# Google Research 发布被动心率监测系统 PHRM - 来源：Google Research：Blog（网页） - 发布时间：2026-06-04 00:00 - AIHOT 分数：79 - AIHOT 标记：精选 - AIHOT 链接：https://aihot.virxact.com/items/cmpzy33my014qsltrf163yi8g - 原文链接：https://research.google/blog/towards-passive-heart-health-monitoring-via-smartphone-camera ## 精选理由 Google 这项发表在 Nature 上的研究，把手机前置摄像头变成了被动心率仪，而且专门解决了深肤色人群精度差的老问题，虽然离产品还远，但方向很对，穿戴设备的护城河可能又浅了一点。 ## AI 摘要 Google Research 开发了一种被动心率监测系统（PHRM），利用智能手机前置摄像头在日常使用中（人脸解锁后数秒内）捕捉面部视频，通过深度学习估算心率，平均绝对百分比误差（MAPE）低于10%（对比心电图金标准），满足各肤色人群的行业精度标准。系统将全天心率测量整合为每日静息心率（RHR），平均绝对误差（MAE）低于5 bpm（对比可穿戴设备）。研究同时发布了迄今最大规模的公开智能手机视频数据集及预训练模型PHRM-mini，合格研究人员可申请访问。 ## 正文 Eric S. Teasley，产品经理，以及 Ming-Zher Poh，高级研究科学家，Google Research 我们提出一个研究系统，该系统通过日常智能手机使用过程中前置摄像头捕捉的面部视频，被动测量心率和静息心率。 快速链接 论文 数据集与预训练模型 复制链接 × 心率（HR）作为关键生命体征之一，是生理状态的动态指标，受从活动、压力到急慢性疾病等各种因素影响。此外，静息心率（RHR）是心血管健康及长期健康风险的关键生物标志物。较高的静息心率以及静息心率随时间上升，与主要不良心血管事件和全因死亡率相关。 可穿戴设备，例如 Fitbit 设备和 Pixel Watch，已使我们能够在日常生活中追踪这些健康指标。然而，这些设备的普及率仍有提升空间，尤其是在资源匮乏的环境以及心血管疾病风险最高的人群中。智能手机为扩大健康追踪的可及性提供了独特机遇——如今，约有五十亿人已拥有配备强大传感器、能够监测自身健康的设备。2022年，我们展示了通过将手指置于摄像头上，利用智能手机进行按需心率测量的方法；随后，Google 的研究探讨了该测量过程中检测到的信号如何有助于预测心血管疾病。 在发表于《自然》杂志的《日常智能手机使用中的被动心率监测》一文中，我们介绍了一种研究系统（PHRM），该系统能够在日常使用智能手机时，在后台追踪心率和静息心率。PHRM 利用前置摄像头，在面部解锁事件发生后的几秒钟内捕捉用户面部的视频。随后，它应用深度学习来估算心率，其平均绝对百分比误差（MAPE）低于 10%（与心电图导出的真实值相比），达到了适用于所有肤色人群的行业精度标准。最后，该系统将全天的心率测量值整合为每日静息心率的估算值，其精度与可穿戴设备相当，与可穿戴追踪器相比，平均绝对误差（MAE）小于每分钟 5 次（bpm）。随着论文的发表，我们公开了迄今为止规模最大、最多样化的智能手机视频研究数据集，以及一个预训练的“PHRM-mini”模型。合格的研究人员可以申请访问权限。 一项为所有人设计的技术突破 与可穿戴设备、脉搏血氧仪以及我们之前的工作类似，PHRM 通过光电容积描记法（PPG）测量心率，即感知每次血液脉动通过时，光线与皮肤相互作用的波动。我们开发了一套设备端软件处理流程，该流程处理 8 秒的面部视频片段，并使用计算高效的时移卷积神经网络来预测心率及其置信度分数。该流程进一步聚合全天的心率预测值，并利用置信度分数和卡尔曼滤波来估算每日静息心率。 PHRM 从用户面部视频片段中估算心率和每日静息心率的处理流程。 用于这种“远程”光电容积描记法（rPPG）的计算机视觉模型虽然已存在二十年，但此前的研究都是在受控条件下进行的小规模研究，限制了其泛化能力。此外，先前的研究严重缺乏深色皮肤人群的代表性，在这些人群中，黑色素使得摄像头更难检测到PPG信号。直到最近，研究人员才更深入地研究了rPPG模型在深色皮肤受试者上的表现，发现其准确性显著降低——这与脉搏血氧仪及其他基于PPG的技术所经历的发展轨迹相似。对脉搏血氧仪的担忧促使美国食品药品监督管理局（FDA）起草了指南，以确保验证研究中包含多样化的肤色代表。迄今为止，尚缺乏能达到类似标准的rPPG研究。 我们利用来自近700名多样化的、已同意的研究参与者在实验室和真实世界环境中采集的超过35万个视频片段开发了PHRM，并且像我们之前的工作一样，我们将更多的模型训练投入到最具挑战性的案例上。