幾天前，我們探討了蘋果有一天如何使用 AirPods 中的腦電波傳感器來測量睡眠質量，甚至檢測癲癇發作。
現在，一篇新論文展示了該公司如何利用人工智能探索對心臟健康的更深入見解。以下是詳細信息。
一些背景知識
在 watchOS 26 中，蘋果為 Apple Watch 引入了高血壓通知功能。
作為一家公司 解釋了這一點:
Apple Watch 上的高血壓通知使用光學心臟傳感器數據來分析用戶的血管對心跳的反應。該算法在後台被動工作，查看 30 天的數據，並在檢測到持續的高血壓跡象時通知用戶。
雖然該功能距離醫療級診斷工具還很遠，而且蘋果公司也是第一個承認“高血壓警報並不能檢測出所有高血壓病例”的公司，但該公司還聲稱，該功能預計將“在第一年內向超過 100 萬未確診高血壓患者發出警報”。
這一功能的一個重要方面是，它不是基於瞬時測量，而是基於 30 天的數據。這意味著它的算法分析趨勢，而不是提供實時血流動力學讀數或評估特定的心血管參數。
這就是蘋果新研究的用武之地。
從光學傳感器獲取附加數據
從一開始就明確一件事很重要： 沒有意義 這項研究沒有提及 Apple Watch，也沒有提及 任何 關於未來產品或功能的陳述。
這項研究與大多數（如果不是全部）蘋果研究一樣， 機器學習研究博客專注於基礎研究和技術本身。
在這篇名為 用於無創監測心血管參數的混合光電體積描記法模型Apple 提出了“一種混合方法，使用血流動力學模型和未標記的臨床數據直接根據 PPG 信號評估心血管生物標誌物。”
換句話說，研究人員表明， 可能的 使用簡單的手指脈搏傳感器（也稱為光電體積描記器 (PPG)）評估更深層次的心臟功能，這與 Apple Watch 中使用的光學測量方法相同（儘管信號特徵不同）。
Apple 研究人員獲得了帶有標籤的模擬血壓波形 (APW) 的大型數據集以及同時真實世界 APW 和 PPG 測量的數據集。
然後，他們主要訓練了一個生成模型，以學習如何將 PPG 數據與同時發生的 APW 進行匹配。
簡而言之，這使他們能夠從 PPG 測量中推斷出 APW 數據，並且對於研究目的而言具有足夠的準確性。
然後，他們將這些解釋後的 APW 輸入到第二個模型中，該模型經過訓練可以根據這些數據推斷心臟生物標誌物，例如每搏輸出量和心輸出量。
他們通過使用模擬 APW 數據結合已知的心血管參數值（每搏輸出量、心輸出量和其他指標）訓練第二個模型來實現這一目標。
最後，他們為每個 PPG 片段生成多個可信的 APW 信號，確定每個片段相應的心血管參數，並對這些結果進行平均以獲得最終分數以及不確定性度量。
結果
整個訓練過程和模型流程完成後，他們選擇了一個全新的數據集，“包含來自 128 名接受非心臟手術的患者的 APW 和 PPG 信號，並標記有心血管生物標誌物。”
通過在管道中運行這些數據，他們發現它準確地跟踪了每搏輸出量和心輸出量的趨勢，儘管不是它們的確切絕對值。
然而，他們的方法優於傳統方法，表明人工智能建模可以從簡單的光學傳感器中提取更有意義的心臟信息。
以下是研究人員用自己的話得出的結論：
在這項工作中，我們使用混合建模方法從體內 PPG 信號推斷心血管參數。與受到有限標記數據困擾的純數據驅動方法相比，我們的方法通過合併建模並繞過侵入性且昂貴的註釋的需要，取得了有希望的結果。雖然其他現有的混合心血管建模方法要么將物理屬性作為結構約束嵌入神經網絡中，要么使用數據驅動組件增強傳統生理模型，但我們的方法通過 SBI 將物理知識納入模型中。 (…)我們的結果有助於表徵 PPG 信號的信息量，以預測心臟生物標誌物，並且可能超出我們實驗中考慮的範圍。儘管我們的結果在監測時間趨勢方面很有希望，但預測複雜生物標誌物的絕對值仍然具有挑戰性，也是未來工作的關鍵方向。未來的工作還可以探索將 PPG 映射到 APW 的替代生成方法或探索不同的架構選項。最後，與此處用於數字 PPG 的訓練策略類似的訓練策略可以擴展到其他方法，包括可穿戴 PPG，並為心臟生物標誌物的被動和長期監測打開大門。
雖然無法確定蘋果是否會在 Apple Watch 中加入這些功能，但令人鼓舞的是，該公司的研究人員正在尋找新方法，從已使用的傳感器中提取更有意義、可能挽救生命的數據。
完整的研究可以在以下位置找到： arXiv。
亞馬遜上的 Apple 特惠
FTC：我們使用自動會員鏈接來產生收入。 更多的。
