Adaptive, physiologisch informierte Korrektur für zuverlässige entfernte Photoplethysmographie-Herzfrequenzüberwachung

Den Puls ohne Berührung prüfen

Stellen Sie sich vor, Ihr Telefon verfolgt unauffällig Ihren Puls, während Sie in einem Videoanruf sprechen oder im Wartezimmer sitzen — keine Kabel, keine Brustgurte, keine Fingerclips. Dank Kameras, die winzige Farbänderungen im Gesicht lesen können, die mit dem Blutfluss einhergehen, ist diese Vision nahe an der Realität. Dennoch werden diese kontaktlosen Herzfrequenzmessungen leicht durch Bewegung und schlechte Beleuchtung gestört. Diese Studie stellt ein cleveres, kostengünstiges Software-Add-on vor, das die kamerabasierte Herzfrequenzüberwachung deutlich zuverlässiger macht, selbst auf einfachen Geräten wie Wearables oder Heimgesundheitsgeräten.

Warum das Beobachten des Gesichts das Herz verraten kann

Die Herzfrequenz ist ein wichtiges Vitalzeichen, das nicht nur die Gesundheit von Herz und Blutgefäßen widerspiegelt, sondern auch Fitnessniveau und psychischen Stress. Traditionell verlassen sich Ärztinnen und Ärzte auf Elektrokardiogramme sowie Fingernagel- oder Handgelenkssensoren, die Licht in die Haut senden, um Blutpulsschläge zu messen. Diese Kontaktgeräte funktionieren gut, können aber unbequem sein, sich während des Schlafs oder einer Operation als schwer handhabbar erweisen und für kontinuierliche Überwachung unpraktisch sein. Die entfernte Photoplethysmographie, oder rPPG, verfolgt einen anderen Ansatz: Sie nutzt eine gewöhnliche Kamera, filmt das Gesicht und extrahiert dann mit Software die subtilen Farbverschiebungen, die durch jeden Herzschlag verursacht werden. Da die meisten Menschen bereits Kameras in Telefonen, Laptops und Krankenhauszimmern haben, könnte rPPG die Herzfrequenzüberwachung deutlich zugänglicher machen.

Das Problem mit Bewegung und Schatten

In der Praxis sind rPPG-Signale unordentlich. Kopfbewegungen, Sprechen oder Sport fügen Bewegungsartefakte hinzu; schwaches oder wechselndes Licht verändert, was die Kamera erfasst. Diese Faktoren erzeugen falsche Spitzen in den Frequenzmustern, die Algorithmen zur Schätzung der Herzfrequenz nutzen, was zu Sprüngen oder Abstürzen führen kann, die nicht dem echten Puls entsprechen. Frühere Forschung konzentrierte sich auf das Säubern des Rohsignals oder auf schwere Machine-Learning-Modelle, die manchmal zusätzliche Sensoren wie Beschleunigungsmesser erfordern. Diese Methoden können im Labor genau sein, verlangen jedoch oft leistungsstarke Prozessoren, sorgfältige Anpassung oder Cloud-Verarbeitung — Hürden für kleine, datenschutzsensible Geräte am Rand des Netzes.

Das Verhalten des Herzens als Leitfaden nutzen

Die Autorinnen und Autoren wählen einen anderen Ansatz: Statt nur das Kamerasignal zu polieren, korrigieren sie die Herzfrequenzschätzungen nachträglich mit einfachen Regeln, die auf der zeitlichen Dynamik echter Herzen beruhen. Medizinische und sportwissenschaftliche Studien zeigen, dass ein gesundes Herz nicht binnen Sekunden dutzende Schläge pro Minute springt. Wenn Menschen schneller oder langsamer werden, steigt oder fällt die Herzfrequenz typischerweise innerhalb bekannter Grenzen. Der neue Algorithmus beobachtet die Folge der geschätzten Herzfrequenzen und vergleicht jeden neuen Wert mit den jüngsten. Würde ein plötzlicher Ausreißer eine schnellere Veränderung erfordern, als die Physiologie erlaubt, verwirft die Software diesen Wert vorübergehend und behält die letzte verlässliche Schätzung bei, wobei neue Werte erst akzeptiert werden, wenn ein konsistenter Trend erkennbar ist.

Den Algorithmus auf die Probe stellen

Um die Wirksamkeit dieses Konzepts zu prüfen, testete das Team es an drei öffentlichen Datensätzen, die schwierige Realbedingungen abbilden. Ein Datensatz enthielt Personen, die sich bewegten, den Kopf drehten, sprachen oder trainierten. Ein anderer wurde bei sehr schwachem Licht aufgezeichnet, und ein dritter zeigt nahezu ideale, ruhige Innenaufnahmen. In jedem Fall wurde die Herzfrequenz zunächst mit mehreren gängigen rPPG-Methoden geschätzt und dann mit unterschiedlichen Korrekturverfahren verfeinert. In allen Datensätzen steigerte der physiologisch informierte Algorithmus deutlich den Anteil der Messungen, die den Standards für Verbrauchergeräte entsprechen. Bei einem anspruchsvollen Bewegungsdatensatz stieg der Anteil genauer Messungen (innerhalb von 10 Schlägen pro Minute des wahren Werts) von etwa 46 % auf über 84 %; bei schwachem Licht stieg er von rund 48 % auf 69 %. Selbst unter leichteren Bedingungen verbesserte die Methode die Leistung. Gleichzeitig lief der Algorithmus extrem schnell und passte auf einen winzigen Arduino-Mikrocontroller, während einige konkurrierende Methoden zu rechenintensiv für den Einsatz waren.

Was das für die Gesundheitstechnik im Alltag bedeutet

Indem die Software beigebracht wird, zu respektieren, wie das menschliche Herz natürlich an- und abschwillt, zeigt diese Arbeit, dass einfache Regeln viele fehlerhafte kamerabasierte Messungen retten können, ohne zusätzliche Sensoren oder leistungsstarke Prozessoren. Der Algorithmus fügt sich als Plug-and-Play-Schritt nach bestehenden rPPG-Methoden ein, filtert offensichtlich unwahrscheinliche Werte heraus und stabilisiert die Herzfrequenzkurve. Die Autorinnen und Autoren weisen zwar auf Grenzen hin — etwa eine kurze Aufwärmphase und mögliche Probleme bei Personen mit unregelmäßigem Herzrhythmus — doch der Ansatz deutet auf vertrauenswürdigere, kostengünstigere und datenschutzfreundlichere entfernte Pulsmessungen hin. In naher Zukunft könnten solche Korrekturwerkzeuge zuverlässige kontaktlose Pulskontrollen in Autos, Krankenhausbetten, Fitnessgeräten und Telemedizin-Plattformen ermöglichen.

Zitation: Tian, Y., Li, S., Zhu, Y. et al. Adaptive physiology-informed correction for reliable remote photoplethysmography heart-rate monitoring. npj Digit. Med. 9, 233 (2026). https://doi.org/10.1038/s41746-026-02386-y

Schlüsselwörter: ferne Photoplethysmographie, kontaktlose Herzfrequenz, digitale Gesundheit, tragbare Sensorik, Telemedizin