Cardio-mmFlow: A Gaussian-Prior-Free Physics-Informed Flow Matching Framework for Electrocardiogram to mmWave Radar Synthesis

Motivation

• Known: mmWave radar는 흉벽의 미세 진동을 통해 심장 활동을 감지할 수 있으며, 최근 딥러닝 기반 방법들(mmECG, RSSRnet, RF-ECG, AirECG, RadarODE 등)이 radar 신호로부터 ECG 파형을 재구성하는 데 성공을 거두어 왔다.
• Gap: 기존 contactless ECG 재구성 방법들은 소규모 lab 환경에서 수집된 synchronized radar-ECG paired 데이터에 의존하여 cross-subject 일반화 성능이 크게 저하되며, 고품질 synchronized 데이터셋 구축은 임상 프로토콜의 높은 진입장벽과 privacy 규제로 인해 data silo 문제를 초래한다.
• Why: 대규모 공개 ECG 데이터셋을 활용해 다양하고 개인화된 mmWave radar 신호를 합성할 수 있다면, 값비싼 synchronized radar-ECG 페어 수집에 대한 의존도를 낮추고 contactless 심장 모니터링 시스템의 cross-subject 일반화 문제를 근본적으로 완화할 수 있다.
• Approach: 사전학습된 두 개의 VAE로 ECG와 radar 각각의 modality-specific latent manifold를 정의한 뒤, Wasserstein 기반 latent alignment와 Gaussian-prior-free flow matching을 결합해 ECG latent에서 radar latent로의 직접적인 transport trajectory를 학습하고, mass-spring-damper에서 영감을 얻은 FiLM 변조로 피험자별 propagation 특성을 반영한다.

Achievement

1. Gaussian-prior-free direct transport: 무작위 Gaussian noise에서 시작하는 대신 ECG latent code에서 직접 출발하여 radar latent manifold로 이동하는 flow matching 궤적을 학습함으로써, ECG에 내재된 beat morphology와 timing 정보를 유지한 채 합성을 수행한다.
2. 개인화된 propagation modeling: 단순화된 mass-spring-damper (MSD) 영감의 변조를 FiLM을 통해 flow dynamics에 주입하여, 피험자별 해부학적/조직 특성에 따른 감쇠 및 위상 변조 패턴을 반영한 개인화된 radar 신호 생성을 가능하게 한다.
3. 다운스트림 태스크에서의 실질적 개선: 합성된 mmWave 신호가 신호 및 latent 도메인 모두에서 높은 fidelity를 보이며, zero-shot mmWave-to-ECG 재구성 성능을 유의미하게 향상시키고, 합성 데이터만으로 Atrial Fibrillation 분류가 가능함을 입증했다.
4. 해석 가능성 분석: heart rate에 따른 linear interpolation, metadata 요소별 modulation test 등을 통해 모델의 물리적 해석 가능성을 검증했다.

How

• 두 개의 frozen VAE를 사용해 ECG와 radar 각각의 modality-specific latent space를 사전 정의
• Wasserstein distance 기반 objective로 ECG와 radar의 cross-modal latent distribution을 정렬
• Gaussian-prior-free flow-matching model을 도입해 ECG latent에서 mmWave radar latent로의 직접적인 transport path를 학습 (기존의 unstructured Gaussian noise 초기화 대신)
• biometric metadata로 구동되는 simplified Mass-Spring-Damper (MSD) 영감의 feature-wise linear modulation (FiLM)을 flow dynamics에 주입하여 subject-specific 위상 감쇠(phase attenuation)를 개인화
• 주파수 특성을 정제하기 위한 spectral fidelity loss (Lfreq) 추가
• 조건부 생성 성능 강화를 위해 classifier-free guidance (CFG) 적용
• Synchronized radar-ECG acquisition platform을 자체 구축하여 검증 데이터 확보

Originality

• 공개 ECG 데이터셋으로부터 mmWave radar 심장 파형을 합성하는 최초의 시도로, 기존 mmWave-to-ECG 방향의 연구들과 반대 방향(ECG-to-mmWave)의 새로운 문제 설정을 제시
• 기존 diffusion/flow 기반 생성 모델들이 관행적으로 사용하는 Gaussian noise prior를 배제하고, paired beat-synchronous 데이터의 특성을 활용한 direct latent transport 방식을 고안
• 물리적 원리(mass-spring-damper)를 FiLM 변조 형태로 딥러닝 프레임워크에 결합하여 해석 가능한 개인화 메커니즘을 구현

Limitation & Further Study

• Simplified mass-spring-damper 모델이 실제 흉부 조직의 복잡한 기계적 특성을 충분히 근사하는지에 대한 물리적 타당성 검증이 제한적일 수 있음
• 합성된 radar 신호의 fidelity가 실제 임상 다양성(다양한 심장질환, 연령대, 체형 등)을 충분히 포괄하는지에 대한 광범위한 검증이 추가로 필요함
• Zero-shot 다운스트림 성능 향상이 보고되었으나, 실제 배포 환경에서의 대규모 실제 사용자 검증(real-world deployment)은 제한적으로 보임
• Atrial Fibrillation 외의 다양한 부정맥 및 심장질환에 대한 일반화 가능성에 대한 추가 연구가 필요함

Evaluation

총평: ECG-to-mmWave radar 합성이라는 새로운 문제 설정과 Gaussian-prior-free flow matching, 물리 기반 개인화 변조를 결합한 참신한 접근으로, contactless 심장 모니터링의 데이터 부족 문제 해결에 실질적으로 기여하는 흥미로운 연구이다.