Cylindrical Geodesic Flow Matching for Quasiperiodic Physiological Signal Transformation¶
会议: NeurIPS 2026
arXiv: 2610.08510
OpenReview: https://openreview.net/forum?id=1NmpaqEwkP
领域: 时间序列
关键词: 生理时间序列转换, 流匹配, 圆柱流形测地线, 希尔伯特变换, 准周期心血管波形
一句话总结¶
本文提出圆柱测地线流匹配（Cylindrical Geodesic Flow Matching），将准周期生理波形的瞬时相位与幅值嵌入到 \(S^1 \times \mathbb{R}_{>0}\) 圆柱流形上，利用闭式测地线桥替代传统仿射插值路径并提供内蕴切空间速度场参数化，在零样本 PPG 和小样本 SCG 跨部位波形转换基准上相比最强基线将 HT 距离、\(L_2\) 误差和 DTW 距离降低最高达约 15%。
研究背景与动机¶
光电容积脉搏波（PPG）和心震图（SCG）等振荡型生理信号在可穿戴心血管监测中至关重要，但其波形形态高度依赖传感器放置部位。临床诊断算法通常校准于标准测量部位（如手指 PPG 和胸骨 SCG），而日常可穿戴设备往往部署在更便捷的非标准部位（如胸骨反射式 PPG 或锁骨 SCG），两者的波形特征存在显著差异。因此，从便捷部位的源波形恢复标准部位的目标波形是一个关键的配对时间序列转换问题。然而，生理波形具有准周期性：相位在每个心动周期内呈圆周缠绕（circular wrapping），幅值严格为正，且拍间对齐关系会随周期和受试者发生不可预测的漂移。传统的端到端有监督回归仅在目标端点处计算残差，监督信号十分稀疏，在配对样本稀缺或跨部位对齐模糊时难以直接从数据中习得底层的相位-幅值几何结构。
条件流匹配（Conditional Flow Matching）通过将每个配对样本转化为整条插值桥上的密集速度场回归监督，为解决这一难题提供了新思路。尽管近期已有 FlowECG、PENGUIN 等工作将流匹配引入生理时间序列建模，但它们均直接沿用了欧氏空间的标准仿射插值路径（affine path）。在准周期振荡信号之间进行线性插值会直接横切自然的相位-幅值几何结构：当源信号与目标信号存在相位差时，仿射路径会在中间时刻产生破坏性自干涉，导致脉冲幅值人为衰减（相位差达到 \(\pi\) 时中点幅值甚至坍缩为零、相位无定义）以及瞬时频率非线性扭曲，从而向模型注入违反生理规律的伪影监督。同时，若直接在解缠绕的 \((\phi, a)\) 欧氏坐标上做流匹配，又会遭遇 \(0 \equiv 2\pi\) 的相位跳变不连续性。
为消除桥接几何与信号流形之间的错配，作者结合解析信号理论与黎曼流匹配，注意到非零解析生理信号的每个采样点天然处于乘积流形 \(S^1 \times \mathbb{R}_{>0}\) 上。核心 idea：通过希尔伯特变换提取生理波形的瞬时相位与正幅值并等距嵌入到三维圆柱流形 \(S^1 \times \mathbb{R}_{>0}\) 中，用圆柱上的闭式最短弧常速测地线替换欧氏仿射插值桥以彻底消除中间态幅值衰减与频率畸变，并配合内蕴切向量参数化与每步流形投影确保学习与数值积分全程严格保持在圆柱流形上。
方法详解¶
整体框架¶
给定源测量部位波形 \(x_0\)、同步采集的参考心电信号（ECG）以及目标测量部位波形 \(x_1\)，方法首先通过通用解析信号变换（标准希尔伯特变换 HT 或扩展希尔伯特变换 EHT）将时域波形分解为瞬时相位与瞬时幅值序列，并映射到 \(\mathbb{R}^3\) 中的单位圆柱曲面上。在训练阶段，模型在源圆柱状态与目标圆柱状态之间构建闭式圆柱测地线桥，解析求导得到常范数理想速度场（Oracle Geodesic Vector Field）；1D U-Net 骨干网络接收当前桥状态、源波形及条件 ECG，通过内蕴切空间参数化预测角速度与幅值速度。在推理阶段，从源信号圆柱状态出发，采用带单位圆重归一化投影的 Heun 求解器沿习得的切向量场积分，最后还原为目标部位的时域生理波形。
