最大亮点
TinyHR 用四个来源互补的 rPPG 数据集学习跨人群、跨拍摄条件的生理信号，同时将模型压缩到 8.2 万参数。初始窗口准备好后，模型计算远低于一秒，并按默认设置每秒更新一次。
参考测试在 Intel Core i9-13900KF（3.00 GHz）CPU 和服务器 NVIDIA H20 GPU 上各运行 100 次。数值仅表示模型推理时间，不包含视频采集、人脸检测、160 帧输入窗口收集和更新调度；结果会随运行环境变化。
训练数据
多来源数据覆盖不同人群和记录条件，为模型学习更稳健的 rPPG 表征提供基础。
| 数据集 | 受试者 | 视频 | 用途 |
|---|---|---|---|
| VIPL-HR V1 | 85 | 1,883 | 训练 |
| VIPL-HR V2 | 500 | 2,498 | 训练 |
| V4V | 103 | 726 | 训练 |
| MCD-rPPG | 600 | 1,200 | 训练；仅正脸视频 |
| 合计 | 1,288 | 6,307 | 四来源训练数据 |
实际演示
观看 TinyHR 完整流程：人脸视频、预测的 rPPG 波形与心率估计同步呈现。
HERTZ 算法集合
HERTZ 将每种心率估计算法作为独立方法模块展示。当前同时提供轻量学习模型与无需训练的可解释管线。
学习型 · 轻量模型
远程光电容积描记（rPPG）从人脸皮肤反射光的细微变化中估计脉搏信号。TinyHR 输入 160 帧、128 × 128 像素的人脸视频，通过轻量卷积管线强化相邻帧差异、提取紧凑空间特征并进行多尺度时间建模。模型先预测 rPPG 波形，再通过滤波与频谱分析计算心率。
01
融合相邻帧差异，突出人脸皮肤中与脉搏相关的细微颜色变化。
02
将逐帧空间特征压缩为紧凑表示，同时保留完整时间序列。
03
通过多个时间偏移分支捕获不同尺度的生理变化并进行残差融合。
04
为每个输入帧生成一个 rPPG 波形值，再交给确定性的信号处理管线。
推理
推理时使用带通滤波保留 0.75-2.5 Hz 的生理频带，再通过 Welch 方法估计功率谱密度，将主频转换为每分钟心跳次数。
心率（BPM）= 60 × 主频（Hz）
无监督 · 信号处理
AdaChrom 是一种无需标注训练数据的无监督 rPPG 心率估计方法。它从人脸 RGB 视频中定位可靠的皮肤区域，提取随脉搏变化的细微颜色信号，通过 CHROM 色度投影恢复血容量脉搏波形，最后利用 FFT 主频分析输出心率，为 TinyHR 之外提供一条轻量、可解释的开源方案。
预处理
BVP 提取
心率估计
实验评估
平均绝对误差（MAE）
获取源代码、安装说明与技术资料。