BP-rPPG

BP-rPPG数据集包含来自305名参与者的数据。每个记录会话包括：90秒的30fps面部视频、同步的接触式PPG信号、参考收缩压和舒张压、一个高质量记录和一个低质量记录、以及从低质量记录导出的两个H.264变体：C-23和C-40。The BP-rPPG Dataset contains data from 305 participants. Each recording session includes: a 90-second 30fps facial video, synchronized contact-based PPG signals, reference systolic and diastolic blood pressure values, one high-quality recording and one low-quality recording, as well as two H.264 variants labeled C-23 and C-40 derived from the low-quality recording.

原始信息汇总

BP-rPPG数据集描述

BP-rPPG是一个印度面部视频数据集，用于远程血压估计研究，同时提供了名为ALIVE的基线方法实现。该数据集包含305名参与者的数据，每名参与者包含90秒30fps的面部视频、同步接触式PPG信号、参考收缩压（SBP）和舒张压（DBP）值。每个参与者提供高清（HQ）和低清（LQ）两种视频质量版本，其中LQ版本还派生两种H.264压缩变体（C-23和C-40）。

数据访问方法：数据集仅供批准的非商业研究和教育用途。使用者需填写并签署数据集使用协议（通过Google Drive链接获取），然后将签署的协议发送至指定邮箱（[e-mail] 和 [e-mail]）。未经作者许可，禁止重新分发数据集或衍生可识别的相关内容。

ALIVE基线方法概述：ALIVE采用两个基于M-TCN的网络架构——PPG教师网络（N_PPG）和rPPG学生网络（N_rPPG）。教师网络使用4秒接触式PPG信号训练以估计血压；学生网络在训练期间通过教师网络的引导从面部视频中估计血压。训练时，教师网络保持冻结状态，通过特征对齐损失（L_F，使用负皮尔逊相关系数）和预测误差损失（L_DF，减少SBP和DBP预测值与真实值间的误差）指导学生学习。测试阶段仅使用学生网络，无需接触PPG信号或教师网络，通过质量加权融合得到最终的血压估计值。

数据预处理与训练流程：

1. PPG数据准备：所有PPG记录（来自BP-rPPG、MIMIC-II、MSPM或允许的其他来源）需转换为4秒非重叠片段，统一采样频率（默认30Hz，每片段包含120个样本）。
2. 教师网络训练：在组合PPG数据上预训练N_PPG，按数据集进行受试者级分割。
3. rPPG学生输入准备：从面部视频提取MediaPipe地标，划分前额、脸颊和下巴ROI区块，提取绿色通道平均信号，在0.7-4Hz频带内计算信号质量评分（w_n=3），保留前k=15个信号。视频前10秒和后10秒被排除，剩余70秒产生17个完整的4秒片段。
4. 学生网络训练：每个4秒片段作为独立样本，加载冻结的教师网络，学生接收15个rPPG时间信号，使用Adam优化器训练最多20个epoch，批次大小为4，学习率为1e-4，受试者分割约为80%/10%/10%。
5. 测试：仅使用学生网络，对每个片段独立预测SBP和DBP，使用片段平均信号质量作为权重进行质量加权融合，报告MAE、ME和STD（单位mmHg）。

依赖环境：需要Python环境（通过requirements.txt安装依赖），以及MATLAB 2023a或兼容版本用于rPPG ROI和时间信号预处理代码。

搜集汇总

数据集介绍

构建方式

面对无创、连续血压监测的迫切需求，BP-rPPG数据集应运而生，汇集了305名参与者的面部视频与同步接触式光电容积脉搏波（PPG）信号。每位参与者均录制了90秒、30帧/秒的高清（HQ）与低清（LQ）面部视频，并提供了参考收缩压与舒张压值。此外，低清视频衍生出两种H.264编码变体（C-23与C-40），以模拟不同压缩条件下的应用场景。数据构建严格遵循标准流程，涵盖信号采集、ROI提取、时序信号处理及数据划分，确保多模态数据的高度同步与可复现性。

特点

该数据集的核心特点在于其多模态与多质量层次的设计，支持远程血压估计（rPPG）算法的全面评估。同步的接触式PPG信号为教师网络提供监督，而高清与低清视频则对应不同采集环境，压缩变体进一步模拟真实世界中的传输条件。数据划分采用严格的主体独立原则，确保训练与测试人群无重叠，有效评估模型的泛化能力。此外，预处理阶段通过质量评分与平滑处理，剔除了头尾10秒的噪声片段，保留了高质量信号，为特征提取与融合提供了可靠基础。

