PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement

Este trabalho apresenta o PHASE-Net, um modelo leve e teoricamente fundamentado em equações físicas para medição de fotopletismografia remota (rPPG) que supera os desafios de movimento e iluminação através de componentes inovadores como o Trocador Axial de FLOPs Zero, Filtro Espacial Adaptativo e TCN com Portão, alcançando desempenho de ponta e eficiência para implantação prática.

O essencial

Imagine que você quer medir o coração de alguém sem tocar nele, apenas usando uma câmera de celular comum. Parece mágica, certo? É isso que a tecnologia rPPG (fotopletismografia remota) faz: ela tenta "ler" o batimento cardíaco através das pequenas mudanças de cor na pele do rosto, causadas pelo sangue circulando.

O problema é que a vida real é bagunçada. Se a pessoa se mexe, se a luz muda ou se ela faz uma careta, o sinal do coração se perde no meio de todo esse "ruído".

Até agora, os computadores tentavam resolver isso como se fossem caixas-pretas mágicas: jogavam milhões de dados neles e esperavam que eles aprendessem sozinhos. Mas isso funcionava mal quando a situação mudava.

Aqui entra o PHASE-Net, o novo modelo apresentado neste artigo. Em vez de ser uma "caixa-preta" que chuta, ele é como um engenheiro que entende as leis da física.

Aqui está a explicação simplificada, usando analogias do dia a dia:

1. A Grande Ideia: O Coração como um Pêndulo

A equipe descobriu algo incrível: o fluxo sanguíneo no seu rosto não é aleatório. Ele segue as mesmas leis físicas que regem a água em um cano ou um pêndulo balançando.

• A Analogia: Imagine que o seu sangue é uma onda em um lago. Quando você bate o dedo na água, a onda se move de uma forma muito específica e previsível.
• A Solução: Em vez de tentar adivinhar o padrão, os criadores do PHASE-Net olharam para as equações matemáticas que descrevem como a água se move (chamadas de equações de Navier-Stokes). Eles provaram matematicamente que o sinal do coração é como um pêndulo amortecido.
• O Resultado: Isso significa que o computador não precisa "adivinhar" o ritmo; ele sabe exatamente como o ritmo deve se comportar. É como se o modelo tivesse um mapa do tesouro em vez de apenas procurar no escuro.

2. Os Três Superpoderes do PHASE-Net

Para colocar essa teoria na prática, o modelo tem três "superpoderes" (componentes principais):

A. O "Troca-Canais Sem Esforço" (ZAS)

• O Problema: Às vezes, o sinal do coração está forte na testa, mas fraco no queixo. O computador precisa conectar essas duas informações.
• A Analogia: Imagine que você tem várias caixas de ferramentas espalhadas pela sala. O ZAS é como um mágico que, sem gastar energia (zero custo computacional), apenas troca a posição de algumas caixas para que as ferramentas certas fiquem lado a lado.
• O Efeito: Isso ajuda o computador a misturar informações de diferentes partes do rosto de forma muito eficiente, sem ficar lento.

B. O "Filtro de Lente Inteligente" (ASF)

• O Problema: O rosto tem áreas "sujas" (onde a luz reflete ou a pele se estica ao sorrir) e áreas "limpas" (onde o sangue pulsa de verdade).
• A Analogia: Imagine que você está tentando ouvir uma música no meio de uma festa barulhenta. O Filtro Adaptativo é como se você tivesse fones de ouvido que silenciam automaticamente as vozes altas e aumentam o volume da música.
• O Efeito: O modelo olha para cada quadro do vídeo e cria uma "máscara" que destaca apenas as áreas do rosto onde o sinal do coração é forte, ignorando o resto.