%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
A["配对源波形 x₀ 与目标波形 x₁<br/>（及同步条件 ECG）"] --> B["圆柱流形等距嵌入<br/>HT/EHT 提取相位幅值并映射至 S¹×R₊"]
B --> C["圆柱测地线桥与常范数理想速度场<br/>最短弧角度缠绕插值与闭式导数目标"]
C --> D["内蕴切空间速度参数化与流形投影积分<br/>预测角速度/幅值速度并逐子步投影回圆柱"]
D --> E["重构标准部位目标生理波形"]关键设计¶
1. 圆柱流形等距嵌入：消除相位缠绕跳变并保持正幅值结构
直接在相位-幅值坐标 \((\phi, a)\) 上建模会面临角度在 \(0\) 与 \(2\pi\) 交界处的人为跳变不连续，而直接在复平面或原始时域建模则无法解耦圆周相位与正实数幅值。为此，方法首先对波形 \(x_n\)（\(n \in \{0,1\}\)）施加解析信号变换 \(\mathcal{A}\)（如 HT 或 EHT），得到极坐标形式的复解析表示 \(\zeta_n(\tau) = a_n(\tau)e^{i\phi_n(\tau)}\)，並在包含 \(K\) 个采样点的均匀时间网格上提取离散状态序列 \(h_n(s) = ([\phi_n(s)], a_n(s)) \in S^1 \times \mathbb{R}_{>0}\)。接着，通过圆柱嵌入映射 \(\chi\) 将每个采样点提升至三维欧氏空间中的开圆柱面：
前两个坐标位于单位圆 \(S^1\) 上，天然消除了 \(0 \equiv 2\pi\) 的边界跳变；第三个坐标显式保留了严格为正的瞬时包络幅值。作者在定理 1 中证明，在乘积度量 \(m = d\phi^2 + da^2\) 下，\(\chi\) 是从 \(S^1 \times \mathbb{R}_{>0}\) 到 \(\mathbb{R}^3\) 的光滑等距嵌入（smooth isometric embedding），且在任意有界幅值区间和宽度严格小于 \(2\pi\) 的局部相位坐标卡上是双 Lipschitz 微分同胚，从而保证了在三维嵌入空间中建模与在原始内蕴相位-幅值空间中建模在局部坐标变换意义下完全等价。
2. 圆柱测地线桥与常范数理想速度场：消除仿射插值的幅值坍缩与频率畸变
传统条件流匹配采用的欧氏仿射插值路径 \(\gamma_{\mathrm{aff}}(t) = (1-t)w_0 + t w_1\) 在连接两个具有相位差 \(\Delta\phi\) 的振荡信号时，其路径直接穿过圆柱内部弦线而非沿曲面行进。作者在定理 2 和定理 3 中严格证明：即便两端点幅值相等（\(a_0 = a_1 = a\)），只要 \(\Delta\phi \neq 0\)，仿射路径就会产生非恒定的中间幅值 \(a_t^{\mathrm{aff}} = a\sqrt{(1-t)^2 + t^2 + 2t(1-t)\cos\Delta\phi}\)，在中点 \(t=1/2\) 处衰减至 \(a|\cos(\Delta\phi/2)|\)，带来 \(\frac{a^2 \Delta\phi^4}{120} + O(\Delta\phi^6)\) 的积分幅值畸变以及 \(\frac{\Delta\phi^6}{180} + O(\Delta\phi^8)\) 的瞬时频率畸变；当 \(|\Delta\phi| = \pi\) 时中点幅值直接归零、相位速率发散。为彻底消除这些几何伪影，本文在乘积度量 \(m = d\phi^2 + da^2\) 下构造闭式最短弧常速测地线：先计算主值区间内的缠绕相位增量 \(\Delta\phi(s) = \mathrm{wrap}(\phi_1(s) - \phi_0(s)) \in (-\pi, \pi]\) 与幅值增量 \(\Delta a(s) = a_1(s) - a_0(s)\)，令插值相位 \(\phi_t(s) = \phi_0(s) + t\,\Delta\phi(s)\)、插值幅值 \(a_t(s) = a_0(s) + t\,\Delta a(s)\)，对嵌入轨迹 \(g_t(s) = (\cos\phi_t(s), \sin\phi_t(s), a_t(s))\) 关于流时间 \(t \in [0,1]\) 求导，即可得到闭式理想测地线速度场：
