非接觸式心律量測和人工智慧被應用於各種領域，包括心理上的疲勞預測。麻省理工學院的電腦科學與人工智慧實驗室(CSAIL)在2012年提出的歐拉影像放大法（Eulerian Video Magnification）可放大影片中的細微顏色和位移變化，並可應用於光體積變化描記圖法（Photoplethysmography）抓取心跳間期。 在本研究中，我們結合注意區域(Region of Interest)和區域峰值偵測演算法，提高在使用歐拉影像技術時心跳預測的準確性，並透過在受試者進行連續性電腦疲勞實驗時收集心律特徵來訓練分類器-支援向量機(Support Vector Machine)模型和邏輯斯迴歸(Logistic Regression)-並預測受試者的心理疲勞。 本研究第一部分發現使用歐拉方法中的YIQ色彩光譜影像放大值利用來心律預測上，Y分量比I分量更準確；結果表示錄影時間增加對心跳預測更準確且相機幀數30比60有更好的心跳預測；結果也顯示使用GoPro高速相機幀數30進行錄影且環境亮度約為1500勒克斯時，得到之心跳與血氧計相比的錯誤率為5％內。 第二部分中，我們依據每位受試者異常心跳間隔值的刪除數量小於30者，從完整資料庫30位電腦疲勞實驗受試者中篩選出14位為數據較優的資料庫，刪除異常值可過濾部分因受試者非自主移動造成的雜訊。總體而言，當使用來自較優資料庫當輸入時，預測結果優於隨機猜測，但在所有二元分類中，16個輸入集中有3個的結果是比隨機猜測還要差；在邏輯斯分類中，我們發現心律變異性(heart rate variability)的頻域參數LF / HF是影響疲勞預測的重要參數。 未來應進一步測試多攝影機同時拍攝，且於臉部的特徵上放置有色標記，以追蹤臉部的注意區域。
Fatigue detection of continuous computer task using support vector machine with Eulerian-based cardiac features
柏喻, 黃. (Author). 2019
學生論文: Doctoral Thesis