PURE数据集 最新Mamba算法视频心率识别源代码 送数据集

PURE数据集 最新Mamba算法视频心率识别源代码 送数据集

自动发送百度网盘下载链接

源码可直接运行

送Python环境安装教程+数据集

🌟 一、研究背景与动机

**rPPG（remote photoplethysmography）**是一种非接触式生理信号测量方法，通过摄像头采集人脸图像中由血液流动导致的肤色微弱变化，从而估计心率（HR）等生命体征指标。

以往方法主要有两类：

• 传统信号处理方法：容易受光照、面部运动等干扰；

• 深度学习方法：

  • CNN：对局部特征提取效果好，但难以建模长期时序依赖；

  • Transformer：具备全局建模能力，但面对长视频序列时计算开销大，局部建模弱。

为了克服上述缺点，作者引入状态空间模型（SSM）中的代表性模型——Mamba，具备优秀的长序列建模能力，并结合SlowFast结构形成了新架构PhysMamba。

🧠 二、方法介绍

1. 模型结构：PhysMamba

PhysMamba由以下部分组成：

a. 预处理阶段（DiffNormalized）

• 对输入视频帧序列进行归一化帧差操作，有效抑制背景干扰，增强颜色变化的动态信息。

b. Shallow Stem

• 三层3D卷积提取浅层时空特征。

c. SlowFast 双流结构

• Fast分支：高时间分辨率，捕捉快速变化；

• Slow分支：低时间分辨率，建模长时间上下文；

• 两者通过Lateral Connection融合。

d. TD-Mamba Block（核心模块）

每个TD-Mamba block包含：

• Temporal Difference Convolution（TDC）：提取局部精细时序差异；

• Bi-Mamba（双向状态空间模型）：捕捉前后时序依赖；

• Channel Attention（CA）：增强有用通道特征，抑制冗余。

2. 状态空间模型（Mamba）

通过离散化微分方程，引入输入依赖的选择机制（Selective Scan），将连续系统映射为可并行的卷积操作，有效建模长距离依赖且效率高。

3. 损失函数

采用负Pearson相关系数损失（NegPearson Loss），对预测信号与真实rPPG信号之间的相关性进行优化，有助于学习正确的心率时序模式。

📊 三、实验与评估

1. 数据集

• PURE：包含多样的肤色、姿态和光照条件。

2. 性能指标

• MAE、RMSE、MAPE、Pearson 相关系数 (ρ)

3. 主要结果

• PhysMamba 在所有数据集上均表现优越，尤其在 PURE 数据集上取得显著优势。

4. 消融实验分析

• TDC和Mamba缺失时性能显著下降，验证两者对捕捉时序动态和长依赖的关键作用；

• SlowFast结构中若去除任一分支或连接，模型性能也下降明显。

5. 参数量与计算量

• PhysMamba 参数极少，仅为PhysFormer的1/13，适合边缘设备部署。

✅ 四、结论

PhysMamba是一种融合Mamba与SlowFast结构的rPPG新模型，通过TD-Mamba模块实现局部细粒度差异建模与长程时空建模的协同，有效解决以往方法在长序列和动态变化中的不足，具备高精度、低复杂度等优点。