e.g. <code>clients.fdsn,clients.arclink) after the colon in the ...
  • <ul><li>[X] [Sign Allure CLA]<a href="https://cla-assistant.io/accept/allure-framework/allure2%5C">cla</a></li>[ ] Provide unit tests</li></ul> <p>I apologize, I saw no existing unit tests for CSV ...
  • Connectivity is vital for software and embedded devices, but there are many pitfalls to consider when embedding a web server. This white paper breaks down on the top 9 things to avoid when embedding a...
  • t find any sign out output.</li><li>I have no gutter icons - I'm not yet ready to report this as an issue, as I think it's likely I'm missing a vital configuration setting.</li></ul> <p>...
  • link to the left of this description, 2) Sign up for an Akismet API key, and 3) Go to your Akismet configuration page, and save your API key. <p>Version 2.5.9 | By Automattic | Visit plugin site ...
  • Add Net Standard support

    2020-12-30 17:28:38
    s vital or not, I decided to keep that API usage as is and target the <code>.NET Standard 2.0</code> where this API is present. - <code>Albedo.UnitTests</code> now target frameworks <code>.NET ...
  • Testing Section Feedback

    2020-12-31 13:09:23
    avital:mocha"; import Todos from './Todos.js' import Factory from "mdg:factory"; const {describe, it} = mocha; const {assert} = chai; describe('todos', () =&...
  • Therefore, it has a very vital practical significance to promote the informatization platform based on the proxy pattern. II. FUNCTION STUDIES OF INFORMATIZATION PLATFORM The proxy pattern ...
  • ll need for the specimen, aside from the core latin alphabet, that will be really vital to make work this weekend. In a pinch, these can work even just in either sans or mono (we don't necessarily...

空空如也

空空如也

1 2
收藏数 24
精华内容 9
关键字:

signvital