Diagram of a machine learning workflow using wearable PPG and accelerometer data to predict a hypertension score. 使用可穿戴传感器检测高血压迹象

2026年11月5日

Paolo Di Achille，员工研究科学家；Ming-Zher Poh，高级员工研究科学家，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

高血压 （即血压升高），常被称为“沉默的杀手”，全球影响超过十亿人，但患有该病症的成年人中有一半以上 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偶发性诊室诊疗的潜在工具。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相对变化，而无法识别绝对高血压状态，限制了其作为独立筛查工具的效用。

在一项发表于 Nature 的 新研究中，我们提出了一种多模态人工智能（AI）系统，能够使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。该系统名为 AI-PPG-ACC-HTN，我们以24小时动态血压监测（ABPM）这一临床金标准对其进行了验证，其在初始筛查和确认性筛查中的准确度均与传统基于袖带的诊断流程相当。这些研究发现为Google Health应用中的血压趋势Health Guardian功能提供了参考。

工作原理

我们的系统并不试图估算精确的、某一时点的收缩压和舒张压数值——这些数值极易受到瞬时环境噪声的影响——而是重新定义了问题。它专注于通过聚合多天的被动生理特征，识别个体潜在的、持续的高血压状态。

该系统利用现代智能手表上已激活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，通过测量反映脉搏波轮廓的反射光来追踪腕部血容量的变化。
  • 加速度计（ACC）： 一种运动传感器，可识别静止时段并捕捉 心冲击图（BCG），即心脏将血液机械射入主动脉时引起的腕部细微物理振动。
Diagram of a machine learning workflow using wearable PPG and accelerometer data to predict a hypertension score.

该AI系统使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）信号来创建波形嵌入。波形嵌入随时间（数天）聚合为个人级嵌入，再结合用户身高，用于预测其血压状态。

为构建该系统，我们采用了双阶段机器学习方法：

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小时传感器数据的大型无标注数据集，模型学会了将同一人重叠的15秒PPG和ACC波形在潜在空间中映射得彼此接近。这使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，而无需手动特征工程或医学标签。

阶段2：个人级聚合与分类

对于每个用户，这些15秒特征块（嵌入）在数天的佩戴数据中进行均值聚合，以消除突然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）相结合，输入正则化逻辑回归分类器，计算出连续的高血压概率评分。

针对临床金标准的严格验证

为评估我们的系统，我们在美国五个站点开展了一项前瞻性、多中心临床研究，涉及196名知情同意的多样化参与者，他们均无已知心血管疾病且未服用降压药物。

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——为基准评估了智能手表的表现。我们在两个临床使用场景中评估了该智能手表系统：初始筛查和确认性检测。

场景1：初始筛查

该智能手表达到了65.8%的中等灵敏度和90.0%的高特异度，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为中等水平的77.8%。

Bar charts comparing sensitivity, specificity, PPV, and NPV across Demographics, Office BPM, and AI-PPG-ACC-HTN models.

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诊室外追踪。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。

我们的多模态系统达到了78.4%的中等灵敏度、90.9%的高特异度和96.7%的高PPV。相比之下，复诊诊室血压测量的表现显示灵敏度（67.6%）、特异度（63.6%）和PPV（86.2%）的点估计值较低。此外，该智能手表方法被证明可与多日家庭监测相媲美，后者灵敏度为89.2%、特异度为81.8%、PPV为94.3%。

Bar charts comparing hypertension detection methods show AI-PPG-ACC-HTN achieves the highest specificity (90.9%) and PPV (96.7%).

综合来看，结果表明，在现有临床框架下，我们的系统检测高血压的准确度可与传统袖带血压设备相媲美。

模型可解释性

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

我们观察到以下视觉差异：

  • 脉搏宽度减小： 与高血压风险较高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）（下图中间面板中黄色圆圈高亮处）以及较低的 d/a 比值（下图右侧面板中黄色圆圈高亮处）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。在预测高血压风险较高的用户中，我们在这些微振动中观察到明显的物理调制，具体表现为更深的“K波”和更宽的“IJK复合波”（下图左下面板中黄色圆圈高亮处）。
Plots of pulse and acceleration waveforms and their derivatives, categorized by AI hypertension risk scores.

来自AI-PPG-ACC-HTN评分最极端的四个五分位组的平均脉搏波形（左上方面板）、对应的显示心冲击图（BCG，左下面板）的加速度计波形、脉搏波形的一阶导数（中间面板）和二阶导数（右侧面板）。图中标出了关键基准点，包括PPG波形中的脉搏起始点（ons）、峰值（sys）、重搏切迹（dic）、舒张期峰值（dia），BCG波形中的H、I、J、K、L、M、N波，以及PPG波形二阶导数中的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临床臂式袖带或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。这项工作代表了早期可行性研究，此处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害之前及早发现它。

致谢

这项研究是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。

快速链接