簡易檢索 / 詳目顯示

回結果列表
研究生： 劉明烜
LIU, MING-HSUAN
論文名稱： 具備個人化校正機制之智慧型手機rPPG生理資訊量測
Smartphone rPPG Vital Sign Measurement with Personalized Calibration Mechanism
指導教授： 侯廷偉
Hou, Ting-Wei
學位類別： 碩士
Master
系所名稱： 工學院 - 工程科學系
Department of Engineering Science
論文出版年： 2026
畢業學年度： 114
語文別： 中文
論文頁數： 73
中文關鍵詞： 遠端光體積描記 、智慧型手機 、非接觸生理量測 、血壓推算 、個人化校正 、血氧飽和度 、呼吸率
外文關鍵詞： remote photoplethysmography, smartphone, contactless vital signs, cuff-less blood pressure, personalized calibration, oxygen saturation, respiratory rate
相關次數： 點閱：10  下載：0 
分享至:
查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報

    • 本論文以智慧型手機為平台，探討一套著重於系統穩定性與工程可行性之rPPG (Remote Photoplethysmography)生理資訊量測架構。研究重點不在於單一演算法之創新，而是從系統層級出發，整合品質導向之訊號處理概念與個人化校正架構，分析多階段品質控管與校正策略對量測穩定性之影響，並評估其於實務量測情境中的可行性。
    實驗結果顯示，導入品質導向設計概念與個人化校正機制後，整體量測結果在穩定性與一致性方面呈現改善趨勢，特別是在訊號品質變動較大的量測情境中更為明顯。相關結果顯示，系統層級之設計取捨與整合策略，對於rPPG 技術由研究方法走向實際裝置實作具有關鍵影響。
    本研究聚焦於工程層級之方法探討與可行性分析，未以臨床診斷或醫療決策為研究目標。所提出之架構與觀察結果，可作為未來發展具實務可行性之rPPG 生理量測系統之參考。

    This thesis investigates a smartphone-based remote photoplethysmography (rPPG) framework with an emphasis on system robustness and engineering feasibility. By integrating quality-oriented signal processing concepts and a personalized calibration framework, the proposed approach aims to improve measurement stability under unconstrained conditions. Experimental results demonstrate improved consistency and robustness of rPPG-based measurements. This work focuses on system-level analysis rather than clinical validation, and provides insights for practical deployment of rPPG on consumer devices.

    摘要 I Extended Abstract II 目錄 IX 表目錄 XII 圖目錄 XIII 第一章 緒論 1 1.1 研究背景與動機 1 1.2 研究目的 2 1.3 研究貢獻 2 1.4 論文架構 3 第二章 文獻探討 4 2.1 Photoplethysmography (PPG) 原理與波形特徵 4 2.1.1 研究挑戰與背景 4 2.1.2 PPG 量測原理與光學配置 4 2.1.3 波形形態特徵及其生理意涵 5 2.2 Remote PPG（rPPG）基礎：臉部流程與訊號生成 7 2.2.1 臉部 ROI 取樣與追蹤（multi-ROI / patches） 9 2.2.2 rPPG 訊號生成方法（POS / 投影類） 9 2.2.3 手機端干擾來源與品質控管需求 10 2.3 rPPG 心率（HR）估算方法 12 2.4 rPPG 呼吸率（RR）估算方法 13 2.5 相機式 SpO₂ 估算：ratio-of-ratios 與手機端限制 13 2.6 無袖帶（cuffless）BP估算流程：形態特徵與個體差異 15 2.7 個人化校正與驗證（AHA / Mukkamala 核心精神） 16 2.8 小結 19 第三章 研究方法 21 3.1 系統總覽與資料流程 21 3.2 影像擷取、倒數啟動與 ROI 取樣 23 3.2.1 影像擷取與時間標記建立 23 3.2.2 量測前準備階段與相機穩定化設計 23 3.2.3 Armed 狀態與量測起點定義 24 3.2.4 多 ROI 取樣與 RGB 時序訊號建立 24 3.3 rPPG 訊號生成流程與多路架構設計 25 3.3.1 共同前處理（Pre-processing） 25 3.3.2 Signal formation（POS/投影類方法） 25 3.3.3 多路解耦架構(Multi-track decoupling） 26 3.4 品質指標、Quality Gating 與融合策略 26 3.4.1 品質指標（Quality metrics） 26 3.4.2 Top-K ROI 選擇與 track 融合（概述） 27 3.4.3基於品質權重之保守融合 27 3.5 心率、呼吸率與血氧飽和度估算（HR / RR / SpO₂ Vital Signs Inference）估算流程 29 3.5.1 心率估算（Heart Rate, HR） 29 3.5.2 呼吸率估算（Respiratory Rate, RR） 30 3.5.3 血氧飽和度估算（SpO₂） 31 3.6 BP 形態特徵擷取與 raw BP估算（BP Morphology & Raw Estimation） 34 3.6.1 量測前段處理與避免形態失真之訊號處理設計 34 3.6.2 morphology 特徵點與特徵定義 34 3.6.3 raw BP estimate 的定位 35 3.7 Reference BP protocol 與 raw/ref pairing 35 3.7.1 兩階段量測設計（Pre-cal / Post-cal） 35 3.7.2 Δt 對齊門檻（固定規格） 36 3.7.3 單次 reference 的合理性與風險控管 36 3.8 條件式個人化校正（Conditional Calibration）與安全機制 37 3.8.1 校正點與模式切換 37 3.8.2 固定安全規格（slope clamping / physiological bounds） 38 3.9 Logging / Export 與可追溯性（Traceability-ready Output） 39 第四章 實驗設計與結果分析 43 4.1 研究設計概述 43 4.2 實驗設備與受試者 43 4.2.1 實驗設備 43 4.2.2 受試者與量測條件 44 4.3 量測流程（Pre-cal / Reference / Post-cal） 45 4.3.1 Smartphone rPPG 單次量測流程 45 4.3.2 Reference BP 量測 45 4.3.3 raw/ref pairing 與個人化校正流程 45 4.4 時間對齊、納入規則與品質控管 46 4.4.1 Δt對齊門檻（fixed spec） 46 4.5 評估指標 47 4.5.1 MAE 與 RMSE 47 4.5.2 Bland–Altman 47 4.6 結果 47 4.6.1 校正前後 BP 誤差改善（主要結果） 48 4.6.2 以受試者為單位之 raw/ref pairing 與誤差分布 49 4.7 討論 51 4.8 本章小結 52 第五章 結論與未來展望 53 5.1 結論 53 5.2 未來工作與展望 55 參考文獻 56

