DLCN

DLCN数据集是首个专注于夜间动态光照条件下远程光电容积脉搏波描记术(rPPG)的大型数据集，由重庆第七人民医院的研究团队收集。该数据集包含了98名参与者在四种代表性的夜间光照场景下约13小时的视频数据及其对应的生理信号。数据集内容丰富多样，包括休息状态和运动状态下的心率变化，旨在提高rPPG算法在实际复杂环境中的鲁棒性和泛化能力。数据集的创建过程严格遵循医学伦理标准，并得到了所有参与者的知情同意。DLCN数据集的发布填补了现有rPPG数据集在夜间动态光照条件下的空白，为rPPG技术在真实世界场景中的应用提供了重要的研究资源。

The DLCN dataset is the first large-scale dataset focused on remote photoplethysmography (rPPG) under dynamic nighttime lighting conditions, collected by the research team from the Seventh People's Hospital of Chongqing. This dataset contains approximately 13 hours of video data and corresponding physiological signals from 98 participants across four representative nighttime lighting scenarios. It covers diverse scenarios including heart rate variations under both resting and exercising states, aiming to enhance the robustness and generalization capability of rPPG algorithms in real-world complex environments. The construction of this dataset strictly adheres to medical ethical standards, and informed consent was obtained from all participants. The release of the DLCN dataset fills the gap in existing rPPG datasets under dynamic nighttime lighting conditions, providing a valuable research resource for the application of rPPG technology in real-world scenarios.

原始信息汇总

Happy-rPPG Toolkit 数据集概述

📌 简介

Happy-rPPG Toolkit 是一个轻量级、易于调试的 rPPG（远程光电容积描记）框架，主要面向初学者设计。其算法实现相对基础，便于理解和实验验证。需要注意的是，该工具包中的算法主要来源于 rPPG-Toolbox，可能存在一些缺陷，使用时需谨慎。

📊 包含的数据集

常用 rPPG 数据集概览

数据集	描述	论文链接
DLCN	在夜间动态光照条件下收集的挑战性数据集，包含 98 名受试者在 4 种光照场景下的 784 段视频，涵盖休息和运动状态。	链接
UBFC-rPPG	常用且相对简单的数据集，在稳定、光线良好的室内条件下收集，受试者基本保持静止，心率分布广泛。	链接
PURE	在受控光照条件下收集的不同头部运动的小型数据集。	链接
COHFACE	在室内良好和不良光照条件下收集，其压缩格式存储对 rPPG 信号提取有影响。	链接

DLCN 数据集详情

• 98 名志愿者，每种光照条件下记录：
  1. 固定强度和固定位置
  2. 变化强度和固定位置
  3. 固定强度和移动位置
  4. 变化强度和移动位置
• 784 个视频样本，涵盖休息和运动状态
• 在暗室中采集，同步获取生理信号

🔬 包含的方法

rPPG 方法概览

方法	类型	描述
CHROM	传统方法	基于颜色空间的基线方法
POS	传统方法	流行的肤色增强技术
ICA	传统方法	用于盲源分离的统计方法
PhysNet	深度学习	基于 3D 卷积网络
EfficientPhys	深度学习	基于 2D 卷积网络和 TSM
PhysFormer	深度学习	结合 3DCNN 和自注意力机制

📚 引用

如果使用此工具包或 DLCN 数据集，请引用：

@misc{li2025exploringremotephysiologicalsignal, title={Exploring Remote Physiological Signal Measurement under Dynamic Lighting Conditions at Night: Dataset, Experiment, and Analysis}, author={Zhipeng Li and Kegang Wang and Hanguang Xiao and Xingyue Liu and Feizhong Zhou and Jiaxin Jiang and Tianqi Liu}, year={2025}, eprint={2507.04306}, archivePrefix={arXiv}, primaryClass={cs.CV}, url={https://arxiv.org/abs/2507.04306}, }

搜集汇总

数据集介绍

构建方式

DLCN数据集构建于夜间动态光照条件下，旨在填补rPPG研究领域在复杂光照环境下的数据空白。研究团队在实验室环境中搭建了一个封闭的黑棚，通过可调光源模拟了四种典型的夜间光照场景：固定强度与位置（FI&FP）、变化强度与固定位置（VI&FP）、固定强度与变化位置（FI&VP）以及变化强度与变化位置（VI&VP）。数据采集过程中，98名志愿者在静息和运动两种状态下进行视频录制，同步使用指尖脉搏血氧仪采集生理信号。视频数据通过Logitech C922 HD Pro网络摄像头以640×480分辨率和30帧率捕获，确保了数据的高质量和同步性。

