打开手机闪光灯，手指按上去，血氧饱和轻松测！

测量的浓度范围还进一步扩大到了 70%。

要知道，血氧指数 70% 是一个重要的警戒线，如果低于这一数值，往往意味着需要住院治疗。

而目前市面上智能手表、手机能监测的范围，基本都在 80% 以上，对于判断人体真正的健康情况会有所限制。

并且新方法的准确率也还不错。

在超过 1 万次实验中，该方法 80% 的情况下可以分辨出测试者是否处于低血氧水平。

目前该研究已登上 Nature 合作期刊《NPJ Digital Medicine》，研究数据集也已对外开源。

利用卷积神经网络

该实验大致可分为两部分。

第一，通过这种特殊方式收集大量数据，训练一个深度学习模型。

第二，再用训练好的模型来进行测试。

先来看收集数据的部分。

研究人员找来 6 位受试者进行试验。

通过让他们吸入不同浓度的氧气，来改变其血氧浓度水平。

通讯作者杰森・霍夫曼（Jason S. Hoffman）表示，这和以往让受试者屏住呼吸来控制血氧浓度方法有很大不同，它不光让受试者不能那么难受，还能对每个测试者一次收集长达 15 分钟的数据。

然后同时用智能手机和普通血氧仪来监测数据。

其中，普通脉搏血氧仪利用的是透射式 PPG，手机用的是反射式 PPG。

PPG（光电容积脉搏波法）是最常见的无创测血氧浓度方法，它主要利用的是光照射人体皮肤后，皮下动脉由于不同血氧蛋白含量比例不同，对光的吸收有变化，而这种光线的变化可以进一步转化为电信号。

对于反射式 PPG，当闪光灯产生入射光，经过人体皮下组织、微静脉、微动脉，多次散射后，一部分光信号重新返回到皮肤表面，就是将这部分光信号被转换为电流信号。

收集到数据后，研究人员在通过一个应用程序来提取视频中 30 帧以上的片段。

（为了保证录到的视频最好都在 30 帧以上，研究人员还给手机绑了冰袋散热）

然后就能开始训练神经网络了。

利用 CNN 机器学习模型，他们设计并训练了一个由 3 个卷积层和 2 个全连接层组成的神经网络。

通过数据预处理后，可以通过计算每帧画面的平均像素值，提取每个通道的 PPG 信号，然后再做平均。

通过 Leave-One-Out 交叉验证 (LOOCV) 进行训练和评估，用 1 个受试者的数据作为训练集，1 个受试者的数据作为验证集，然后再在另一个受试者身上测试模型。

模型的输入是一段 3 秒长的视频，输出是血氧饱和浓度。

测试结果显示，该模型在受试者 4 身上的效果最好，灵敏度达到 88%，特异度为 78%。88% 的情况下可以准确判断出低血氧。

数据集已开放

目前，该研究的数据集已免费开源。

研究人员表示，想要通过普通智能手机准确测血氧浓度，还需要更多数据支撑，当前实验结果也不能用于医疗用途。

比如实验中就发现，受试者肤色、手上是否有老茧等，都可能影响检测结果的准确性。

仅有 6 个测试对象，样本也十分小，可能产生实验偏差。

因此，还需要更多人来完善、丰富这一类数据。

论文通讯作者及第一作者为杰森・霍夫曼（Jason Hoffman），他现在在华盛顿大学读博，研究方向为医疗和计算机交叉领域。

之前还在微软硬件开发部门有过工作经验。

论文地址：

https://www.nature.com/articles/s41746-022-00665-y

参考链接：

• https://www.zmescience.com/medicine/a-simple-smartphone-camera-and-app-could-be-enough-to-measure-your-blood-oxygen-levels-at-home/

本文来自微信公众号：量子位 （ID：QbitAI），作者：明敏

本文由LinkNemo爬虫[Echo]采集自[https://www.ithome.com/0/658/937.htm]