Google 用智能手表传感器被动检测高血压迹象

使用可穿戴传感器检测高血压迹象

2026年11月5日

Paolo Di Achille，资深研究科学家；Ming-Zher Poh，高级资深研究科学家，Google Research

我们提出了一种新的 AI 系统，利用标准消费级智能手表传感器被动检测高血压迹象。

快速链接

• Nature 论文

高血压（即血压升高）常被称为“沉默的杀手”，全球有超过十亿人受其影响，但超过一半的成年患者并不知道自己患病。由于它很少表现出明显症状，高血压（BP）通常只能通过偶然筛查被发现。这一认知缺口在18 至 44 岁的年轻成年人中尤为严重，漏诊可能延误挽救生命的早期干预，并显著增加中风或心力衰竭等不良心血管事件的长期风险。

诊室血压测量是检测高血压的主要初始筛查入口。近年来，无袖带可穿戴设备已成为补充阶段性诊室护理的潜在工具。然而，现有商业解决方案通常需要使用传统臂式袖带进行定期校准。这意味着它们只能追踪相对于袖带基线读数的变化，而无法识别绝对高血压状态，从而限制了其作为独立筛查工具的实用性。

在一篇发表于Nature的新研究中，我们提出了一种多模态人工智能（AI）系统，能够利用消费级智能手表被动检测高血压迹象，且无需任何袖带校准。我们将该系统命名为AI-PPG-ACC-HTN，并以24小时动态血压监测（ABPM）这一临床金标准对其进行了验证，结果显示，无论是初次筛查还是确认性筛查，其准确度均与传统基于袖带的诊断流程相当。这些研究成果为Google Health应用中的血压趋势Health Guardian功能提供了依据。

工作原理

我们的系统并未试图估算精确的、某一时间点的收缩压和舒张压数值——这类数值极易受到瞬时环境噪声的干扰——而是重新定义了问题。它专注于通过聚合多天内的被动生理特征，来识别个体潜在的、持续性的高血压状态。

该系统利用了现代智能手表上已处于活跃状态的两个传感器的数据：

• 光电容积脉搏波描记法（PPG）： 一种光学传感器，通过测量反射光来追踪手腕处血容量的变化，从而捕捉脉搏波轮廓。
• 加速度计（ACC）： 一种运动传感器，用于识别静止时段，并捕捉心冲击图（BCG）——即心脏将血液机械性泵入主动脉时引起的手腕细微物理振动。

该AI系统利用消费级智能手表记录的光电容积脉搏波描记法（PPG）和加速度计（ACC）信号生成波形嵌入。波形嵌入随时间（数天）聚合为个人级嵌入，并与用户身高一起用于预测其血压状态。

为构建该系统，我们采用了两阶段机器学习方法：

阶段1：自监督预训练（波形编码器）

我们使用自监督对比学习训练了一个一维深度卷积神经网络。通过分析来自2，109名知情同意参与者的492，347小时传感器数据这一大型无标签数据集，模型学会了将同一个体的重叠15秒PPG和ACC波形在潜在空间中映射得彼此接近。这使得模型能够发现血管和机械心脏功能的复杂、生理信息丰富的特征，而无需人工特征工程或医学标签。

阶段2. 个体级聚合与分类

对于每个用户，这些15秒特征块（嵌入）会在多天的佩戴数据上进行均值聚合，以消除突发运动或温度变化等短暂噪声。最后，个体的聚合嵌入与其身高（作为动脉路径长度的可靠代理）结合，输入到正则化逻辑回归分类器中，以计算连续的高血压概率评分。

针对临床金标准的严格验证

为了评估我们的系统，我们在美国五个中心开展了一项前瞻性、多中心临床研究，涉及196名知情同意的多样化参与者，这些人没有已知心血管疾病，也未服用降压药物。

重要的是，我们以24小时动态血压监测（ABPM）——高血压诊断的临床金标准——为基准，对智能手表的性能进行了评估。我们在两个临床使用场景中评估了智能手表系统：初始筛查和确认性检测。

