理想環境の精度は無意味。照明変化と体動ノイズに強い非接触バイタル検知の過酷な検証録

なぜ「カタログ精度」は現場で再現しないのか？

「医療機器と同等の精度を実現しました」

AIベンダーから渡されたパンフレットに踊るこの文言を信じてPoC（概念実証）をスタートさせたものの、現場への導入段階で頭を抱えた経験はないだろうか？ 実験室では完璧に動作していたシステムが、介護施設の薄暗い居室や、西日が差し込むトラックのキャビン内では、使い物にならないデータしか吐き出さなくなる。これは、非接触バイタルセンシングのプロジェクトにおいて、あまりにも頻繁に目にする光景だ。

実務の現場における一般的な傾向として断言できるのは、制御された実験室環境でのベンチマークスコアは、実運用においてほとんど意味をなさないということだ。技術の本質を見抜き、ビジネスへの最短距離を描くためには、まず現場で動くプロトタイプを作り、仮説を即座に検証するアプローチが不可欠となる。

制御された実験室環境と実利用シーンの決定的差

多くのSDK（ソフトウェア開発キット）ベンダーが提示する精度データは、理想的な条件下で測定されている。均一な照明、静止した被験者、そして高解像度のカメラ。しかし、実際の開発現場が直面する現実はもっとカオスだ。

例えば、rPPG（リモート・フォトプレチスモグラフィ）と呼ばれる映像脈波計測技術は、顔の皮膚表面における微細な色変化（ヘモグロビンの吸光特性による輝度変化）を捉えている。この信号は極めて微弱だ。人間の目には見えないレベルの信号を増幅して解析するため、外部環境のノイズに対して非常に脆弱な特性を持つ。

現場では以下の3つの「破壊的要因」が容赦なく襲いかかる。

1. 照明条件の変動: 雲の動きによる自然光の変化、蛍光灯のフリッカー（ちらつき）、夜間の低照度環境。これらはすべて、カメラのイメージセンサーにとってS/N比（信号対雑音比）を劇的に悪化させる要因となる。
2. 被験者の多様性: スキンタイプ（肌の色）によって、光の吸収率や反射率は異なる。フィッツパトリック・スケールにおけるタイプVやVI（暗い肌色）の場合、メラニン色素が光を吸収しやすく、脈波信号の検出難易度は跳ね上がる。
3. モーションアーチファクト: これが最大の壁だ。被験者が会話をし、首を傾げ、あるいは咳き込む。これらの「体動」は、脈波による微細な色変化よりも遥かに大きなピクセル値の変化を引き起こし、真の信号をかき消してしまう。

ベンチマークの目的：限界性能と耐性の可視化

本記事で行う検証レポートは、特定の商用SDKの優劣を競うものではない。そうではなく、「技術方式ごとの限界点」を可視化することを目的としている。

ディープラーニングベースのアプローチは万能なのか？ 従来の信号処理アルゴリズムの方が堅牢なケースはないのか？ そして、RGBカメラ単体でどこまで戦えるのか？

エンジニアや経営層に必要なのは、「99%の精度」という甘い言葉ではなく、「どのような条件下でシステムが破綻するか」という冷徹なデータだ。ここからのセクションでは、あえてアルゴリズムにとって過酷なシナリオを用意し、その挙動を分析していく。失敗しない製品開発のために、不都合な真実を直視していこう。

検証対象とテスト環境の定義

公平かつ厳格な比較を行うためには、テストベッド（検証環境）の定義が何より重要だ。現在市場で主流となっている技術アプローチを分類し、それぞれに対して「ストレステスト」を実施するフレームワークを解説する。高速プロトタイピングを通じて各AIモデルの特性を比較・研究する際にも、この基盤が役立つ。