使用方法

该数据集配套提供了ALIVE基线方法的完整实现，便于研究者复现与扩展。使用流程分步清晰：首先需签署使用协议并通过邮件申请获取数据；随后按照存储库说明安装Python环境及MATLAB依赖，利用预处理脚本将PPG信号分割为4秒片段并统一重采样至30Hz；接着提取面部关键点与ROI时序信号，并生成压缩视频变体；最后依次训练PPG教师网络与rPPG学生网络，在推理阶段仅需学生网络及视频输入，通过质量加权融合得到最终血压估计。整个过程脚本化，支持参数调整与结果验证。

背景与挑战

背景概述

远程光电容积描记术（rPPG）作为非接触式生理监测的前沿技术，通过分析面部视频中的细微肤色变化来估算心率、血氧等指标，近年来在远程医疗与消费电子领域引起了广泛关注。然将rPPG拓展至血压估计，仍面临信号微弱、运动伪迹干扰及个体差异显著等瓶颈。为此，印度理工学院印多尔分校学者Trishna Saikia、Puneet Gupta联合图尔库大学Pasi Liljeberg于2026年在《IEEE Transactions on Consumer Electronics》上发布了BP-rPPG数据集，集结305名印度参与者的90秒面部视频、同步接触式PPG信号及参考收缩压/舒张压，并涵盖高、低质量视频及两种压缩等级变体，为远程血压估计提供了首个大规模、多质量的基准资源。该数据集的发布填补了非接触式血压估计研究中缺乏多样性人群与标准评估协议的空白，其配套的ALIVE基线方法通过知识蒸馏将PPG特征迁移至rPPG网络，显著提升了血压预测的准确性，为后续研究奠定了坚实基础。

当前挑战

BP-rPPG数据集在助力远程血压估计的同时，亦面临多重挑战。首先，从面部视频中提取的rPPG信号极微弱，易受光照变化、头部运动及面部表情干扰，导致血压估计精度受限，传统图像质量分级与信号质量筛选虽可部分缓解，但无法根治。其次，数据集构建过程中需确保视频、接触式PPG、血压参考值严格同步，同时处理不同采集设备间的采样率不匹配与信号噪声，且需对大规模参与者进行标准化采集与质量控制，工程复杂度极高。再者，现有基线ALIVE依赖教师-学生网络框架，其性能受限于接触式PPG标注的可靠性，而不同肤色、年龄及健康状况的个体差异对模型泛化构成潜在障碍。此外，数据的隐私与分发协议严格限制其复现与二次开发，跨数据集泛化时亦面临信号分布漂移的难题。因此，如何在保证数据质量与隐私合规的同时，提升模型对复杂场景的鲁棒性，仍是该领域亟待攻坚的关键方向。

常用场景

经典使用场景

BP-rPPG数据集是远程光电容积描记（rPPG）技术研究领域的一项开创性资源，其核心应用场景聚焦于基于面部视频的血压估计。研究者利用该数据集中的90秒面部视频与同步接触式PPG信号，训练并验证从视频中提取rPPG信号以回归收缩压（SBP）和舒张压（DBP）的深度学习模型。该数据集特有的HQ/LQ及H.264压缩变体（C-23、C-40）为评估视频质量与压缩伪影对血压估计精度的影响提供了标准化测试平台，从而推动了rPPG信号处理与鲁棒血压感知算法的系统化发展。

解决学术问题

该数据集有效破解了远程血压估计研究中公共基准数据匮乏的难题，尤其弥补了现有数据集在印度裔人群表征上的不足，为跨人口统计学的模型泛化研究提供了关键支撑。ALIVE基线方法通过知识蒸馏框架，利用接触式PPG信号作为教师网络，引导学生网络从rPPG特征中学习血压相关信息，在推理阶段无需接触式传感器即可实现血压预测。这一策略显著缓解了rPPG信号信噪比低、个体差异大等问题，为如何利用多模态弱监督信息提升非接触式生理参数估计精度提供了重要方法论指引。

衍生相关工作

该数据集催生了一系列后续研究工作，主要集中在基于多尺度时间卷积网络（M-TCN）的rPPG信号提取与血压回归架构的改进，以及不同视频编码参数对生理测量精度的系统评估。研究者还探索了将知识蒸馏和对比学习等策略用于增强学生网络从面部视频中学习血压相关表征的能力。此外，该数据集也促进了跨数据集（如MIMIC-II、MSPM）的血压估计迁移学习研究，推动了非接触式血压监测模型在真实世界多变条件下的泛化性与鲁棒性验证。