Etäfotopletysmografia: kohti vahvempaa luotettavuutta, yksityisyyttä ja turvallisuutta
Väitöstilaisuuden tiedot
Väitöstilaisuuden päivämäärä ja aika
Väitöstilaisuuden paikka
L10, Linnanmaa
Väitöksen aihe
Etäfotopletysmografia: kohti vahvempaa luotettavuutta, yksityisyyttä ja turvallisuutta
Väittelijä
Master of Science Marko Savic
Tiedekunta ja yksikkö
Oulun yliopiston tutkijakoulu, Tieto- ja sähkötekniikan tiedekunta, Konenäön ja signaalianalyysin tutkimuskeskus
Oppiaine
Tietotekniikka
Vastaväittäjä
Professori Anil Jain, Michiganin yliopisto
Kustos
Akatemiaprofessori Guoying Zhao, Oulun yliopisto
Kasvovideoihin perustuvan kosketuksettoman sykemittauksen parantaminen luotettavuuden, yksityisyyden ja turvallisuuden avulla
Tämä väitöskirja tutkii, kuinka ihmisen syke ja muut elintoiminnot voidaan mitata pelkän kasvovideon avulla. Tätä menetelmää kutsutaan nimellä etäfotopletysmografia (remote photoplethysmography, rPPG), eikä se vaadi fyysistä kontaktia tai puettavia antureita. Se tarjoaa mukavamman ja helpommin saavutettavan vaihtoehdon perinteiselle terveydentilan seurannalle, erityisesti arkiympäristöissä tai etäkäytössä. Vaikka rPPG on lupaava teknologia, se kohtaa monia haasteita. Mittaussignaali voi helposti vääristyä valaistuksen, liikkeen tai muiden ympäristötekijöiden vuoksi, mikä heikentää sen luotettavuutta todellisissa käyttötilanteissa. Lisäksi menetelmä herättää huolta yksityisyydestä ja mahdollisista väärinkäytöksistä tai hyökkäyksistä.
Tämän tutkimuksen tavoitteena on parantaa rPPG:n luotettavuutta kehittämällä uusia tekoälypohjaisia menetelmiä, kuten itseohjautuvaa oppimista ja transformer-arkkitehtuuriin perustuvia syväoppivia malleja. Nämä menetelmät kykenevät tunnistamaan hienovaraisia sykettä kuvaavia signaaleja tarkasti, jopa ilman valmiiksi merkittyä opetusdataa.Väitöskirjassa keskitytään myös yksityisyyteen ja tietoturvaan. Siinä esitellään menetelmä, joka poistaa videosta tunnistettavat kasvojenpiirteet samalla säilyttäen elintoimintasignaalin. Tämä mahdollistaa terveystietojen turvallisemman jakamisen. Lisäksi työssä esitellään kaksi uutta aineistoa, joiden avulla tutkitaan rPPG-järjestelmien haavoittuvuutta fyysisiin häiriöihin ja identiteettihuijauksiin. Nämä testit paljastavat merkittäviä heikkouksia nykyisissä menetelmissä ja tarjoavat työkaluja turvallisempien ratkaisujen kehittämiseen.
Kaiken kaikkiaan tämä työ edistää videoihin perustuvan terveydentilan seurannan luotettavuutta, yksityisyyden suojaa ja tietoturvaa. Tulokset tukevat teknologian turvallista käyttöä tulevaisuuden sovelluksissa, kuten terveydenhuollossa, kuljettajaseurannassa, hyvinvoinnin seurannassa ja turvallisuusjärjestelmissä.
Tämän tutkimuksen tavoitteena on parantaa rPPG:n luotettavuutta kehittämällä uusia tekoälypohjaisia menetelmiä, kuten itseohjautuvaa oppimista ja transformer-arkkitehtuuriin perustuvia syväoppivia malleja. Nämä menetelmät kykenevät tunnistamaan hienovaraisia sykettä kuvaavia signaaleja tarkasti, jopa ilman valmiiksi merkittyä opetusdataa.Väitöskirjassa keskitytään myös yksityisyyteen ja tietoturvaan. Siinä esitellään menetelmä, joka poistaa videosta tunnistettavat kasvojenpiirteet samalla säilyttäen elintoimintasignaalin. Tämä mahdollistaa terveystietojen turvallisemman jakamisen. Lisäksi työssä esitellään kaksi uutta aineistoa, joiden avulla tutkitaan rPPG-järjestelmien haavoittuvuutta fyysisiin häiriöihin ja identiteettihuijauksiin. Nämä testit paljastavat merkittäviä heikkouksia nykyisissä menetelmissä ja tarjoavat työkaluja turvallisempien ratkaisujen kehittämiseen.
Kaiken kaikkiaan tämä työ edistää videoihin perustuvan terveydentilan seurannan luotettavuutta, yksityisyyden suojaa ja tietoturvaa. Tulokset tukevat teknologian turvallista käyttöä tulevaisuuden sovelluksissa, kuten terveydenhuollossa, kuljettajaseurannassa, hyvinvoinnin seurannassa ja turvallisuusjärjestelmissä.
Viimeksi päivitetty: 7.8.2025