एक ऐसी दुनिया की कल्पना करें जहाँ आपके स्वास्थ्य की निगरानी बिना किसी तार, सेंसर या त्वचा पर चिपके किसी पैच के की जा सके। यह 'रिमोट फोटोप्लिथिस्मोग्राफी' (remote photoplethysmography) नामक तकनीक का वादा है, एक ऐसी विधि जो एक साधारण वीडियो कैमरे को एक चिकित्सा उपकरण में बदल देती है। आपके चेहरे के माध्यम से रक्त पंप करने वाले आपके दिल की धड़कन के कारण आपकी त्वचा के रंग में होने वाले सूक्ष्म, लगभग अदृश्य परिवर्तनों को देखकर, ये सिस्टम पल्स सिग्नल (नाड़ी संकेत) निकाल सकते हैं। यह टेलीमेडिसिन और होम हेल्थ के लिए एक शक्तिशाली अवधारणा है, जो डॉक्टरों को दूर से रोगी के महत्वपूर्ण संकेतों (वाइटल साइन्स) की जांच करने की अनुमति देती है या ऐसे फिटनेस ट्रैकर्स को सक्षम बनाती है जिन्हें कोई उपकरण पहनने की आवश्यकता नहीं होती। हालाँकि, वर्षों से, यह तकनीक एक मौलिक समस्या से जूझ रही है: हृदय से मिलने वाला संकेत अविश्वसनीय रूप से कमजोर होता है, जो सिर की गतिविधियों, बदलते प्रकाश, या डिजिटल वीडियो के संपीड़न आर्टिफैक्ट्स (compression artifacts) के शोर में आसानी से दब जाता है। ऐसे अव्यवस्थित डेटा से एक स्पष्ट, सटीक हृदय गति संकेत को पुनर्गठित करना इंटेलिजेंट हेल्थ सेंसिंग के क्षेत्र में एक महत्वपूर्ण बाधा बना हुआ है।

एक नया अध्ययन इस शोर को काटने के लिए डिज़ाइन किए गए एक समाधान को पेश करता है, जो वीडियो से पल्स पढ़ने का एक अधिक विश्वसनीय तरीका प्रदान करता है। शोधकर्ताओं ने एक ऐसा सिस्टम विकसित किया है जो वीडियो को केवल छवियों के एक क्रम के रूप में नहीं, बल्कि समय, स्थान और रंग की एक जटिल अंतःक्रिया के रूप में देखता है, जो मानव हृदय की लय द्वारा नियंत्रित होती है। पूरे समस्या को एक ही गणितीय मॉडल के माध्यम से हल करने की कोशिश करने के बजाय, टीम ने एक ढांचा बनाया जो दो पूरक चरणों में कार्य करता है। सबसे पहले, यह चेहरे के उन हिस्सों को सावधानीपूर्वक तौलकर हृदय तरंग (heartbeat waveform) का एक स्थिर, प्रारंभिक अनुमान बनाता है जो किसी भी क्षण सबसे अधिक विश्वसनीय होते हैं। फिर, यह सुधार के लिए एक दूसरे, परिष्करण (refining) प्रक्रिया का उपयोग करता है ताकि उन छोटी त्रुटियों और विकृतियों को ठीक किया जा सके जो अनिवार्य रूप से पहले चरण से निकल जाती हैं। यह दोहरा दृष्टिकोण सिस्टम को हृदय की स्थिर लय बनाए रखने में सक्षम बनाता है और साथ ही पल्स वेव के उन सूक्ष्म, नुकीले विवरणों को भी कैप्चर करता है जो अन्य विधियों में अक्सर खो जाते हैं।

इस नए सिस्टम का मूल आधार चेहरे को देखने का एक परिष्कृत तरीका है। चेहरे को पिक्सेल के एक एकल ब्लॉक के रूप में मानने के बजाय, शोधकर्ताओं ने इसे छोटे क्षेत्रों के ग्रिड में विभाजित किया है। इसके बाद वे प्रत्येक क्षेत्र का व्यक्तिगत रूप से विश्लेषण करते हैं, यह देखते हुए कि कितनी त्वचा दिखाई दे रही है, वह कितनी चमकदार है, और क्या वह हिल रही है। यह सिस्टम को उन क्षेत्रों को अनदेखा करने की अनुमति देता है जो अविश्वसनीय हैं, जैसे कि हाथ से ढकी हुई त्वचा का एक हिस्सा या तेज चमक से प्रभावित क्षेत्र, जबकि अपना ध्यान माथे और गालों पर केंद्रित करता है जहाँ पल्स सिग्नल सबसे मजबूत होता है। महत्वपूर्ण बात यह है कि सिस्टम केवल त्वचा के रंग को ही नहीं देखता; यह यह भी देखता है कि एक फ्रेम से दूसरे फ्रेम में वह रंग कैसे बदलता है और इन परिवर्तनों की तुलना ज्ञात शारीरिक पैटर्न (physiological patterns) से करता है। इन विभिन्न सूचना स्रोतों को जोड़कर, सिस्टम हृदय गति की एक "कॉन्फिडेंस-वेटेड" (विश्वास-भारित) तस्वीर बनाता है, यह सुनिश्चित करते हुए कि अंतिम परिणाम उपलब्ध सबसे ठोस साक्ष्यों पर आधारित हो।

