用于参数高效PPG心率估计的交互门控时频学习

arXiv:2610.28693v1 公告类型：新 摘要：光电容积描记术（PPG）能够以低成本、无创的方式监测心率（HR），但仍易受波形失真、生理变化和测量干扰的影响。时域波形特征与频域周期性为HR估计提供了互补信息；然而，如何在紧凑模型中有效探索并融合这些表示仍然具有挑战性。本文提出了TF-IG，一种用于基于PPG的HR估计的参数高效交互门控时频学习框架。TF-IG采用双分支架构：时域分支通过扩张深度可分离卷积捕获脉搏形态，频域分支则从有界对数谱图表示中提取心脏周期信息。为融合这两个域的信息，我们引入了交互门控融合模块，显式建模特征之间的一致性与差异性，同时学习逐特征权重，以平衡时域和频谱信息。参数共享的回归头进一步将时域、频域和融合表示映射到最终的HR预测空间。在采用受试者独立的训练、验证和测试协议、基于基准数据集BIDMC PPG and Respiration Dataset进行的实验中，TF-IG取得了1.227 BPM的平均绝对误差（MAE）、2.060 BPM的均方根误差（RMSE）、0.9934的Pearson相关系数，并且92.28%的估计值落在3 BPM以内；同时，该模型仅包含84.6K个参数，保持了较高的参数效率。消融实验进一步证明了时域分支、频域分支、交互门控融合模块以及共享回归头的互补作用。结果表明，显式建模跨域交互能够在轻量级基于PPG的HR估计中实现有效的精度与复杂度权衡。