研究人員提出了一種名為“生理因果探測”（Physiological Causal Probing, PCP）的新型自監督學習正規化，用於解決遠端光電容積描記法（rPPG）中的關鍵挑戰。該工作由Zhiyi Niu、Xiaoguang Tu、Bo Zhao、Junzhe Cao、Dan Guo和Zitong Yu完成，相關論文已提交至arXiv。
遠端光電容積描記法透過分析面部影片中的細微顏色變化來測量心率等生理訊號，具有非接觸、便捷等優點。然而，現有自監督學習方法通常陷入“相關陷阱”：模型傾向於學習影片中最顯著的週期性訊號——例如頭部運動或光照變化——而不是微弱的真實rPPG訊號。這導致模型在跨場景泛化時表現不佳。
PCP正規化將潛在rPPG訊號視為物理源，而畫素色度變化是其視覺表現。其核心創新在於從被動相關學習轉向主動因果乾預：首先提出一個關於rPPG訊號的假設，然後對影片進行干預，最後驗證干預結果是否符合物理規律。這種方法類似於科學實驗中的因果推斷。
基於PCP，作者構建了Interv-rPPG框架。該框架包含兩個關鍵元件：PhysMambaFormer——一個用於假設rPPG訊號的提取器，以及可控生理訊號編輯器——能夠在色度域對影片進行精確干預。編輯器透過修改影片的低頻色度分量來模擬或消除rPPG訊號。Interv-rPPG透過兩種機制驗證假設的物理真實性：“歸零可證偽性”（Falsifiability via Nulling）要求刪除假設訊號後影片不可辨別；“公理等變性”（Axiomatic Equivariance）要求干預與預期物理變化一致。
實驗結果表明，該方法在VIPL-HR和MMPD等複雜資料集上顯著提升了域內和跨域效能。在跨資料集測試中，Interv-rPPG甚至超越了傳統的監督學習方法。但在噪聲較小的乾淨資料集上，干預機制可能引入輕微殘餘色度噪聲，模型效能與監督基線持平。
大量診斷分析進一步驗證了PCP對運動和光照干擾的魯棒性。該研究為自監督學習在生理測量中的應用提供了全新思路，有望推動非接觸健康監測技術的發展。