हृदय की जटिल टाइमिंग को संभालने के लिए, शोधकर्ताओं ने एक ऐसी विधि पेश की जो यह समझती है कि चेहरे के विभिन्न हिस्से और समय के विभिन्न क्षण एक-दूसरे से कैसे जुड़े हैं। उन्होंने पाया कि हृदय गति पूरे चेहरे में एक सिंक्रोनाइज़्ड (तुल्यकालिक) प्रतिक्रिया उत्पन्न करती है, जिसमें रक्त का आयतन एक समन्वित पैटर्न में बढ़ता और घटता है। उनका सिस्टम इन उच्च-क्रम के संबंधों को मॉडल करता है, यह पहचानते हुए कि बाएं गाल में परिवर्तन दाएं गाल में परिवर्तन से संबंधित है और ये परिवर्तन एक विशिष्ट चक्र में दोहराए जाते हैं। यह सिस्टम को हृदय की वास्तविक लय को यादृच्छिक शोर या गति से अलग करने की अनुमति देता है जो पल्स जैसा दिख सकता है लेकिन जिसमें सही आवधिक संरचना (periodic structure) का अभाव होता है। इस प्रकार हृदय की आवधिकता (cardiac periodicity) के ज्ञान को सीधे अटेंशन मैकेनिज्म में इंजेक्ट करके, सिस्टम गति या प्रकाश परिवर्तन के कारण होने वाले झूठे संकेतों को अनदेखा करने में बहुत बेहतर हो जाता है।

दूसरा प्रमुख नवाचार यह है कि यह सिस्टम अंतिम हृदय तरंग (waveform) को कैसे उत्पन्न करता है। पिछले तरीकों ने अक्सर एक ही चरण में पूरे पल्स सिग्नल की भविष्यवाणी करने की कोशिश की, जिसके परिणामस्वरूप अक्सर पल्स वेव के तीखे शिखरों और घाटियों जैसे महत्वपूर्ण विवरणों को छोड़ देने वाला एक स्मूथ (चिकना) संस्करण प्राप्त होता था। नया दृष्टिकोण इस कार्य को विभाजित करता है। यह पहले एक स्थिर, प्रमुख लय उत्पन्न करता है जो एक विश्वसनीय आधार (anchor) के रूप में कार्य करती है। फिर, यह एक परिष्करण प्रक्रिया का उपयोग करता है जो उन विशिष्ट सुधारों को सीखने के लिए आवश्यक है जो उस आधार को एक हाई-फिडेलिटी वेवफॉर्म में बदलने के लिए चाहिए। यह परिष्करण चरण एक फाइन-ट्यूनिंग तंत्र की तरह कार्य करता है, जो उन छोटी फेज शिफ्ट और रूपात्मक (morphological) त्रुटियों को ठीक करता है जिन्हें प्रारंभिक भविष्यवाणी ने छोड़ दिया था। अंतिम आउटपुट स्थिर आधार और परिष्कृत सुधार का एक मिश्रण है, जो स्थिर ताल और पल्स के जटिल आकार दोनों को सुरक्षित रखता है।

