来源：市场资讯
（来源：CAAI认知系统与信息处理专委会）
导语：心跳，是生命最诚实的信号。你的静息心率藏着多少秘密？心血管健康、压力水平、甚至早逝风险，都与这个看似简单的数字息息相关。可为了追踪它，你不得不花几百上千元买个智能手表或手环，24小时戴着，几天充一次电。但是，如果这项功能早已“免费”躺在你的手机里呢？2026年，谷歌公司Ming-Zher Poh团队在《Nature》上发表了一项颠覆性成果——他们开发的PHRM系统，能在你每天解锁手机、刷视频、看消息时，利用前置摄像头自动捕捉你的心率，全程无感，且精度媲美医疗级可穿戴设备。这篇文章将为您深度解析这项技术如何用AI“替代”可穿戴设备，以及它背后的技术细节。
一、为什么是静息心率？
在解读这项技术前，需要先理解一个问题：为什么谷歌要瞄准“静息心率”这个指标？
静息心率，即你在清醒且安静状态下每分钟的心跳次数。大量流行病学研究证实，静息心率升高是心血管疾病死亡、全因死亡和心源性猝死的独立预测因子。一个人的静息心率若长期处于高位（如>80 bpm），即便没有明显症状，心血管系统的“折旧速度”也在悄悄加快。
正因为如此，Apple Watch、Fitbit、Garmin等可穿戴设备都将静息心率作为核心健康功能。但问题在于——不是所有人都有智能手表。 根据皮尤研究中心的全球数据，智能手机的普及率远高于可穿戴设备。如果手机的摄像头就能达到类似效果，健康监测的“可及性”将发生质的飞跃。
二、核心突破：真正意义上的“被动”监测
谷歌团队将这套系统命名为PHRM（Passive Heart Rate Monitoring，被动心率监测）。
“被动”二字，是这项技术区别于所有同类研究的关键。以往的手机心率测量技术，往往要求用户正襟危坐、保持不动、用手指遮住后置摄像头和闪光灯。这其实是一种主动测量，操作繁琐，无法嵌入日常使用流。
PHRM的核心创新在于：在用户正常使用手机的瞬间，抓住时机进行心率捕获。 当你进行面部解锁时，前置摄像头的红外光线掠过你的皮肤；当你浏览信息、观看视频时，前置摄像头也能捕捉到你面部的微弱肤色变化。这种变化人眼完全不可见，但在特定光谱下，每一次心跳造成的血液体积变化都会让皮肤呈现极微弱的颜色波动——这就是远程光电容积脉搏波（rPPG） 技术的基本原理。
研究人员让这个捕获取样过程变得极短、极高频——每次只需几秒钟的前置摄像头视频，就能提取出一段脉搏波并计算出当前心率。而后台模型会自动判断这段数据的质量，低质量的直接丢弃，高质量的才纳入计算。这个过程完全不需要用户配合，甚至用户根本不知道它正在发生。
为了训练和验证这套系统，研究团队下了“血本”：
近700名参与者，覆盖所有十种蒙克肤色音阶；
超过35万段视频，采集于受控实验室和真实的自由生活环境；
各种光照、运动、遮挡情况被刻意纳入数据集。
这是迄今为止针对智能手机rPPG系统规模最大、最具多样性的前瞻性验证研究。
在自由活动条件下，通过 PHRM 进行被动心率（HR）和 RHR 测量的准确性。
三、技术内核：三个关键创新
这项技术之所以能实现医疗级精度，背后有三个关键技术创新值得深入解读。
创新一：把“回归”变成“分类”
传统心率算法是把脉搏波信号映射成一个具体的数值（如“72 bpm”），这在工程上称为回归任务。但问题在于：真实生活环境中，手机摄像头捕捉到的信号往往掺杂了大量噪声——剧烈晃动、过强过弱的光照、面部部分遮挡等。这种情况下强行输出一个精确数字，注定错误率极高。
PHRM团队做了一个巧妙的数学重构：把心率估计从回归任务改为多分类任务。 模型不是输出一个数字，而是输出覆盖40-180 bpm范围的每个心率值的概率。例如，模型输出可能是“72 bpm的概率为85%，73 bpm的概率为6%，71 bpm的概率为4%，其他均为噪声”。
