几天前，我们探讨了苹果有朝一日如何利用AirPods中的脑电波传感器来测量睡眠质量甚至检测癫痫发作。
如今，一篇新论文展示了该公司如何借助AI探索更深层的心脏健康洞察。以下是详细内容。
背景信息
随着watchOS 26的推出，苹果在Apple Watch上引入了高血压通知功能。
正如苹果公司所解释的：
Apple Watch的高血压通知利用光学心率传感器的数据，分析用户的血管对心跳的反应。该算法在后台被动运行，分析30天内的数据，如果检测到持续的高血压迹象，便会通知用户。
尽管此功能远非医疗级诊断工具，并且苹果率先承认“高血压通知无法检测所有高血压病例”，但该公司也声称该功能预计“在第一年内将通知超过100万名未确诊的高血压患者”。
该功能的一个重要方面在于，它并非基于即时测量，而是基于30天期间的数据，这意味着其算法分析的是趋势，而非产生实时血流动力学读数或估算具体心血管参数。
而这正是这项新苹果研究的切入点。
从光学传感器获取更多数据
需要从一开始就明确一点：该研究自始至终未提及Apple Watch，也未对即将推出的产品或功能做出任何声明。
与苹果机器学习研究博客发布的大多数（即使不是全部）研究一样，本研究侧重于基础研究和技术本身。
在这篇名为《用于无创监测心血管参数的光电容积脉搏波混合建模》的特定论文中，苹果提出“一种混合方法，利用血流动力学模拟和未标记的临床数据，直接从PPG信号估算心血管生物标志物。”
换言之，研究人员证明，使用简单的手指脉搏传感器（也称为光电容积脉搏波传感器，即PPG）来估算更深层的心脏指标是可行的，这与Apple Watch使用的光学传感模式相同（尽管信号特性不同）。
苹果研究人员所做的是获取一个大型带标签的模拟动脉压力波形数据集，以及一个同时采集的真实世界APW和PPG测量数据集。
接着，他们本质上训练了一个生成模型，以学习如何将PPG数据映射到同时发生的APW。
简而言之，这使他们能够从PPG测量中推断出APW数据，且精度足以满足研究目的。
之后，他们将那些解读出的APW输入第二个模型，该模型经过训练，可从该数据中推断心脏生物标志物，如每搏输出量和心输出量。
他们通过使用模拟的APW数据训练这第二个模型来实现这一点，这些数据与已知的每搏输出量、心输出量等心血管参数值配对。
最后，他们为每个PPG片段生成了多个合理的APW波形，推断出每个波形对应的心血管参数，并对这些结果进行平均，以产生最终估计值及不确定性度量。
研究结果
一旦整个训练过程和模型流水线就位，他们选取了一个全新的数据集，“包含128名接受非心脏手术患者的APW和PPG信号，并标有心血管生物标志物。”
将该数据通过流水线处理后，他们发现模型准确追踪了每搏输出量和心输出量的趋势，尽管未能精确反映其绝对数值。
尽管如此，他们的方法优于传统技术，表明AI辅助建模可以从简单的光学传感器中提取更有意义的心脏洞察。
以下是研究人员的原话总结：
在这项工作中，我们采用混合建模方法从体内PPG信号推断心血管参数。与因标记数据有限而受限的纯数据驱动方法相比，我们的方法通过结合模拟并避免了对侵入性且成本高昂的标注的需求，取得了有希望的结果。虽然其他现有的心血管混合建模方法要么将物理属性作为结构约束嵌入神经网络，要么用数据驱动组件增强传统生理模型，但我们的方法通过SBI将物理知识融入模型。(…) 我们的结果有助于表征PPG信号在预测心脏生物标志物方面的信息量，并且可能超越我们实验中考虑的参数。虽然我们的结果在监测时间趋势方面前景可观，但复杂生物标志物的绝对值预测仍然具有挑战性，这是未来工作的一个关键方向。未来的工作可能会探索PPG到APW映射的替代生成方法，或研究不同的架构选择。最后，此处用于手指PPG的类似学习策略可扩展至其他模式，包括可穿戴PPG，并为被动和长期心脏生物标志物监测打开大门。
虽然无法知晓苹果是否会将这些功能纳入Apple Watch，但令人鼓舞的是，该公司的研究人员正在寻找新方法，从已投入使用的传感器中提取更有意义且可能挽救生命的数据。
您可以在arXiv上找到完整研究。
