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
广告声明:文内含有的对外跳转链接(包括不限于超链接、二维码、口令等形式),用于传递更多信息,节省甄选时间,结果仅供参考,IT之家所有文章均包含本声明。