C. O "Detetive do Tempo" (TCN com Portas)

• O Problema: O sinal do coração é uma história que se desenrola ao longo do tempo. Se você olhar apenas um instante, não entende a melodia.
• A Analogia: Este componente é como um detetive que lê a história inteira antes de tirar uma conclusão. Ele usa a matemática da física (que provamos no item 1) para prever o próximo batimento cardíaco com base nos anteriores, ignorando os "truques" que a luz ou o movimento tentam fazer.
• O Efeito: Ele recupera o sinal do coração com precisão, mesmo que a pessoa esteja se movendo ou a luz esteja piscando.

3. Por que isso é um marco?

A maioria dos modelos de inteligência artificial hoje é como um aluno que decora as respostas de uma prova específica. Se a prova mudar um pouco, ele falha.

O PHASE-Net é diferente. Ele é como um aluno que entendeu a matéria. Como ele foi construído baseado nas leis da física do corpo humano, ele funciona bem em qualquer lugar: em um carro, na rua, com luzes diferentes ou com pessoas de diferentes tons de pele.

Resumo da Ópera:
O PHASE-Net é um sistema super-rápido e leve (que roda até em celulares) que mede o coração de alguém pela câmera, entendendo a física por trás do sangue, e ignorando tudo o que é apenas "barulho" da vida real. É a união perfeita entre a ciência dura da física e a inteligência artificial moderna.

Resumo técnico

1. O Problema

A fotopletismografia remota (rPPG) permite a monitorização fisiológica não invasiva (como frequência cardíaca) através de câmaras convencionais, detetando variações subtis no volume sanguíneo da pele. No entanto, a sua adoção em cenários do mundo real enfrenta desafios significativos:

• Ruído e Interferências: O sinal fisiológico é extremamente fraco e facilmente sobrepujado por ruídos causados por movimentos da cabeça, expressões faciais e variações de iluminação.
• Limitações dos Métodos Atuais: As abordagens baseadas em deep learning existentes são predominantemente heurísticas ("caixas pretas"). Elas tratam o rPPG como um problema genérico de processamento de sinais espaço-temporais, sem fundamentação teórica nas leis físicas que regem a hemodinâmica. Isso resulta em:
  • Baixa robustez e generalização em condições não vistas.
  • Falta de interpretabilidade sobre como o modelo toma decisões.
  • Tendência a overfitting a padrões de ruído específicos dos conjuntos de dados de treino.

2. Metodologia

O PHASE-Net propõe um novo paradigma de modelagem fundamentado nos primeiros princípios da física, em vez de apenas ajuste de dados. A arquitetura é composta por três componentes principais:

A. Fundamentação Física (Da Hemodinâmica à Arquitetura)

Os autores derivam a estrutura da rede a partir das Equações de Navier-Stokes da hemodinâmica.

1. Modelo de Observação: Utilizam a Lei de Beer-Lambert para ligar as variações de intensidade dos pixels ao volume sanguíneo subcutâneo.
2. Dinâmica Governante: Simplificam as equações de fluidos para um modelo de Oscilador Harmónico Amortecido de Segunda Ordem (uma Equação Diferencial Ordinária - ODE).
3. Equivalência Computacional: Demonstram matematicamente que a solução discreta desta ODE é formalmente equivalente a uma convolução causal.
   • Conclusão Teórica: Isso justifica o uso de uma Rede de Convolução Temporal (TCN) como o bloco central de modelagem dinâmica, fornecendo um viés indutivo fisicamente plausível.

B. Componentes da Arquitetura (PHASE-Net)

O modelo integra um codificador de visão leve com três módulos inovadores:

1. Zero-FLOPs Axial Swapper (ZAS):

   • Um módulo leve e sem parâmetros que realiza permutações espaciais reversíveis num subconjunto de canais.
   • Função: Mistura regiões faciais distantes para criar dependências espaciais de longo alcance e interações cruzadas, sem alterar a ordem temporal e sem custo computacional adicional (Zero FLOPs).

