光电容积脉搏波（PPG）是一种成本低、无需侵入的心率监测手段，广泛存在于智能手表、手环等可穿戴设备中。但 PPG 信号容易受到波形畸变、个体生理差异以及测量干扰的影响，因此如何在受限算力下稳定地估计心率，一直是该领域的关键难题。来自 arXiv 的一篇会议预印本（已被 SoICT 2026 接收）提出了名为 TF-IG 的框架，试图用极少的参数同时利用时域波形形态与频域周期规律。
研究者指出，时域波形特征与频域周期性信息其实互为补充：前者反映脉搏的形态细节，后者则更能体现心跳的节律。难点在于如何在紧凑的模型中有效地提取并融合这两类表示。TF-IG 采用双分支设计。时域分支借助空洞深度可分离卷积捕捉脉搏形态，这种卷积结构在扩大感受野的同时保持了较低的计算开销；频域分支则基于有界对数谱图表示来提取心脏周期性信息，谱图的有界化处理有助于稳定频域特征的数值范围。
为了把两个域的信息结合起来，作者提出了交互门控融合模块。该模块并非简单地拼接或相加两路特征，而是显式地对两个域特征之间的一致性和差异性进行建模，同时学习特征维度的权重，用于动态平衡时域与频域信息的相对重要性。随后，一个参数共享的回归头将时域、频域以及融合后的表示统一映射到最终的心率预测空间，避免为每路特征单独配置回归参数。
实验使用公开基准 BIDMC PPG 与呼吸数据集，并采用训练、验证、测试集在受试者层面严格不重叠的协议，以更真实地反映模型对未见个体的泛化能力。结果显示，TF-IG 的平均绝对误差为 1.227 BPM，均方根误差为 2.060 BPM，皮尔逊相关系数达到 0.9934，且有 92.28% 的估计值与参考值的偏差在 3 BPM 以内。与此同时，模型参数量仅为 84.6K，具备明显的参数效率优势。
作者还进行了消融实验，分别考察时域分支、频域分支、交互门控融合模块和共享回归头的作用，结果表明这些组成部分都对最终性能有互补贡献，缺一不可。论文结论认为，显式建模跨域交互能够在精度与复杂度之间取得良好折衷，为轻量级、可穿戴场景下的 PPG 心率估计提供了一条务实的思路。