PhysFlow: Frequency Decoupled with Dual-Field Rectified Flow for Remote Photoplethysmography

Resumen Técnico de PhysFlow: Flujo Rectificado de Doble Campo con Desacoplamiento de Frecuencia para Fotopletismografía Remota

Planteamiento del Problema
La fotopletismografía remota (rPPG) permite la estimación sin contacto de signos vitales, como la frecuencia cardíaca, mediante el análisis de sutiles variaciones de color e intensidad en videos faciales. Sin embargo, los métodos actuales de aprendizaje profundo tienen dificultades en escenarios complejos y no restringidos caracterizados por variaciones de iluminación, expresiones faciales y movimientos de cabeza. En estos entornos, las señales fisiológicas sutiles suelen verse abrumadas por la interferencia externa. Los autores identifican una limitación principal en los enfoques existentes: la mayoría de los métodos modelan la señal rPPG de manera unificada, donde diferentes componentes de la señal (por ejemplo, variaciones relacionadas con el pulso y cambios inducidos por perturbaciones) están acoplados durante la reconstrucción. Este acoplamiento dificulta la preservación de las variaciones débiles relacionadas con el pulso cuando hay perturbaciones fuertes presentes. Además, los métodos existentes a menudo dependen de la eliminación iterativa de ruido (por ejemplo, modelos de difusión), lo que conduce a una alta latencia computacional, y frecuentemente priorizan la precisión de la frecuencia cardíaca (HR) sobre la fidelidad morfológica de la forma de onda reconstruida.

Metodología: PhysFlow
Para abordar estos desafíos, los autores proponen PhysFlow, un marco de flujo rectificado de doble campo con desacoplamiento de frecuencia. La innovación central radica en separar el modelado de la señal rPPG en componentes distintos en lugar de tratarla como un todo unificado.

1. Descomposición en el Dominio de la Frecuencia (FDD):
   La señal rPPG de referencia (ground-truth) se descompone en dos objetivos de supervisión distintos:

   • Componente de Tendencia (Trend Component): Captura el perfil de la forma de onda de variación lenta (baja frecuencia).
   • Componente de Amplitud (Amplitude Component): Preserva las variaciones finas relacionadas con el pulso dentro del rango plausible de la frecuencia cardíaca.
     Esta descomposición se logra mediante una FFT real (RFFT) con máscaras específicas de baja frecuencia y de paso de banda, seguida de una transformada inversa (IRFFT).

2. Marco de Flujo Rectificado de Doble Campo:
   En lugar de utilizar estos componentes simplemente como pistas auxiliares, PhysFlow los trata como objetivos de generación explícitos. El marco aprende dos campos de velocidad condicionales separados:

   • Cabeza de Tendencia (Trend Head): Diseñada para modelar la tendencia suave de baja frecuencia. Emplea un enfoque de reconstrucción de base (usando bases espectrales y polinómicas) para imponer suavidad y suprimir fluctuaciones de alta frecuencia innecesarias.
   • Cabeza de Amplitud (Amplitude Head): Diseñada para modelar las variaciones relacionadas con el pulso, las cuales son más sensibles a las perturbaciones dependientes del video. Utiliza un predictor temporal sensible a las condiciones que incorpora modulación FiLM, convoluciones temporales dilatadas y reponderación de Squeeze-and-Excitation (SE) para capturar dependencias temporales complejas.
     Ambas cabezas son guiadas por características extraídas del video de entrada a través de un Bloque Transformer Periódico, que incluye una característica global compartida por ambas ramas y características de guía específicas de cada componente.

3. Inferencia Eficiente mediante Flujo Rectificado:
   A diferencia de los modelos de difusión tradicionales que requieren la eliminación iterativa de ruido, PhysFlow utiliza la formulación de Flujo Rectificado. Aprende un campo de velocidad para transportar muestras desde un estado latente inicializado con una distribución Gaussiana directamente hacia los estados de tendencia y amplitud objetivo a lo largo de una trayectoria de línea recta. Durante la inferencia, la señal rPPG final se reconstruye integrando ecuaciones diferenciales ordinarias (ODEs) con solo unos pocos pasos (por ejemplo, 4 pasos), reduciendo significativamente la carga computacional.