该测地线不仅实现了零幅值畸变（\(D_{\mathrm{amp}}(\gamma_C)=0\)）与零相位速率畸变（\(D_{\mathrm{freq}}(\gamma_C)=0\)），而且其理想速度场在整条桥上具有与时间 \(t\) 无关的恒定欧氏范数 \(\|v_t^{\star}(s)\|_2^2 = (\Delta\phi(s))^2 + (\Delta a(s))^2\)，确保流匹配回归目标在所有 \(t \in [0,1]\) 处尺度均匀，不会出现某一时间区段主导训练损失的情况。
3. 内蕴切空间速度参数化与流形投影积分：防止数值积分脱离圆柱流形
如果让神经网络直接预测 \(\mathbb{R}^3\) 中无约束的三维向量，预测速度很容易包含垂直于圆柱面的径向分量，在多步常微分方程（ODE）数值积分中不断累积离流形漂移（off-manifold drift）。为此，本文采用与理想速度场结构完全对称的内蕴切空间参数化（Intrinsic Tangent Parameterization）：对于圆柱状态 \(g = (\cos\phi, \sin\phi, a)\)，神经网络仅输出标量角速度 \(\omega_\theta(g, t, x_0)\) 和标量幅值速度 \(\dot{a}_\theta(g, t, x_0)\) 这两个内蕴通道，再通过解析雅可比映射合成为环境空间中的切向量：
由于前两项与径向向量 \((\cos\phi, \sin\phi)\) 正交，\(\hat{v}_\theta\) 在连续时间下严格相切于单位圆 \(S^1\)，从而将模型容量完全集中于学习物理意义明确的相位与幅值演化速率。进一步地，考虑到离散 ODE 求解器沿切线方向迈出有限步长时会产生步长二阶项量级的曲面脱离误差，方法在推理阶段的每个 Heun 求解器子步之后，对前两个圆周坐标执行单位范数重归一化投影（unit-norm projection），保证整个数值积分轨迹严丝合缝地留在圆柱流形上。
损失函数 / 训练策略¶
训练时对每个样本独立采样 \(t \sim \mathrm{Uniform}(0,1)\)，最小化预测切速度场与理想测地线速度场在所有采样点 \(s\) 上的均方误差损失：
为防止 FFT 解析变换在有限窗口两端产生边界效应，方法采用中心裁剪策略（PPG 在 4096 点窗口做 HT/EHT 后取中心 2048 点建模；SCG 在 1024 点心跳窗口变换后取中心 512 点建模）。所有对比方法共用约 1.0M 参数的四层 1D U-Net 骨干（通道宽度 32, 32, 64, 64），圆柱测地线模型输入为源信号、当前状态与条件 ECG 的圆柱嵌入拼接（共 9 通道）。训练使用 AdamW 优化器（峰值学习率 \(3\times 10^{-4}\)，小样本微调时为 \(1\times 10^{-4}\)，权重衰减 \(10^{-2}\)，梯度裁剪 1.0），并在训练时向条件输入 \(x_0\) 注入 \(\sigma=0.05\) 的高斯噪声以防模型坍缩为恒等映射。
实验关键数据¶
主实验¶
实验在两个受试者不相交（subject-disjoint，4 个随机种子 50/25/25 划分）的心血管波形转换任务上进行：（1）PPG 胸骨到手指零样本转换（20 名受试者，11,483 个窗口，直接在未见受试者上零样本测试）；（2）SCG 锁骨到胸骨小样本适应转换（13 名受试者共 24 个 session，30,494 个心跳，在测试 session 最早的 512 个因果前缀心跳上微调 50 个 epoch，并在后续包含精神算术、冷加压和运动恢复阶段的心跳上评估）。评价指标为解析域相位-幅值联合误差 HT Dist、时域均方根误差 \(L_2\) 和动态时间规整距离 DTW（越低越好）。
表 1：PPG 胸骨→手指零样本转换结果与 SCG 锁骨→胸骨小样本适应结果（4 折受试者划分均值 ± 标准差）
| 任务与解析变换 | 对比方法 | HT Dist \(\downarrow\) | \(L_2\) \(\downarrow\) | DTW \(\downarrow\) |