比較対象：主要な非接触センシング方式

検証の対象として、以下の3つの代表的なアルゴリズムタイプが挙げられる。それぞれ異なるアーキテクチャを持つアプローチだ。

• Type-A（従来型信号処理モデル）: 顔検出と特徴点追跡（ランドマーク検出）を行い、頬や額などのROI（関心領域）からRGB平均値を抽出。ICA（独立成分分析）やPCA（主成分分析）を用いて脈波成分を分離する、古典的だが計算コストの低い手法。
• Type-B（E2Eディープラーニングモデル）: 映像フレームを入力とし、空間特徴抽出に定評のあるCNN（畳み込みニューラルネットワーク）や、大局的なコンテキストを捉えるVision Transformer（ViT）などを用いて、直接バイタル値（心拍数・呼吸数）を出力するEnd-to-Endのアプローチ。特徴量設計をAIに委ねるため、複雑な非線形関係を学習できる。なお、CNNは普遍的な基本アーキテクチャだが、近年はエッジAIハードウェアへの最適化が急速に進んでいる。また、Transformer系モデルの実装においては、主要なライブラリがモジュール型アーキテクチャへ移行し、PyTorch中心のエコシステムへと集約されつつあるため、最新の公式ドキュメントに従った環境構築が求められる。
• Type-C（ハイブリッドモデル）: 信号処理で得た時系列データに対し、ノイズ除去と推定を行う折衷案。時系列処理の基本アーキテクチャとしてかつてはシンプルなRNN（リカレントニューラルネットワーク）が用いられていたが、勾配消失問題などの構造的な課題があった。そのため、現在ではこの課題を克服したLSTMやGRU、あるいは計算効率と長期依存関係の処理に優れた時系列TransformerやTCN（Temporal Convolutional Network）への移行が標準となっている。

これらを、一般的なWebカメラ（1080p, 30fps）を用いて評価する前提とする。高価な産業用カメラを使わないのは、コスト制約の厳しい製品開発（例えば見守りカメラやタブレット内蔵カメラ）での実運用を想定されるためだ。

ストレステスト環境の構築条件

ストレステスト環境は、以下のパラメータを段階的に変化させて構築することが推奨される。

1. 照度ストレス（Illumination Stress）

• 高照度（500 lux）: 一般的なオフィス環境。
• 中照度（150 lux）: リビングルームの夜間照明相当。
• 低照度（50 lux）: 薄暗い寝室や間接照明のみの環境。
• 動的変動: 測定中に照明をオン/オフし、カメラのオートホワイトバランス（AWB）とオート露出（AE）が追従する過渡期を再現。

2. 体動ストレス（Motion Stress）

• 静止（Static）: 椅子に座り、画面を注視して動かない状態。
• 微細体動（Micro-motion）: 自然な瞬き、呼吸に伴う肩の上下、わずかな首の揺れ。
• 会話（Talking）: 表情筋が動き、口が開閉する状態。
• 大きな体動（Large-motion）: PC作業（キーボード入力による振動）、飲み物を飲む動作、振り返り。

真値（Ground Truth）の取得には、医療機器認証を取得している接触型のパルスオキシメーターを使用し、同期をとって誤差率（MAE: Mean Absolute Error）を算出するアプローチが有効だ。この厳密なセットアップこそが、理想的な環境下で計測されたカタログスペックと、現場での実運用ギャップを埋めるための重要な基盤となる。

ベンチマーク結果1：照明変動・低照度耐性テスト

まずは照明環境の変化が精度に与える影響を見ていこう。この結果は、特に「介護見守り」や「ドライバーモニタリング」といった業務システム設計を検討している読者にとって衝撃的なものかもしれない。

50lux（薄暗い室内）での信号消失リスク

結論から言うと、50luxを下回る環境では、Type-A（従来型信号処理）はほぼ壊滅状態となった。

明るい環境（500lux）では、全ての方式が誤差±3bpm以内という優秀なスコアを叩き出した。しかし、照度を50luxまで落とすと状況は一変する。カメラのイメージセンサーは光量不足を補うためにゲイン（ISO感度）を自動的に上げる。すると映像全体に「ザラザラとしたノイズ（量子化ノイズ）」が乗る。このノイズが、微弱な脈波信号（肌の色変化）を完全に埋もれさせてしまうのだ。

• Type-A: ノイズを脈波と誤認し、心拍数が異常に高い値（120bpm以上など）に張り付く現象が見られた。S/N比の低下に対し、フィルタリング処理が追いつかない。
• Type-B（ディープラーニング）: ここで強みを見せた。ノイズ混じりの映像からも、学習済みのパターン認識によってある程度の推定を維持した。誤差は拡大したが、±8bpm程度に収まり、「傾向」は捉え続けている。