2. Filtro Espacial Adaptativo (Adaptive Spatial Filter - ASF):

   • Gera uma máscara de atenção espacial "soft" para cada quadro, aprendendo a destacar regiões ricas em sinal (ex: testa, bochechas) e suprimir áreas ruidosas (ex: sombras, reflexos).
   • Dinâmica Temporal: Além da agregação espacial, calcula a derivada temporal de primeira ordem do sinal agregado. O output final concatena a intensidade agregada com a sua "velocidade" instantânea, codificando explicitamente a dinâmica local do pulso.

3. Gated TCN (GTCN):

   • Uma TCN causal com portas de gating (usando funções tanh e sigmoid).
   • Função: Atua como o filtro físico derivado da ODE, modelando a dinâmica temporal de longo alcance para recuperar o sinal de pulso limpo a partir das características ruidosas extraídas pelo codificador.

3. Contribuições Principais

• Paradigma Fundamentado na Física: Estabelece pela primeira vez uma ponte teórica direta entre as leis da hemodinâmica (Oscilador Harmónico) e uma arquitetura de rede específica (Convolução Causal/TCN), substituindo a heurística pura por rigor teórico.
• Módulo ZAS: Introdução de um operador de permutação espacial reversível que melhora a interação entre regiões sem custo computacional.
• Módulo ASF: Um mecanismo que não apenas limpa o ruído espacial, mas também enriquece a representação com a dinâmica temporal local (derivada), melhorando a robustez.
• Eficiência e Desempenho: O modelo é extremamente leve (0.29M parâmetros) e alcança o estado da arte (SOTA) em múltiplos conjuntos de dados públicos.

4. Resultados Experimentais

O PHASE-Net foi avaliado em quatro conjuntos de dados públicos (UBFC-rPPG, PURE, BUAA-MIHR, MMPD) sob protocolos intra-dataset e de generalização cruzada.

• Desempenho Intra-Dataset:
  • UBFC-rPPG: MAE de 0.15 bpm e RMSE de 0.53 bpm (superior ao anterior melhor de 0.16 bpm).
  • PURE: MAE de 0.14 bpm e RMSE de 0.35 bpm, reduzindo o erro pela metade em comparação com baselines recentes como RhythmFormer.
  • BUAA-MIHR (Iluminação Variável): Mantém correlação positiva (0.48) onde outros modelos falham (correlações negativas).
• Generalização de Domínio (Cross-Domain):
  • O modelo demonstra robustez superior ao ser treinado em 3 conjuntos e testado no 4º (protocolo Leave-One-Out), superando modelos complexos por uma margem significativa (ex: no PURE, MAE de 2.86 vs 21.11 do RhythmFormer).
  • Isso confirma que o modelo aprende dinâmicas fisiológicas invariantes ao domínio, em vez de artefatos visuais específicos dos dados.
• Robustez à Iluminação:
  • Testes sob diferentes condições (LED, Incandescente, Luz Natural) mostram que o PHASE-Net mantém o menor erro de MAE em todas as situações, especialmente em condições desafiadoras como luz natural e incandescente.
• Eficiência:
  • Com apenas 0.29M parâmetros e 28.3G MACs, o modelo é mais leve e eficiente que a maioria das arquiteturas anteriores (como PhysFormer ou PhysNet), facilitando a implementação em dispositivos de borda (edge devices).

5. Significado e Conclusão

O trabalho do PHASE-Net representa uma mudança de paradigma no campo do rPPG. Ao invés de empilhar camadas de redes neurais de forma empírica, os autores demonstram que a incorporação de leis físicas fundamentais (equações diferenciais da hemodinâmica) na própria arquitetura da rede leva a:

1. Maior Interpretabilidade: A estrutura da rede é uma manifestação direta da física do sinal.
2. Robustez Superior: A generalização para cenários não vistos é drasticamente melhorada porque o modelo não depende de correlações superficiais nos dados.
3. Eficiência: A fundamentação teórica permite um design de rede mais compacto e eficiente.

O código fonte está disponível publicamente, e o trabalho abre caminho para futuras investigações em modelagem de sinais fisiológicos (como respiração ou pressão arterial) baseadas em princípios físicos rigorosos.