|---|---|---|---|---|
| PPG 零样本 (HT) | Source Reference（未转换源信号） | \(1.5389 \pm 0.0998\) | \(1.2086 \pm 0.0512\) | \(10.2730 \pm 0.5396\) |
| PPG 零样本 (HT) | Hilbert Naive Path（解缠绕线性插值） | \(1.3752 \pm 0.1143\) | \(0.9835 \pm 0.0668\) | \(7.9733 \pm 0.5303\) |
| PPG 零样本 (HT) | Direct Supervised Path（直接端点回归） | \(0.9223 \pm 0.3275\) | \(0.6867 \pm 0.2261\) | \(5.0619 \pm 1.3302\) |
| PPG 零样本 (HT) | Time Series Affine Path（时域仿射流匹配） | \(0.9073 \pm 0.2933\) | \(0.6951 \pm 0.1869\) | \(5.6048 \pm 1.2262\) |
| PPG 零样本 (HT) | Cylindrical Geodesic Path（本文） | \(0.8294 \pm 0.3619\) | \(0.5944 \pm 0.2310\) | \(4.7902 \pm 1.3007\) |
| PPG 零样本 (EHT) | Direct Supervised Path（直接端点回归） | \(0.9777 \pm 0.2739\) | \(0.7391 \pm 0.1345\) | \(7.0076 \pm 1.3065\) |
| PPG 零样本 (EHT) | Time Series Affine Path（时域仿射流匹配） | \(1.0885 \pm 0.2708\) | \(0.7591 \pm 0.1707\) | \(6.1652 \pm 0.9439\) |
| PPG 零样本 (EHT) | Cylindrical Geodesic Path（本文） | \(1.0110 \pm 0.2542\) | \(0.7237 \pm 0.1514\) | \(5.9589 \pm 0.9057\) |
| SCG 小样本 (HT) | Source Reference（未转换源信号） | \(1.4098 \pm 0.0628\) | \(1.1932 \pm 0.0256\) | \(5.8618 \pm 0.1735\) |
| SCG 小样本 (HT) | Hilbert Naive Path（解缠绕线性插值） | \(1.7230 \pm 0.0478\) | \(1.3031 \pm 0.0810\) | \(6.3553 \pm 0.3431\) |
| SCG 小样本 (HT) | Direct Supervised Path（直接端点回归） | \(1.0419 \pm 0.0734\) | \(0.7103 \pm 0.0293\) | \(4.9158 \pm 0.1372\) |
| SCG 小样本 (HT) | Time Series Affine Path（时域仿射流匹配） | \(0.9352 \pm 0.0181\) | \(0.6344 \pm 0.0260\) | \(4.4071 \pm 0.2501\) |
| SCG 小样本 (HT) | Cylindrical Geodesic Path（本文） | \(0.8936 \pm 0.0219\) | \(0.6181 \pm 0.0231\) | \(4.2618 \pm 0.2882\) |
| SCG 小样本 (EHT) | Direct Supervised Path（直接端点回归） | \(1.2437 \pm 0.0282\) | \(0.9129 \pm 0.0377\) | \(5.1282 \pm 0.2807\) |