这一转变的意义极为深远：它让模型拥有了“知道自己不知道什么”的能力。 如果某个视频样本的心率概率分布非常分散（如各心率值的概率都不超过20%），说明这段数据质量太差，模型会主动“弃权”，不纳入后续统计。这种置信度门控机制，是PHRM能在非受限真实环境中稳定工作的核心原因。
创新二：解决肤色公平性
光学心率监测有一个长期被诟病的行业痛点：在深色皮肤人群中的精度显著下降。 这是因为传统光学方案依赖绿光或红外光在皮肤浅层的反射，而黑色素会吸收部分特定波长的光线，导致信号衰减。
此前有研究发现，部分主流可穿戴设备在深色皮肤用户中的心率误差是浅色皮肤用户的数倍。这一问题若不加解决，将直接导致健康监测技术的“种族不公平”。
谷歌团队在PHRM的设计中严格遵循了FDA关于包容性的建议，在涵盖全部十种蒙克肤色音阶的数据集上进行训练与独立测试。 在浅色、中等和深色三个皮肤组中，PHRM均实现了平均绝对百分比误差（MAPE）低于10%的医疗级精度，并达到了预设的组间非劣效性指标。
这一结果意味着，PHRM是首个在肤色维度上被系统性验证为“公平”的光学心率监测系统。 对公共卫生而言，这也许比单纯提高平均精度更有价值。
创新三：从“瞬时心率”到“每日静息心率”
PHRM输出的并非直接给用户看的最终数值。手机在一天中不同时刻捕捉到的心率数据，可能对应的是用户在走路、说话、刚喝完咖啡、情绪波动的瞬间，这些单点数据本身的健康意义有限。
真正的健康信号需要从噪声中提取。
PHRM的处理流程分为三步：
第一步，全天间歇性捕捉。 在用户日常使用手机的过程中，模型持续寻找“高质量窗口”——面部光照适中、运动幅度小、无遮挡。这些窗口每次只持续几秒，一天下来可能累积几十到上百个有效测量点。
第二步，取第十百分位数。 从全天的有效测量值中，算法提取第10百分位数的心率值。为什么是10%而不是最低值？因为最低值可能来自一个恰好“过于安静”的瞬间（如刚睡醒），统计上不够稳定；而中位数又会混入白天的活动心率。10%分位数是一个在生理学和信号处理上被验证为最接近“真正静息状态”的稳健估计量。
第三步，卡尔曼滤波。 有了每天一个的“第十百分位数”初始估计值后，卡尔曼滤波器会跨天数进行状态估计。该滤波器的作用通俗来讲，就是根据历史趋势来判断今天的数据是否合理：如果连续几天静息心率在60左右，今天突然跳到80，卡尔曼滤波不会直接采信这个跳变，而是给它一个较低的权重，等待更多数据来确认。
研究团队在论文中展示了一个令人意外的发现：通过PHRM导出的每日静息心率，其个体内变异系数甚至低于要求患者在诊室静卧或静坐的传统临床测量方式。 这意味着，这种看似“散乱”的被动测量，经过合理的统计处理，信号质量反而优于“刻意为之”的单次临床测量——因为后者往往掺杂了患者的紧张情绪和测量环境的不确定性。
四、验证规模与结果：用数据说话
PHRM的验证规模在同类研究中是空前的：
近700名参与者；
覆盖全部十种蒙克肤色音阶；
超35万段视频，同时采集于受控实验室和真实自由生活环境；
参考标准为经过FDA批准的医用级可穿戴设备。
关键指标表现为：
全人群心率测量MAPE低于10%，达到ANSI/CTA-2065行业标准；
三个肤色组（浅色、中等、深色）均实现同等精度，组间差异在预设非劣效性界值内；
每日静息心率与参考设备的误差小于5 bpm——这是一个临床意义上可接受的精度范围。作为参照，某主流可穿戴品牌在其认证文件中报告的静息心率平均误差约为3-4 bpm，PHRM的表现与之相当甚至略优，而它不要求用户额外佩戴任何设备；
静息心率与已知心血管风险因素高度相关——包括肥胖、年龄、性别等。这意味着PHRM输出的数据不仅“测得准”，而且“有意义”，能够反映真实的健康差异。