    [1] J. B. Cohen, R. L. Byfield, S. T. Hardy, et al., “Cuffless Devices for the Measurement of Blood Pressure: A Scientific Statement from the American Heart Association,” Hypertension, vol. 82, pp. e00–e00, 2025. doi:10.1161/HYP.0000000000000254.
    [2] R. Mukkamala, M. Yavarimanesh, K. Natarajan, et al., “Evaluation of the Accuracy of Cuffless Blood Pressure Measurement Devices: Challenges and Proposals,” Hypertension, vol. 78, no. 5, pp. 1161–1167, 2021. doi:10.1161/HYPERTENSIONAHA.121.17747.
    [3] R. J. Lee, S. Sivakumar, and K. H. Lim, “Review on Remote Heart Rate Measurements Using Photoplethysmography, ”Multimedia Tools and Applications, vol. 83, pp. 44699–44728, 2024. doi:10.1007/s11042-023 16794-9.
    [4] W. Chen, Z. Yi, L. J. R. Lim, et al., “Deep Learning and Remote Photoplethysmography Powered Advancements in Contactless Physiological Measurement,” Frontiers in Bioengineering and Biotechnology, vol. 12, art. 1420100, 2024. doi:10.3389/fbioe.2024.1420100.
    [5] C. G. Scully, J. Lee, J. Meyer, et al., “Physiological Parameter Monitoring from Optical Recordings With a Mobile Phone, ” IEEE Transactions on Biomedical Engineering, vol. 59, no. 2, pp. 303–306, Feb. 2012.doi:10.1109/TBME.2011.2163157.
    [6] M. Elgendi,“On the Analysis of Fingertip Photoplethysmogram Signals,”Current Cardiology Reviews, vol. 8, no. 1, pp. 14–25, 2012.
    [7] A. Lam and Y. Kuno, "Robust Heart Rate Measurement from Video Using Select Random Patches," in Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2015, pp. 3640–3648.
    [8] S. Tulyakov, X. Alameda-Pineda, E. Ricci, et al. Self-Adaptive Matrix Completion for Heart Rate Estimation from Face Videos under Realistic Conditions, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2396–2404, 2016.
    [9] W. Karlen, J. M. Ansermino, and G. A. Dumont, “Multiparameter Respiratory Rate Estimation from the Photoplethysmogram, IEEE Transactions on Biomedical Engineering, vol. 60, no. 7, pp. 1946–1953, 2013.
    [10] J. S. Lee, G. Hwang, M. Ryu, and S. J. Lee, “LSTC-rPPG: Long Short-Term Convolutional Network for Remote Photoplethysmography,” in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), 2023.
    [11] E. Allado, M. Poussel, J. Renno, et al., “Remote Photoplethysmography Is an Accurate Method to Remotely Measure Respiratory Rate: A Hospital-Based Trial, ”Journal of Clinical Medicine, vol. 11, art. 3647, 2022.doi:10.3390/jcm11133647.
    [12] M. van Gastel and W. Verkruysse,“Contactless SpO₂ with an RGB camera: Experimental Proof of Calibrated SpO₂,”Biomedical Optics Express, vol. 13, no. 12, pp. 6791–6802, 2022.doi:10.1364/BOE.471332.
    [13] A. M. Cabanas, N. Sáez, P. O. Collao-Caiconte, et al., “Evaluating AI Methods for Pulse Oximetry: Performance, Clinical Accuracy, and Comprehensive Bias Analysis, ”Bioengineering, vol. 11, art. 1061, 2024. doi:10.3390/bioengineering11111061.
    [14] S. Yang, Y. Zhang, S.-Y. Cho, R. Correia, and S. P. Morgan, “Non-invasive Cuff-less Blood Pressure Estimation Using a Hybrid Deep Learning Model,” Optical and Quantum Electronics, vol. 53, art. 93, 2021. doi:10.1007/s11082-020-02667-0.
    [15] G. de Haan and V. Jeanne, “Robust Pulse Rate from Chrominance-Based rPPG,” IEEE Transactions on Biomedical Engineering, vol. 60, no. 10, pp. 2878–2886, 2013.
    [16] International Medical Device Regulators Forum (IMDRF) SaMD Working Group, “Software as a Medical Device (SaMD): Application of Quality Management System,” IMDRF/SaMD WG/N23FINAL, 2015.

    QR CODE