शोधकर्ताओं ने इस सिस्टम का परीक्षण तीन अलग-अलग डेटासेट्स पर किया, जो नियंत्रित प्रयोगशाला रिकॉर्डिंग से लेकर वास्तविक दुनिया की स्थितियों में मोबाइल फोन से लिए गए वीडियो तक विस्तृत हैं। सबसे नियंत्रित सेटिंग में, सिस्टम ने औसतन केवल 0.04 बीट्स प्रति मिनट की त्रुटि हासिल की, जो एक स्तर की सटीकता है जो संदर्भ मानक (reference standard) से लगभग अविभेद्य है। यहाँ तक कि अधिक चुनौतीपूर्ण मोबाइल फोन वीडियो में भी, जहाँ विषय चल रहे थे, बात कर रहे थे, या बदलते प्रकाश में हिल रहे थे, सिस्टम ने कम त्रुटि दर बनाए रखी, जो मौजूदा विधियों से काफी बेहतर प्रदर्शन करती है। अध्ययन ने यह भी प्रदर्शित किया कि सिस्टम नए, अनदेखे डेटा के लिए अच्छी तरह से सामान्यीकृत (generalize) हो सकता है, और बिना पुन: प्रशिक्षित हुए उन वीडियो से हृदय गति का सफलतापूर्वक अनुमान लगा सकता है जिन्हें उसने पहले कभी नहीं देखा था। यह सुझाव देता है कि सिस्टम ने केवल प्रशिक्षण डेटा से विशिष्ट पैटर्न को याद करने के बजाय, त्वचा के रंग को प्रभावित करने वाले हृदय के मूलभूत नियमों को सीख लिया है।

केवल धड़कनों को गिनने से परे, सिस्टम वास्तव में पल्स वेव के आकार को पुनर्गठित करने में सक्षम सिद्ध हुआ। जब शोधकर्ताओं ने पुनर्गठित तरंगों की तुलना वास्तविक संकेतों से की, तो उन्होंने पाया कि चोटियों (peaks) का समय और समग्र आकार उल्लेखनीय रूप से समान थे। यह एक महत्वपूर्ण अंतर है, क्योंकि पल्स वेव का आकार हृदय संबंधी स्वास्थ्य के बारे में मूल्यवान जानकारी प्रदान करता है जो केवल एक साधारण हृदय गति संख्या प्रदान नहीं कर सकती। सिस्टम इन विवरणों को तब भी संरक्षित करने में सक्षम था जब वीडियो शोर युक्त था या विषय हिल रहा था, जो दर्शाता है कि डुअल-पाथ डिज़ाइन वास्तविक शारीरिक सिग्नल को हस्तक्षेप से प्रभावी ढंग से अलग करता है।

अध्ययन ने यह भी पता लगाया कि सिस्टम कठिन परिस्थितियों में, जैसे कि जब कोई व्यक्ति चल रहा हो या प्रकाश बहुत तेज हो, कैसा व्यवहार करता है। उन्होंने पाया कि हालांकि गति और तेज रोशनी त्रुटियां पैदा करती हैं, लेकिन सिस्टम की अविश्वसनीय क्षेत्रों को रोकने और चेहरे के सबसे स्थिर हिस्सों पर ध्यान केंद्रित करने की क्षमता समग्र प्रदर्शन को मजबूत बनाए रखती है। होने वाली त्रुटियां अक्सर कुछ बहुत ही कठिन अनुक्रमों में केंद्रित थीं, जो यह सुझाव देती है कि सिस्टम वास्तविक दुनिया के अधिकांश परिदृश्यों को उच्च विश्वसनीयता के साथ संभालता है। इसके अलावा, शोधकर्ताओं ने दिखाया कि उनके अटेंशन मैप्स ने माथे और गालों के त्वचा क्षेत्रों को सही ढंग से हाइलाइट किया, जिससे पुष्टि हुई कि सिस्टम वास्तव में उन्हीं शारीरिक संकेतों का उपयोग कर रहा था जिन्हें खोजने के लिए इसे बनाया गया था, न कि किसी भ्रामक सहसंबंध (spurious correlation) पर निर्भर था।

अंत में, यह कार्य संपर्क रहित स्वास्थ्य निगरानी को व्यावहारिक और सटीक बनाने की दिशा में एक महत्वपूर्ण कदम है। शारीरिक लय की गहरी समझ और एक लचीली, दो-चरणीय डिकोडिंग प्रक्रिया को जोड़कर, शोधकर्ताओं ने एक ऐसा सिस्टम बनाया है जो सटीक और लचीला दोनों है। यह केवल हृदय गति का अनुमान नहीं लगाता है; यह पल्स को उस स्तर की शुद्धता (fidelity) के साथ पुनर्गठित करता है जो अधिक उन्नत स्वास्थ्य अनुप्रयोगों के द्वार खोलता है। परिणाम बताते हैं कि सिग्नल प्रोसेसिंग और मशीन लर्निंग के सही संयोजन के साथ, साधारण कैमरा वास्तव में मानव शरीर को समझने के लिए एक शक्तिशाली उपकरण बन सकता है, जो हमें एक ऐसे भविष्य के करीब लाता है जहाँ स्वास्थ्य निगरानी सहज, निर्बाध और सभी के लिए उपलब्ध हो।