通过智能手机摄像头实现被动心脏健康监测

2026年6月4日，谷歌研究团队在《自然》杂志上发表了一项突破性研究，介绍了一种名为PHRM（被动心率监测）的系统，该系统能够利用智能手机的前置摄像头，在日常使用中被动地测量用户的心率和静息心率。这一成果由产品经理Eric S. Teasley和首席研究科学家Ming-Zher Poh主导，旨在将心脏健康监测的便利性扩展到更广泛的人群，尤其是在可穿戴设备普及率较低的低资源环境中。

心率和静息心率是心血管健康的关键生物标志物。传统上，这些指标需要通过可穿戴设备或医疗仪器来测量，但智能手机的普及为被动健康监测提供了新的可能。PHRM的工作原理基于光电容积描记法（PPG），即通过检测皮肤对光线的反射变化来感知每次心跳引起的血流波动。当用户使用面部解锁功能时，前置摄像头会捕捉8秒的面部视频片段，随后设备上的深度学习模型（基于时间移位卷积神经网络）会从中估算心率，并给出一个置信度分数。系统还会将一天内多次测量的结果汇总，利用卡尔曼滤波算法估算每日静息心率。

为了确保PHRM的准确性和普适性，研究团队构建了迄今为止最大、最多样化的远程PPG数据集。他们从近700名知情同意的研究参与者中收集了超过35万段视频片段，涵盖了实验室和真实生活环境。在肤色代表性方面，团队特别采用了Monk肤色量表，确保浅色皮肤（Group 1, Monk 1-4）、中等肤色（Group 2, Monk 5-7）和深色皮肤（Group 3, Monk 8-10）的参与者分别至少占25%、25%和33%，这一比例与美国食品药品监督管理局（FDA）后续提出的肤色分组建议一致。此外，团队还制定了非劣效性标准，要求PHRM在三个肤色组的心率MAPE差异不超过5个百分点。

在实验室研究中，团队对365名参与者在不同光照条件和活动状态下录制了面部视频，并同步记录心电图数据作为金标准。在独立的104人测试集上，经过置信度阈值筛选后，PHRM在所有肤色组中均实现了MAPE显著低于10%的结果，且远远优于15种已有的领先rPPG模型——后者中没有任何模型能对所有肤色达到这一标准。

更令人印象深刻的是，研究还首次在自由生活条件下验证了PHRM的性能。231名参与者在自己的手机上安装了数据采集应用，正常使用手机八天，同时佩戴心电图胸带和Fitbit Charge 6追踪器。应用在每次面部解锁后自动录制8秒视频，平均每天收集231段片段。在确保参与者手动审查并授权上传后，数据被加密传输至安全服务器。在101人的验证子集中，PHRM的整体MAPE为6.09%，其中Group 1、2、3的MAPE分别为5.04%、5.12%和7.84%，均低于10%并满足非劣效性标准。Bland-Altman分析显示，PHRM平均仅低估心率0.64次/分钟，95%一致性界限为-11.3至10.3次/分钟；置信度越高，误差越小。

对于静息心率的估计，研究要求参与者每天至少进行20次心率测量。在符合条件的90名参与者中，PHRM成功估算了73.6%的参与者-天的静息心率，整体MAE为4.39次/分钟（与Fitbit Charge 6相比），低于预先设定的5次/分钟目标。Bland-Altman分析显示，PHRM平均低估静息心率0.1次/分钟，95%一致性界限为-9.1至9.2次/分钟；误差随测量天数增加而减小。虽然Group 3在第一天的MAE略高于5 bpm，但从第三天起也显著低于5 bpm。

研究还发现，PHRM估算的静息心率与身体质量指数（BMI）及心肺健康水平（VO2max）呈预期相关性，即静息心率较高的参与者往往BMI更高、VO2max更低，表明PHRM正确捕捉了心血管风险的方向性。

尽管PHRM在准确性上达到了行业标准，但仍存在一些局限性。深色肤色的测量成功率较低，这是因为黑色素使PPG信号更难被摄像头检测。未来工作可以优化相机曝光或触发额外采样来提高成功率。此外，参与者的说话和头部运动会导致异常误差，可以通过视频稳定和加速度计门控来缓解。隐私和安全方面，未来的系统应考虑面部认证和本地设备处理。

为了推动该领域的进一步研究，谷歌向符合条件的学术研究人员提供了这一里程碑式的数据集和预训练模型（PHRM-mini）。研究人员需获得机构审查委员会（IRB）批准并满足数据保护要求，数据集仅限非商业研究使用，严禁重新识别个人或公开展示原始视频。

PHRM代表了智能手机健康监测的一次重要进步，它利用人们最常用的设备，实现了可穿戴设备级别的心率洞察。通过将用户习惯与深度学习相结合，PHRM有望使心脏健康监测的益处惠及更多人，真正实现健康民主化。