Mit der zunehmenden Nutzung von Smartphones in unserem Alltag sind diese Geräte in der Lage, viele komplexe Aufgaben zu erfüllen. Im Hinblick auf die Notwendigkeit der kontinuierlichen Überwachung von Vitalzeichen, insbesondere für ältere Menschen oder Personen mit bestimmten Krankheiten, hat die Entwicklung von Algorithmen, die Vitalzeichen mittels Smartphones schätzen können, weltweit Forscher angezogen. Insbesondere untersuchen Wissenschaftler Methoden zur Schätzung von Vitalzeichen wie Herzfrequenz, Sauerstoffsättigung und Atemfrequenz mithilfe von Algorithmen, die auf Smartphones ausgeführt werden können. Viele dieser Algorithmen erfordern jedoch mehrere Vorverarbeitungsschritte, die Implementierungsaufwand verursachen können oder eine sorgfältige Gestaltung mehrerer manuell erstellter Stufen zur Erreichung eines optimalen Ergebnisses notwendig machen. Um dieses Problem anzugehen, schlägt diese Forschung eine innovative End-to-End-Lösung zur mobilen Schätzung von Vitalzeichen unter Verwendung von Deep Learning vor, die die Notwendigkeit der Vorverarbeitung beseitigt. Durch den Einsatz einer vollständig konvolutionellen Architektur weist das vorgeschlagene Modell im Vergleich zu Architekturen mit vollständig verbundenen Schichten als Vorhersageköpfe deutlich weniger Parameter und eine geringere rechnerische Komplexität auf. Dies reduziert auch das Risiko des Overfitting. Zudem wird ein öffentlicher Datensatz für die Schätzung von Vitalzeichen bereitgestellt, der 62 Videos umfasst, die von 35 Männern und 27 Frauen gesammelt wurden. Insgesamt verspricht der vorgeschlagene End-to-End-Ansatz eine erhebliche Verbesserung der Effizienz und Leistungsfähigkeit bei der On-Device-Gesundheitsüberwachung mit leicht erhältlichen Konsumgütern.