Contribuciones Clave

• Arquitectura de Doble Campo: El artículo propone un marco novedoso que desacopla los componentes de tendencia y amplitud de la señal rPPG, modelándolos mediante dos campos de velocidad condicionales distintos para reducir la interferencia mutua.
• Descomposición de Supervisión Explícita: Se introduce una estrategia de descomposición en el dominio de la frecuencia para derivar objetivos de supervisión explícitos para los componentes de tendencia y amplitud, permitiendo que la descomposición participe activamente en el proceso generativo en lugar de servir como una ayuda post-hoc.
• Reconstrucción Eficiente y Robusta: Al aprovechar el flujo rectificado, el método logra una reconstrucción de la forma de onda de alta calidad con un número mínimo de pasos de integración de ODE, abordando los problemas de latencia de los enfoques basados en difusión y mejorando la robustez contra perturbaciones complejas.

Resultados Experimentales
Los autores evaluaron PhysFlow en cuatro conjuntos de datos de referencia: BUAA-MIHR (baja iluminación), VIPL-HR (diversos movimientos e iluminación), NIRP-DRV (escenarios de conducción) y NIRP-IND (conducción en interiores).

• Estimación de la Frecuencia Cardíaca: PhysFlow logró un rendimiento de vanguardia (state-of-the-art) en todos los conjuntos de datos. Por ejemplo, en el desafiante conjunto de datos NIRP-DRV, alcanzó un RMSE de 5.93 bpm, superando al mejor anterior (PHASE-Net) de 6.23 bpm. En el conjunto de datos BUAA-MIHR, redujo el RMSE a 1.17 bpm en comparación con el 1.43 bpm del segundo mejor método.
• Reconstrucción de la Forma de Onda: Más allá de la precisión de la HR, PhysFlow demostró una fidelidad de la forma de onda superior. En el conjunto de datos BUAA, logró una Correlación de la Forma de Onda (Wave-Corr) de 0.95, un Error de Fase (PE) de 0.12 y una SNR de 17.18, superando significativamente a otros métodos en la preservación de la morfología y la calidad espectral.
• Generalización entre Conjuntos de Datos: En evaluaciones cruzadas de conjuntos de datos (por ejemplo, entrenar en NIRP y probar en VIPL-HR), PhysFlow mantuvo el mejor rendimiento general, lo que indica capacidades de generalización superiores a través de diferentes dispositivos de adquisición y entornos.
• Eficiencia: A pesar de no tener el menor número de parámetros, PhysFlow demostró el mayor rendimiento (throughput) (63.74 Kps) y el menor tiempo de inferencia (13.63 ms) en una GPU NVIDIA RTX 4090 entre los métodos comparados, validando su idoneidad para el despliegue en tiempo real.

Significancia y Reivindicaciones
El artículo afirma que PhysFlow representa un avance significativo en la estimación de rPPG al abordar explícitamente el entrelazamiento de las señales fisiológicas y las perturbaciones ambientales. Al separar la señal en componentes de tendencia y amplitud y modelarlos con campos de velocidad especializados, el método mejora la robustez sin sacrificar la eficiencia. Los autores enfatizan que una estimación precisa de la HR no garantiza una recuperación fiel de la forma de onda; por lo tanto, su enfoque en la fidelidad morfológica proporciona una evaluación más completa de la calidad de la rPPG.

Los autores reconocen modestamente las limitaciones, señalando que la complejidad actual del modelo puede dificultar el despliegue ligero y que los cortes de frecuencia fijos en la estrategia de descomposición podrían limitar la flexibilidad bajo frecuencias cardíacas anormales o movimientos extremos. Se propone trabajo futuro para desarrollar marcos de extracción de características más ligeros y estrategias de descomposición adaptativas.