五、从“测量”到“健康洞察”：AI重构了健康监测的范式
PHRM的意义不止于“用手机测心率”。它代表了一种健康监测范式的根本转变。
传统的健康监测是“主动、刻意、低频率”的：你去体检中心，躺上检查床，护士给你戴上袖带，在一段特定时间内获得一个读数。可穿戴设备将这个频率提升到“每天”，但代价是需要用户主动购买、长期佩戴、定期充电——本质上仍是一种需要用户付出的模式。
PHRM将健康监测变成了“被动、无感、高频率”的过程。你不需要刻意测量，不需要额外设备，不需要改变任何习惯。数据在你正常使用手机的过程中自然产生，像呼吸一样融入日常。
这种“零负担”的特性，使得大规模、长周期的心率监测成为可能。设想一下：数以亿计的用户，每天贡献一个静息心率数据点，这些数据与地理位置、气候、疫情、社会事件叠加后，能为公共卫生预警、流行病学研究提供什么样的洞察能力？这可能是在这项技术出现之前完全不可想象的。
谷歌在这项研究中已经迈出了第一步：他们证实了PHRM导出的静息心率与肥胖、心血管健康等风险因素的相关性。下一步，很可能是在更大规模人群中进行纵向追踪，探究这种被动监测能否提前预警心律失常、心力衰竭加重、甚至心源性猝死等急性事件。
六、局限与挑战
尽管PHRM的验证结果令人振奋，但研究中指出的若干局限也需要被正视：
1. 剧烈运动场景尚无法覆盖。 PHRM主要捕获的是用户相对静止状态下（坐着使用手机时）的心率，对于运动心率、最大心率、心率变异性等运动相关的生理指标尚无法准确测量。可穿戴设备在这类场景中仍然具有不可替代的优势。
2. 用户多样性仍需进一步扩展。 当前参与者的年龄、健康状况、用药情况等因素尚未被充分分层分析。例如，某些心血管药物（如β受体阻滞剂）会人为降低心率，这是否会影响模型在服药人群中的表现，目前尚未验证。
3. 隐私与数据治理。 前置摄像头采集面部视频，即使算法只提取rPPG信号而不存储原始图像，这一过程本身也涉及敏感的隐私问题。谷歌承诺所有处理在设备端完成，不上传原始视频到云端，并已获得伦理审查委员会批准。但在大规模部署时，如何让用户充分知情并建立信任，是一项不亚于技术本身的挑战。
4. 特定人群的覆盖不足。 某些严重心律失常（如房颤）患者的心跳极不规律，rPPG信号的特征提取可能失效。这些人群恰恰是最需要心率监测的群体，能否将PHRM拓展到这类场景，仍需进一步研究。
七、结语
1876年，英国生理学家Burdon Sanderson首次记录到心脏的电活动；20世纪初，Einthoven发明了心电图机；1970年代，可穿戴式Holter让心率从诊室走进生活；2010年代，Apple Watch将医疗级心率监测塞进了手腕上的方寸之间。
每一次心率监测技术的迭代，都朝着一个共同的方向努力：更少的人工操作、更多的自动获取、更低的用户负担。
谷歌的PHRM，正是这一进化链条上的最新一环。它不是在手机上加装新传感器，不是要求用户改变行为习惯，而是用AI把手机里已经存在的摄像头变成了“隐形的心率仪”。
当这项技术从研究走向产品，你或许会在某天醒来时，手机屏幕上弹出一条通知：“您的静息心率在过去一周内持续上升了5 bpm。这可能是身体发出的信号——也许您需要多一些休息。”
这不是科幻。这篇《Nature》论文已经证明，它正发生在我们身边。
参考文献：
Poh, M.-Z., et al. Passive heart-rate monitoring during smartphone use in everyday life. Nature (2026). https://www.nature.com/articles/s41586-026-10507-6
热门跟贴