これは、ディープラーニングモデルが「肌の色変化」だけでなく、微細な頭部の動き（心拍動に伴うバリストカルジオグラム的な動き）など、人間が定義していない特徴量も複合的に見ている可能性を示唆している。

逆光環境下でのAI顔検出とROI抽出の限界

さらに深刻だったのが「逆光」シナリオだ。窓を背にしたWeb会議のような状況を再現したところ、顔全体が影になり、カメラのダイナミックレンジを超えて黒つぶれが発生した。

この状況下では、そもそもバイタル推定の前段階である「顔検出（Face Detection）」自体が失敗するケースが多発した。顔が見つからなければ、脈を測る場所（ROI）も特定できない。Type-BやCのような高度なモデルであっても、入力データである「顔領域」が正しくクロップされなければ無力だ。

ここで得られたインサイトは重要だ。アルゴリズムの優秀さを議論する前に、「カメラのハードウェア性能（WDR：ワイドダイナミックレンジ対応）」や「設置環境の照明設計」がボトルネックになるということだ。ソフトウェアだけで解決しようとすると、莫大な開発コストをかけた割に、カーテンを開けた瞬間にシステムが停止する、という悲劇を生むことになる。

ベンチマーク結果2：モーションアーチファクト（体動）耐性

次に、非接触センシング最大の鬼門である「動き」への耐性だ。ここでの結果は、ユースケースの実現可能性（Feasibility）を判断する上で決定的な意味を持つ。

「瞬き」や「会話」が心拍推定に与えるノイズ影響

静止状態では完璧だった精度が、「会話」を始めた瞬間に崩れ去る様子がデータとして如実に現れた。

会話中、人間の顔は複雑に変形する。口角が上がり、頬の筋肉が収縮し、光の当たり方（シェーディング）が変化する。rPPGは「画素値の変化」を信号とするため、このシェーディングの変化が巨大なノイズとなる。脈波による輝度変化が例えば「1」だとすれば、会話による輝度変化は「100」以上のオーダーで発生する。

• Type-A: 独立成分分析（ICA）による分離を試みるが、会話のリズムが心拍数に近い周波数帯域（1Hz〜2Hz程度）と重なると、分離に失敗する。結果、会話のリズムを心拍数として誤検知した。
• Type-B: ここでも学習ベースの強みが発揮された。大量の動画データで学習されたモデルは、「会話中の顔の動き」をノイズとして学習しており、ある程度キャンセルする能力を見せた。しかし、それでも誤差は±10bpmを超え、医療用途としては許容できないレベルに達した。

トラッキングロストからの復帰速度比較

さらに、PC作業中にコーヒーを飲むために顔を横に向ける、といった「大きな体動」のテストでは、別の課題が浮き彫りになった。それはレイテンシ（遅延）と復帰速度だ。

顔が正面から外れると、システムは一時的に測定不能になる。問題は、顔が再び正面に戻った後、どれくらいで正しい値を表示できるかだ。

• Type-C（時系列モデル）: LSTMなどの時系列モデルは、過去のフレーム情報を内部状態として保持している。これが仇となり、一度トラッキングが外れて変な値が入ると、その影響が長く尾を引く傾向が見られた。正常な値に戻るまでに5〜10秒を要するケースもあった。
• Type-A: 過去の文脈に依存しないフレームごとの処理が中心であるため、顔検出さえ復帰すれば、比較的速やかに（3〜5秒程度）測定を再開できた。

「AIは賢い」と思われがちだが、時系列データを扱うAIは「過去の亡霊」に引きずられるリスクがあることを設計者は知っておく必要がある。リアルタイム性が求められるドライバーモニタリングなどでは、この数秒の遅れが致命的になり得るのだ。

結果分析とインサイト：アルゴリズムの特性から読み解く

以上の過酷なベンチマークから見えてきたのは、万能な「魔法の杖」は存在しないという現実だ。それぞれのアルゴリズム特性を深く理解し、適材適所で使い分ける必要がある。

ディープラーニング型 vs 信号処理型のアプローチの違い

信号処理型（Type-A）は、物理モデルに基づいているため、挙動が予測しやすい。なぜ失敗したのか（例：スペクトル解析でノイズ成分が重なった）を説明可能（Explainable）である点が強みだ。計算負荷も軽く、エッジデバイス（スマートフォンや組み込みボード）での実装に向いている。しかし、複雑な環境ノイズにはめっぽう弱い。