| SCG 小样本 (EHT) | Time Series Affine Path（时域仿射流匹配） | \(1.1771 \pm 0.0335\) | \(0.8551 \pm 0.0278\) | \(5.0171 \pm 0.2362\) |
| SCG 小样本 (EHT) | Cylindrical Geodesic Path（本文） | \(1.0565 \pm 0.0270\) | \(0.8059 \pm 0.0282\) | \(4.7527 \pm 0.2689\) |
消融实验¶
论文通过对比不同插值桥几何结构、微调支持集大小（Support-Size Ablation）以及推理 ODE 求解器步数（Solver-Step Ablation），系统验证了各个核心设计的作用：
表 2：桥接几何消融、SCG 支持集规模消融与 Heun 求解器步数消融分析
| 消融维度 | 配置 / 变体 | 核心表现与定量结论 | 说明 |
|---|---|---|---|
| 相位-幅值流形几何 | Hilbert Naive Path（无圆柱嵌入与缠绕测地线） | PPG (HT) \(L_2=0.9835\)；SCG (HT) \(L_2=1.3031\)（劣于未转换源信号 \(1.1932\)） | 在欧氏空间直接插值 \((\phi,a)\) 会继承 \(2\pi\) 跳变不连续，证明仅有解析分解不够，圆柱嵌入与测地线桥缺一不可 |
| 桥接路径几何 | Time Series Affine Path（时域欧氏直线桥） | PPG (HT) 上比圆柱测地线高出约 9%–15% 误差（\(L_2\): \(0.6951\) vs. \(0.5944\)） | 验证了定理 2：仿射桥的 \(O(\Delta\phi^4)\) 幅值衰减和 \(O(\Delta\phi^6)\) 频率畸变会劣化监督信号 |
| 监督密度模式 | Direct Supervised Path（单次端点回归） | SCG (HT) 上圆柱测地线将三项指标一致降低约 13%（DTW: \(4.9158 \to 4.2618\)） | 在跨部位对齐复杂且样本受限的 SCG 任务上，整条测地线桥的密集速度监督显著优于单一端点残差 |
| SCG 支持集大小 | \(S \in \{16, 32, 64, 128, 256, 512\}\) 个前缀心跳 | \(16 \to 128\) 拍误差下降最陡峭；\(32\)–\(64\) 拍即可保留大部分增益；\(>256\) 拍进入收益递减区 | 证明方法的优势不依赖漫长的校准窗口，仅需半分钟至一分钟的早期静息心跳即可完成跨 session 适应 |
| 推理求解器步数 | Heun 步数 \(N \in \{4, 8, 16, 32, 64, 100\}\) | \(4 \to 16\) 步快速收敛，\(\le 16\) 步内三项指标已落入 100 步基准的方差范围内 | 因为理想轨迹是零曲率的内蕴常速测地线，无需细粒度时间离散化，推理计算开销可降低约一个数量级 |
关键发现¶
- 不用圆柱流形几何约束的相位-幅值训练反而有害：Hilbert Naive 基线同样以 \((\phi, a)\) 为状态表示，但由于把角度当作普通欧氏变量做线性插值，不仅在 PPG 上大幅落后，在 SCG 上甚至比不做任何转换的 Source Reference 更差（HT Dist 从 \(1.4098\) 恶化到 \(1.7230\)）。这直接证明了圆柱嵌入 \(\chi\)、最短弧缠绕测地线和切空间参数化是使相位-幅值表示真正奏效的决定性因素。
- 理论预测的桥接畸变与实验增益高度吻合：在标准 HT 下，圆柱测地线在全部 6 个任务-指标组合中均取得最优；即便在经过谱平滑修正的 EHT 下，也在 6 项中的 5 项夺冠。定性波形对比（图 5、图 6）显示，时域仿射桥会明显压低 PPG 的收缩期主峰，并在 SCG 的高频瞬态尖峰（主动脉瓣开闭 AO/AC）处出现欠冲或过冲，而圆柱测地线精准保持了过零点相位与尖峰幅值。
- 推理效率极高：得益于圆柱测地线的常速无曲率解析性质，将 Heun 求解器从默认的 100 步压缩到 16 步以内几乎不损失波形还原精度，非常适合算力受限的可穿戴边缘端部署。
亮点与洞察¶
