🌟 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

PhysMamba由以下部分组成：

每个TD-Mamba block包含：

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。

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。

模型	参数量 (M)	MACs (G)
PhysFormer	7.38	40.5
PhysMamba	0.56	47.3

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。