特点

DLCN数据集以其高多样性和真实性著称，涵盖了约13小时的视频数据及同步生理信号。该数据集特别设计了动态光照变化，包括光源亮度和位置的实时调整，模拟了真实夜间环境中的光照干扰，如车辆前灯和广告牌的闪烁光。此外，数据集通过静息和运动状态的结合，扩展了心率范围（45-154 bpm），增强了算法在不同生理状态下的泛化能力。与现有数据集相比，DLCN在光照强度和动态变化方面提供了更广泛的覆盖，为算法在低光照和复杂光照条件下的鲁棒性评估提供了宝贵资源。

使用方法

DLCN数据集的使用需结合Happy-rPPG Toolkit，该工具包集成了多种主流rPPG算法，支持数据预处理、增强、模型训练和评估。研究人员可通过该工具包进行跨场景和跨数据集的性能测试，特别是在动态光照条件下的算法适应性分析。使用流程包括面部区域裁剪、时间序列分割、带通滤波等步骤，确保信号提取的准确性。此外，工具包提供了多种评估指标（如MAE、RMSE、SNR和Pearson相关系数），便于全面比较算法性能。数据集和工具包的公开性促进了研究社区在复杂光照环境下rPPG技术的进一步发展。

背景与挑战

背景概述

DLCN数据集由Zhipeng Li等人于2025年提出，旨在解决动态夜间光照条件下远程光电容积描记术（rPPG）的信号测量问题。该数据集包含来自98名参与者的约13小时视频数据及同步生理信号，覆盖四种典型夜间光照场景。作为首个专注于夜间动态光照条件的rPPG数据集，DLCN填补了现有数据在真实复杂光照环境表征上的空白，为健康监测、情感识别等领域的算法鲁棒性评估提供了重要基准。其创新性设计推动了非接触式生理测量技术在驾驶监控等实际场景中的应用研究。

当前挑战

DLCN数据集面临的核心挑战体现在两方面：领域问题层面，现有rPPG方法在动态光照强度变化（如车灯闪烁、广告牌光源）和低照度环境下信号提取稳定性显著下降，传统基于颜色空间变换的算法MAE误差可达29.8 bpm；构建过程层面，需精确控制多变量照明场景（固定/变化的光源强度与位置），同步高精度生理信号采集，并解决运动状态与光照变化耦合下的数据标注难题。此外，数据样本需覆盖45-154 bpm的宽心率范围以增强泛化性，这对实验设计与参与者招募提出更高要求。

常用场景

经典使用场景

在夜间动态光照条件下，远程光电容积描记技术（rPPG）面临信号提取的重大挑战。DLCN数据集通过模拟真实夜间环境中的光照变化，如广告牌闪烁、车灯交替等复杂场景，为算法鲁棒性评估提供了标准化测试平台。其13小时视频数据与同步生理信号的组合，尤其适用于验证模型在低照度、高动态范围光照下的性能表现，填补了该领域数据资源的空白。

衍生相关工作

DLCN催生了多项针对动态光照优化的创新工作：Happy-rPPG Toolkit整合了PhysFormer等模型的改进版本，支持跨场景性能对比；RhythmFormer利用周期性稀疏注意力机制提升信号周期检测能力；Spiking-PhysFormer通过脉冲神经网络降低计算开销。这些衍生研究共同推进了rPPG在移动端设备的实时应用，相关成果发表于Pattern Recognition等期刊。

数据集最近研究

最新研究方向

近年来，远程光电容积描记技术（rPPG）在非接触式生理信号测量领域展现出广阔的应用前景，尤其在健康监测和情绪识别等场景中备受关注。然而，现有研究多集中于理想光照条件下的算法优化，而真实夜间动态光照环境下的性能表现仍存在显著空白。DLCN数据集的发布填补了这一关键缺口，为研究者提供了涵盖四种典型夜间光照场景的大规模视频与生理信号数据。该数据集不仅推动了动态光照条件下rPPG算法的鲁棒性研究，更通过集成Happy-rPPG工具包促进了算法复现与比较研究。当前前沿探索聚焦于三个维度：基于深度学习的时空特征建模以应对光照突变，时序增强策略改善高心率场景下的泛化能力，以及归一化方法消除不同照度下的分布差异。这些研究对智能驾驶监控等安全关键型应用具有重要价值，标志着rPPG技术向复杂现实场景迈出了实质性步伐。

相关研究论文

• Exploring Remote Physiological Signal Measurement under Dynamic Lighting Conditions at Night: Dataset, Experiment, and Analysis

  重庆第七人民医院 · 2025年