Photoplethysmogram (PPG) signals detect blood volume variations during the heart cycle. They are useful to track physiological parameters of an individual, such as heart rate, heart rate variability or oxygen saturation. They are typically obtained using smart wearables and pulse oximeters, but our goal is to create remote PPG (rPPG) signals from video cameras. Since the signals obtained from a video camera are the RGB channels, we carried out an empirical study of the performance of each channel. RGB channels can be used to generate rPPG signals, but also as input to other processes that do so. As reference ground truth, we use contact PPG (cPPG) readings from pulse oximeters in the fingertip. In terms of several metrics, including dynamic time warping (DTW), Pearson’s correlation coefficient, root mean squared error (RMSE), and Beats-per-minute Difference (|∆BPM|), the green channel produced the best results, followed by the blue and red channels. Despite the green channel consistently outperforming the blue and red channels, the outcomes varied greatly depending on the dataset. We also applied different methods to obtain rPPG signals from the RGB channels, including CHROM-based rPPG, local group invariance (LGI), and plane-orthogonal-to-skin (POS). These techniques were contrasted with our novel technique based on a machine learning approach. For that, we made use of a variety of architectures, including convolutional neural networks and long short-term memory. The results were favourable for the ML approach in terms of DTW, r and |∆BPM|. / Fotopletysmogram (PPG)-signaler upptäcker variationer av blodvolym under hjärtcykeln. De är användbara för att spåra fysiologiska parametrar för en individ, såsom hjärtfrekvens, hjärtfrekvensvariabilitet eller syremättnad. De erhålls vanligtvis med smarta bärbara sensorer och pulsoximetrar, men vårt mål är att skapa fjärr-PPG (rPPG)-signaler från videokameror. Eftersom signalerna erhållna från en videokamera är RGB -kanalerna genomförde vi en empirisk studie av prestandan för varje kanal. RGB-kanaler kan användas för att generera rPPG-signaler, men också som input till andra processer som gör det. Som referens använder vi kontakt-PPG (cPPG) avläsningar från pulsoximetrar i fingertoppen. När det gäller flera mätvärden, inklusive Dynamic Time Warping (DTW), Pearsons korrelationskoefficient, Root Mean Squared Error (RMSE) och Beats-Per-minut-skillnaden (|∆BPM|). Uppnåddes bästa resultat med den gröna kanalen, följt av de blå och röda kanalerna. Trots att den gröna kanalen konsekvent överträffade de blå och röda kanalerna varierade resultaten mycket beroende på datasetet. Vi använde också olika metoder för att erhålla rPPG-signaler från RGB-kanalerna, inklusive CHROM-baserad rPPG, lokal gruppinvarians (LGI) och plan-ortogonal-till-hud (POS). Dessa tekniker kontrasterades med vår nya teknik baserat på en maskininlärningsstrategi. För det använde vi en mängd olika arkitekturer, inklusive konvolutionella neurala nätverk och LSTM-nätverk. Resultaten var gynnsamma för ML-metoden när det gäller DTW, R och |∆BPM|.