通過智能手機攝像頭實現被動心臟健康監測

2026年6月4日，谷歌研究團隊在《自然》雜誌上發表了一項突破性研究，介紹了一種名為PHRM（被動心率監測）的系統，該系統能夠利用智能手機的前置攝像頭，在日常使用中被動地測量用户的心率和靜息心率。這一成果由產品經理Eric S. Teasley和首席研究科學家Ming-Zher Poh主導，旨在將心臟健康監測的便利性擴展到更廣泛的人羣，尤其是在可穿戴設備普及率較低的低資源環境中。

心率和靜息心率是心血管健康的關鍵生物標誌物。傳統上，這些指標需要通過可穿戴設備或醫療儀器來測量，但智能手機的普及為被動健康監測提供了新的可能。PHRM的工作原理基於光電容積描記法（PPG），即通過檢測皮膚對光線的反射變化來感知每次心跳引起的血流波動。當用户使用面部解鎖功能時，前置攝像頭會捕捉8秒的面部視頻片段，隨後設備上的深度學習模型（基於時間移位卷積神經網絡）會從中估算心率，並給出一個置信度分數。系統還會將一天內多次測量的結果彙總，利用卡爾曼濾波算法估算每日靜息心率。

為了確保PHRM的準確性和普適性，研究團隊構建了迄今為止最大、最多樣化的遠程PPG數據集。他們從近700名知情同意的研究參與者中收集了超過35萬段視頻片段，涵蓋了實驗室和真實生活環境。在膚色代表性方面，團隊特別採用了Monk膚色量表，確保淺色皮膚（Group 1, Monk 1-4）、中等膚色（Group 2, Monk 5-7）和深色皮膚（Group 3, Monk 8-10）的參與者分別至少佔25%、25%和33%，這一比例與美國食品藥品監督管理局（FDA）後續提出的膚色分組建議一致。此外，團隊還制定了非劣效性標準，要求PHRM在三個膚色組的心率MAPE差異不超過5個百分點。

在實驗室研究中，團隊對365名參與者在不同光照條件和活動狀態下錄製了面部視頻，並同步記錄心電圖數據作為金標準。在獨立的104人測試集上，經過置信度閾值篩選後，PHRM在所有膚色組中均實現了MAPE顯著低於10%的結果，且遠遠優於15種已有的領先rPPG模型——後者中沒有任何模型能對所有膚色達到這一標準。

更令人印象深刻的是，研究還首次在自由生活條件下驗證了PHRM的性能。231名參與者在自己的手機上安裝了數據採集應用，正常使用手機八天，同時佩戴心電圖胸帶和Fitbit Charge 6追蹤器。應用在每次面部解鎖後自動錄製8秒視頻，平均每天收集231段片段。在確保參與者手動審查並授權上傳後，數據被加密傳輸至安全服務器。在101人的驗證子集中，PHRM的整體MAPE為6.09%，其中Group 1、2、3的MAPE分別為5.04%、5.12%和7.84%，均低於10%並滿足非劣效性標準。Bland-Altman分析顯示，PHRM平均僅低估心率0.64次/分鐘，95%一致性界限為-11.3至10.3次/分鐘；置信度越高，誤差越小。

對於靜息心率的估計，研究要求參與者每天至少進行20次心率測量。在符合條件的90名參與者中，PHRM成功估算了73.6%的參與者-天的靜息心率，整體MAE為4.39次/分鐘（與Fitbit Charge 6相比），低於預先設定的5次/分鐘目標。Bland-Altman分析顯示，PHRM平均低估靜息心率0.1次/分鐘，95%一致性界限為-9.1至9.2次/分鐘；誤差隨測量天數增加而減小。雖然Group 3在第一天的MAE略高於5 bpm，但從第三天起也顯著低於5 bpm。

研究還發現，PHRM估算的靜息心率與身體質量指數（BMI）及心肺健康水平（VO2max）呈預期相關性，即靜息心率較高的參與者往往BMI更高、VO2max更低，表明PHRM正確捕捉了心血管風險的方向性。

儘管PHRM在準確性上達到了行業標準，但仍存在一些侷限性。深色膚色的測量成功率較低，這是因為黑色素使PPG信號更難被攝像頭檢測。未來工作可以優化相機曝光或觸發額外採樣來提高成功率。此外，參與者的説話和頭部運動會導致異常誤差，可以通過視頻穩定和加速度計門控來緩解。隱私和安全方面，未來的系統應考慮面部認證和本地設備處理。

為了推動該領域的進一步研究，谷歌向符合條件的學術研究人員提供了這一里程碑式的數據集和預訓練模型（PHRM-mini）。研究人員需獲得機構審查委員會（IRB）批准並滿足數據保護要求，數據集僅限非商業研究使用，嚴禁重新識別個人或公開展示原始視頻。

PHRM代表了智能手機健康監測的一次重要進步，它利用人們最常用的設備，實現了可穿戴設備級別的心率洞察。通過將用户習慣與深度學習相結合，PHRM有望使心臟健康監測的益處惠及更多人，真正實現健康民主化。