Abstract
<jats:p>Рассматривается задача бесконтактной оценки уровня артериального давления человека по видеоданным съёмки лица с использованием методов и алгоритмов машинного обучения. Актуальность исследования обусловлена высокой распространённостью артериальной гипертензии и ограничениями традиционных контактных методов измерения давления. Предложен метод, основанный на анализе видеозаписи лица для оценки уровня артериального давления. Видеозаписи подвергаются предварительной подготовке: из них выделяются пространственные области интереса, соответствующие лбу и щекам, по которым формируются временные сигналы цветовых компонент. Сигналы подвергаются полосно-пропускающей частотной фильтрации и непрерывному вейвлет-преобразованию с использованием вейвлета Морле. Для восстановления значений систолического и диастолического артериального давления разработана нейронная сеть на основе архитектуры ResNet18, адаптированная для работы с получаемым признаковым пространством и решающая задачу восстановления регрессии. Обучение и оценка нейронной сети проведена на наборе данных, включающем видеозаписи 2200 испытуемых. Полученные результаты показывают, что предложенный подход обеспечивает точность, сопоставимую с результатами аналогичных исследований, хотя пока не достигает требований, предъявляемых к клиническим измерительным системам. Однако продолжение исследований в данной области представляется перспективным.</jats:p> <jats:p>The paper considers the problem of non-contact blood pressure estimation based on video data from facial video using machine learning methods and algorithms. The relevance of the study is due to the high prevalence of hypertension and the limitations of traditional contact blood pressure measurement methods. A method based on the analysis of facial video recordings for blood pressure estimation is proposed. Video recordings were prepared: spatial regions of interest corresponding to the forehead and cheeks were selected from them, along which time signals of color components were formed. The signals were subjected to band-pass frequency filtering and continuous wavelet transform using the Morlet wavelet. To restore the values of systolic and diastolic blood pressure, a neural network based on the ResNet18 architecture has been developed, adapted to work with the resulting feature space and solving the problem of regression restoration. The neural network was trained and evaluated on a dataset including video recordings of 2,200 subjects. The results show that the proposed approach provides accuracy comparable to the results of similar studies, but it does not yet meet the requirements for clinical measurement systems. However, continued research in this area seems promising.</jats:p>