一方、ディープラーニング型（Type-B）は、環境変動に対して驚異的な頑健性（ロバストネス）を見せる場面がある。特に低照度や微細な体動においては、人間が設計したフィルタを超える性能を出す。しかし、ブラックボックス性が高く、「なぜこの値が出たのか」を説明できない。また、学習データに含まれていないパターンのノイズ（例：特殊な照明環境や、極端な厚化粧など）に遭遇すると、予期せぬ挙動を示すリスクがある。

「推定」と「測定」の境界線

ここで、根本的な問いに立ち返る必要がある。システムが行っているのは「測定」なのか、それとも「推定」なのか。

接触型のパルスオキシメーターは物理量を直接的に「測定」しているに近い。対して、映像ベースのAI解析は、ノイズまみれのデータから尤もらしい値を「推定」しているに過ぎない。特にディープラーニングモデルの場合、映像から脈波が取れていなくても、顔色や年齢、性別などのコンテキスト情報から「平均的な心拍数」を出力してしまうバイアス（幻覚）のリスクさえある。

「何も取れていないときは、何も表示しない」。この安全側の設計ができるかどうかが、実用化の分かれ道となる。値を出し続けることが常に正義ではないのだ。

ユースケース別推奨マトリクスと選定ガイド

最後に、これまでの知見を基に、ビジネスの現場で使える選定ガイドを提示したい。プロジェクトが目指すゴールによって、選ぶべき技術は異なる。

【介護・見守り】照明耐性重視の構成案

この領域では、夜間のモニタリングが必須となるため、RGBカメラ単体でのアプローチは推奨しない。50lux以下の環境では、どんなに優秀なAIモデルも物理的なS/N比の壁を超えられないからだ。

• 推奨構成: 近赤外線（NIR）カメラ + 信号処理/AIハイブリッド
• 理由: NIR照明を使えば、真っ暗闇でもクリアな映像が得られる。ヘモグロビンの吸光特性は近赤外域でも確認できるため、照明変動の影響を受けにくい安定した計測が可能になる。ハードウェアコストは上がるが、誤検知による深夜の無駄な駆けつけを減らせるメリットは大きい。

【オフィス・健康管理】UXとレスポンス重視の構成案

Web会議中のストレスチェックや、キオスク端末での健康測定など、照明がある程度確保され、ユーザーの協力が得られやすい（画面を見てじっとしてくれる）シーン。

• 推奨構成: RGBカメラ + ディープラーニング型（Type-B）
• 理由: 一般的なWebカメラをそのまま利用できるため、導入ハードルが極めて低い。多少の体動や顔の角度変化があっても値を出し続けられるディープラーニング型のロバスト性が、ユーザー体験（UX）を向上させる。「測定失敗」で何度もやり直させるストレスを回避できる。

【自動車・ドライバーモニタリング】即応性と信頼性重視

• 推奨構成: NIRカメラ + 深度センサー（ToF）併用
• 理由: トンネルの出入りなど急激な光量変化に加え、激しい振動がある。ToFセンサーで顔の3次元的な動きを正確にトラッキングし、モーションアーチファクトを物理的に補正するアプローチが有効だ。命に関わる領域では、映像解析のみに頼るのはリスクが高すぎる。

まとめ：完璧なアルゴリズムを探す旅を終わらせよう

非接触バイタルセンシングの世界において、「どんな環境でも完璧に動作するSDK」を探すのは、青い鳥を探すようなものだ。そんなものは存在しない。

重要なのは、プロジェクトのODD（運行設計領域）を明確に定義することだ。どの程度の暗さまで許容するのか？ ユーザーは静止してくれるのか？ 誤検知のリスクをどこまで許容できるのか？

これらの要件が決まって初めて、適切な技術選定が可能になる。カタログスペックに惑わされず、自社のユースケースに合わせた「意地悪なベンチマーク」を実施してほしい。そこで得られた泥臭いデータこそが、製品を成功に導くための羅針盤となるはずだ。

もし、これからSDKの選定やPoCの設計を行うのであれば、今回紹介した検証項目を網羅したチェックリストを作成し、ベンダーとの技術対話に活用することが推奨される。それは、失敗プロジェクトを未然に防ぐための強力な盾となるだろう。