- 把信号处理的解析信号分解转化为黎曼流匹配的乘积流形几何：作者敏锐地指出希尔伯特变换导出的瞬时相位与正幅值天然居住在圆柱流形 \(S^1 \times \mathbb{R}_{>0}\) 上。由于该乘积流形在度量 \(d\phi^2 + da^2\) 下是局部平坦的，其测地线和对数映射具有极简的闭式解，既享受了黎曼流匹配的几何保真度，又完全规避了一般弯曲流形上高昂的测地线数值求解开销。
- 对仿射桥在振荡信号上失败原因的严格定量刻画：论文没有停留在“流形比欧氏好”的直觉层面，而是通过定理 2 推导出等幅振荡信号在仿射插值下幅值畸变 \(\frac{a^2\Delta\phi^4}{120}\) 和相位速率畸变 \(\frac{\Delta\phi^6}{180}\) 的精确闭式积分与泰勒主项，从数学上解释了为什么标准流匹配在准周期生理波形中会导致峰值萎缩。
- 可广泛迁移的周期-正幅值乘积流形范式：这种将“周期相位 \(S^1\) + 正标量包络 \(\mathbb{R}_{>0}\)”解耦并在圆柱上构造常范数测地线桥的思路，可直接迁移到呼吸波转换、步态周期跨传感器对齐、脑电（EEG）跨导联节律恢复以及语音/声学谐波转换等一切配对准周期信号建模任务中。
局限与展望¶
- 平坦乘积度量对乘性幅值变化的次优性：当前测地线使用平坦度量 \(m = d\phi^2 + da^2\)，对幅值采用加法线性插值；对于包络具有强烈乘性跨量级变化的生理模态，改用对数幅值度量 \((d\log a)^2\) 或 Fisher-Rao 型包络度量可能更为契合。
- 低幅值区段的解析相位病态问题：当信号处于静息平坦期或极低幅值区段（\(a(s) \to 0\)）时，希尔伯特变换的瞬时相位定义会变得病态且对噪声极其敏感；虽然 EHT 通过带通修正与速度截断缓解了该问题，但在信噪比极低的静默段仍可能引入残余相位跳变误差。
- 单中心数据与跨硬件泛化待验证：实验数据均采集自同一机构的 Cardiotag 与 Biopac 设备（20 名 PPG 受试者与 13 名 SCG 受试者），未来需要在多中心、多采样率及不同穿戴硬件伪影分布下进一步验证零样本与少样本跨设备泛化能力。
相关工作与启发¶
- vs PENGUIN / FlowECG / Trajectory Flow Matching（生理时间序列流匹配方法）：这些方法将条件流匹配引入 ECG 生成或 PPG 生命体征重构，但均在原始波形空间使用标准欧氏仿射桥；本文证明仿射桥会破坏准周期信号的相位-幅值结构，通过圆柱测地线桥在不增加模型参数量（同样约 1.0M 参数）的前提下显著提升了形态还原精度。
- vs 传统端到端有监督生理波形回归（如 Zhu et al., Tang et al.）：直接回归仅利用终点处的单个残差，在 SCG 小样本跨部位适应中容易平滑掉快速瞬态峰；本文通过圆柱测地线将每个配对样本展开为整条流形轨迹上的密集常范数速度场监督，在小样本校准下实现了约 10%–15% 的全面误差下降。
- vs 通用黎曼流匹配（Riemannian Flow Matching, Chen & Lipman 2024）：通用黎曼流匹配主要面向抽象几何空间上的无条件生成，本文则针对准周期生理信号的有条件配对转换，利用解析信号提升构造了 \(S^1 \times \mathbb{R}_{>0}\) 上的闭式测地线与内蕴切向量参数化。
评分¶
- 新颖性: ⭐⭐⭐⭐⭐ 将希尔伯特解析信号分解与 \(S^1 \times \mathbb{R}_{>0}\) 圆柱流形测地线流匹配相结合，首次显式学习配对生理信号间的相位-幅值流形传输，理论推导严密且闭式优雅。
- 实验充分度: ⭐⭐⭐⭐ 在零样本 PPG 和小样本因果前缀适应 SCG 两个极具临床价值的跨部位数据集上进行了严谨的防泄漏受试者划分评估，包含 HT/EHT 双变换、支持集预算及求解器步数消融，唯受试者总体规模较小。
- 写作质量: ⭐⭐⭐⭐⭐ 痛点直击要害，定理证明、几何直觉与实验现象（特别是 Hilbert Naive 基线的崩溃与仿射桥的削峰现象）环环相扣，论述极其清晰。
- 价值: ⭐⭐⭐⭐⭐ 为可穿戴设备从便捷佩戴部位恢复金标准临床波形提供了强大的几何归纳偏置，对广泛的准周期生理及物理振荡时间序列转换具有重要启发价值。