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/