MCD-rPPG

MCD-rPPG数据集是一个用于远程光电容积脉搏波描记术(rPPG)和健康生物标志物估计的大型多视角视频数据集。该数据集由600名受试者在休息和运动后状态下，使用多个消费级摄像头从不同角度拍摄的3600段同步视频录制而成。每段录制都配对了100Hz的光电容积脉搏波(PPG)信号和扩展的健康指标，如心电图、动脉血压、生物标志物、温度、血氧饱和度、呼吸率和压力水平。该数据集旨在通过提供多样化的录制条件，促进rPPG模型的训练和测试，并推动远程健康监测领域的研究进展。The MCD-rPPG dataset is a large-scale multi-view video dataset dedicated to remote photoplethysmography (rPPG) and health biomarker estimation. It comprises 3600 synchronized video recordings captured from 600 subjects under both resting and post-exercise states, using multiple consumer-grade cameras from various angles. Each recording is paired with a 100Hz photoplethysmography (PPG) signal and a comprehensive set of health metrics, including electrocardiogram, arterial blood pressure, biomarkers, body temperature, blood oxygen saturation, respiratory rate, and stress level. This dataset aims to facilitate the training and testing of rPPG models and advance research in the field of remote health monitoring by providing diverse recording conditions.

搜集汇总

数据集介绍

构建方式

在心血管健康监测领域，MCD-rPPG数据集通过多视角视频采集与生理信号同步记录构建而成。研究团队采用三台消费级摄像设备（手机、摄像机和网络摄像头）从不同角度同步录制600名受试者的面部视频，每位受试者包含静息状态和轻度运动后两种场景的3分钟数据。所有视频均与100Hz采样率的PPG信号严格对齐，并辅以心电图、血压、血氧饱和度等13类健康指标，通过医疗级设备（如光电体积描记仪、血压计等）精确测量，确保了多模态生理数据的时间一致性。

特点

该数据集的核心优势在于其规模性与多维性：涵盖600名不同年龄与性别的受试者，提供总计3600条同步多视角视频-生理数据对。数据维度包括三路视频流、高精度PPG信号及扩展健康指标（如糖化血红蛋白、胆固醇、动脉僵硬度等），且覆盖静息与运动后两种生理状态，有效增强了模型对动态生理变化的适应性。此外，所有数据均通过开放平台公开发布，突破了传统数据集在隐私限制与访问权限方面的壁垒。

使用方法

研究者可利用该数据集训练远程光电容积描记术（rPPG）模型，通过面部视频提取心率及其他健康指标。典型流程包括从视频中分割面部感兴趣区域（ROI），提取颜色信号后输入神经网络进行端到端训练，支持多任务学习（如同时预测PPG波形、血压、呼吸率等）。数据集已提供标准化数据加载脚本与基准模型代码，支持跨数据集验证与模型泛化能力评估，适用于医疗辅助系统、远程健康监测等应用场景。

背景与挑战

背景概述

远程光电容积描记技术（rPPG）作为非接触式生理监测的核心手段，近年来在计算机视觉与医疗健康交叉领域备受关注。2024年由俄罗斯Sber AI实验室与萨马拉国立医科大学联合发布的MCD-rPPG数据集，旨在解决现有rPPG数据规模有限、隐私约束及缺乏多模态健康指标的问题。该数据集收录600名受试者在静息与运动状态下的多视角视频，同步采集PPG信号及13类健康生物标志物，为心血管参数估计提供了迄今最丰富的开源基准。其多机构协作背景与跨学科设计显著推动了远程医疗监测算法的可解释性与泛化能力研究。

当前挑战

rPPG技术面临从视频中稳定提取微弱血流信号的固有难题，包括环境光照干扰、运动伪影及个体肤色差异对光学测量的影响。MCD-rPPG构建过程中需克服多设备时序同步的工程挑战：三路摄像头与医疗级PPG设备的毫秒级对齐依赖平板时钟的OCR识别与信号互相关算法，约9.1%的数据因同步误差需剔除。此外，跨视角视频的生理信号一致性校验、运动后生理状态剧烈波动下的标注可靠性，以及多模态生物标记物的标准化采集流程，均为数据集构建的核心技术壁垒。

常用场景

实际应用

在实际医疗健康场景中，该数据集支撑了智能医疗助手系统的开发，使通过普通摄像头进行无接触健康监测成为可能。具体应用于视频会诊中的实时生理参数监测、智能手机摄像头的心血管风险评估，以及健身追踪设备的运动恢复分析，为远程医疗和日常健康管理提供了可靠的技术基础。

衍生相关工作

基于该数据集衍生的经典工作包括多任务神经网络架构的优化，实现了在移动设备上的实时生理参数估计。后续研究进一步开发了基于时序差分变换器的PhysFormer模型和周期性稀疏注意力的RhythmFormer架构，这些成果显著提升了跨数据集场景下的心率估计精度，推动了远程生物传感技术的标准化进程。