场景1：初始筛查

智能手表达到了65.8%的中等灵敏度和90.0%的高特异度，从而产生了80.6%的高阳性预测值（PPV）。相比之下，以金标准为基准，初始诊室筛查的灵敏度为55.3%，PPV为77.8%，属于中等水平。

场景2：确认性检测

对于在诊所初始筛查为高血压阳性的个体，当前指南建议进行确认性的院外监测。我们观察了初始诊室血压升高的参与者子集（N=48），以了解智能手表确认持续性高血压的效果如何。

我们的多模态系统实现了78.4%的中等灵敏度、90.9%的高特异性和96.7%的高PPV。相比之下，诊室血压测量的表现显示出较低的灵敏度（67.6%）、特异性（63.6%）和PPV（86.2%）点估计值。此外，智能手表方法被证明与多日家庭监测具有竞争力，后者的灵敏度为89.2%，特异性为81.8%，PPV为94.3%。

综合来看，结果表明我们的系统能够在现有临床框架内以与传统袖带血压设备相当的准确度水平检测高血压。

模型可解释性

为了解AI模型可能关注的内容，我们将高血压预测概率最高和最低用户的平均脉搏波形进行了可视化。

我们观察到以下视觉差异：

• 脉搏宽度减小： 与较高高血压风险相关的波形表现出略窄的脉搏宽度（下图左上方面板），表明血容量变化较小，并可能提示动脉较僵硬、扩张能力较弱。
• 脉搏波反射： 较高的AI风险评分与较慢的收缩期上升支（血液的初始涌动）（下图中间面板黄色圆圈高亮处）以及较低的d/a比值（下图右侧面板黄色圆圈高亮处）相关。这一特定指标比较了初始前向传播的脉搏波与从人体血管网络反射回来的波。
• 心脏机械振动： 智能手表加速度计成功捕获了心冲击图（BCG）信号。在预测高血压较高的用户中，我们在这些微振动中观察到了明显的物理调制，特别是更深的“K波”和更宽的“IJK复合波”（下图左下面板黄色圆圈高亮处）。

平均脉搏波形（左上图）、对应的加速度计波形显示心冲击图（BCG，左下图）、脉搏波形的第一阶导数（中图）和第二阶导数（右图），来自 AI-PPG-ACC-HTN 评分最高和最低五个分位中的四个极端分位。图中标注了关键基准点，包括 PPG 波形中的脉搏起始点（ons）、峰值（sys）、重搏切迹（dic）、舒张峰（dia），BCG 波形中的 H、I、J、K、L、M、N 波，以及 PPG 波形第二阶导数中的 a、b、c、d、e 波。

展望

基于智能手表的高血压筛查并非旨在取代标准的临床袖带血压计，也不提供确定性的独立医学诊断。相反，这项研究指向了一种高度可扩展的被动工具用于机会性筛查的潜力。本工作属于早期可行性研究，文中描述的方法纯属探索性质，并不代表任何现有或即将推出的商业产品功能或设备能力。通过温和地提示高风险个体前往诊所进行正式评估，这项技术有望显著缩小全球认知差距，并在高血压造成永久性心血管损伤之前及早发现。

致谢

本研究是 Google Research、Beth Israel Deaconess Medical Center 和 Harvard Medical School 之间的合作成果。我们感谢论文合著者 Lawrence Cai、Jiang Wu、Mingwu Gao、Bhavna Daryani、Jonathan Wang、Utkarsh Khanna、Ho Ko、Anupam Pathak、Mark Malhotra、Shwetak Patel、Jacqueline B. Shreibati、Stephen P. Juraschek、Pramod Rudrapatna 和 Matthew Thompson。我们感谢重要贡献者，包括：Jennifer Block、Anu Gabbita、Sushalini Sunku、Keerthana Natarajan、Alexandros Pantelopoulos、Tuan Phan、Tracy Giest 和 Florence Thng。