我们利用比色法和Monk肤色量表，确保浅色（“第1组”，Monk 1-4）和中度（“第2组”，Monk 5-7）肤色的参与者各占我们数据集的至少25%，而深色（“第3组”，Monk 8-10）肤色的参与者至少占33%。这种采样方法与FDA后来提出的肤色队列划分方式一致。更进一步，在Google健康优化团队的支持下，我们制定了一项非劣效性标准，规定PHRM对各组心率的平均绝对百分比误差（MAPE）之间的差异必须小于5个百分点。这些努力使我们关于PHRM的研究成为迄今为止规模最大、最多样化的rPPG研究，并使我们能够开发出在全部肤色范围内都能准确运行的包容性模型。 在实验室和真实世界中的验证 我们在实验室研究中训练 PHRM 以应对各种条件，记录了 365 名不同研究参与者在不同光照条件和活动状态下的面部视频及同步心电图数据。在一个独立的 104 名参与者测试集上，经过最低置信度分数门控后，尽管测试条件范围广泛，PHRM 在所有肤色组别中均实现了显著低于 10% 的平均绝对百分比误差。在同一测试集上，无论是否经过门控，PHRM 均显著优于 15 个已发表的主流 rPPG 模型，并且是唯一在所有肤色组别中均实现平均绝对百分比误差低于 10% 的模型。 PHRM 与最先进 rPPG 方法在（上图）多样化实验室条件和（下图）自由生活条件下的心率准确度。实心柱状图表示经过 PHRM 置信度门控后的平均绝对百分比误差；空心柱状图表示未经门控的平均绝对百分比误差。红色虚线表示预设目标平均绝对百分比误差 < 10%。误差线表示 95% 置信区间上限。 为了在真实世界数据上训练 PHRM，我们开展了一项首创的“自由生活”研究。231 名不同研究参与者在个人手机上安装了一款定制数据收集应用，并正常使用手机八天，同时佩戴心电图胸带和 Fitbit Charge 6 健身追踪器。我们的应用在每次面部解锁后立即录制 8 秒视频片段和心电图数据，平均每天捕获 231 个片段。每天结束时，参与者在审查片段以确认排除敏感内容和其他人脸后，手动并明确授权将数据上传至我们安全的加密服务器。 在我们的自由生活研究中，PHRM 从多样化的参与者和真实世界条件下捕获了视频。为保护隐私，人脸已做遮挡处理。 在一个保留的 101 名参与者验证子集上，PHRM 在置信度门控后实现了 6.09% 的整体 MAPE，其中第 1、2、3 组的 MAPE 分别为 5.04%、5.12% 和 7.84%。每个 MAPE 均显著低于 10%，达到了我们预先设定的非劣效性目标。在自由生活条件下，PHRM 以更大优势超越了相同的 15 个领先 rPPG 模型，并且仍然是唯一在所有肤色组中均实现 MAPE 低于 10% 的模型。Bland-Altman 分析显示，PHRM 平均仅低估心率 0.64 bpm，95% 一致性界限在 -11.3 至 10.3 bpm 之间；置信度得分越高的测量值，误差越低。 左图：Bland-Altman 图，展示了自由生活研究中 PHRM 估计心率与 ECG 衍生心率之间的一致性。颜色表示 PHRM 预测置信度。虚线显示偏差、一致性下限和上限。右图：PHRM 心率准确性在不同肤色组中的表现。箱线图显示每位参与者的 MAPE。箱体框定四分位距（IQR），以中位数划分。须线延伸至箱体外 1.5 倍 IQR。须线外的点代表离群值。红色虚线表示预先设定的 MAPE < 10% 的目标。 随后，我们对在一天或多天内至少有 20 次心率测量的参与者应用了 PHRM 的静息心率算法。对于这 90 名参与者，PHRM 在 73.6% 的参与者-天中成功估计了静息心率。与 Fitbit Charge 6 的每日静息心率相比，PHRM 静息心率的整体 MAE 为 4.39 bpm，显著低于我们预先设定的 5 bpm 目标。Bland-Altman 分析显示，PHRM 平均低估静息心率 0.1 bpm，95% 一致性界限在 -9.1 至 9.2 bpm 之间；随着静息心率测量天数的增加，误差减小。按肤色组划分的 MAE 中，除第 3 组外，所有组均显著低于 5 bpm。然而，随着我们静息心率算法的卡尔曼滤波器收敛，所有组的 MAE 均随时间下降——从第三天起，第 3 组的 MAE 显著低于 5 bpm。 左图：Bland-Altman 图，展示 PHRM 与可穿戴设备估算的每日静息心率之间的一致性。颜色表示自静息心率估算开始后的天数。虚线显示偏差、一致性的下限和上限。右图：PHRM 静息心率准确度随天数的变化。阴影区域表示 95% 置信区间。红色虚线表示预先设定的目标：平均绝对误差 < 5 bpm。 在验证我们方法的有效性时，我们进一步发现，在控制协变量后，PHRM 得出的静息心率较高的参与者更有可能具有较高的身体质量指数（BMI）和较差的心血管健康水平（低最大摄氧量），这表明 PHRM 正确捕捉了心血管风险的方向性。 展望 据我们所知，PHRM 标志着首次在智能手机日常使用场景中大规模实现被动心率与每日静息心率监测。作为唯一一种能够满足所有肤色人群心率准确度标准——即使在不可预测的真实世界条件下——的 rPPG 方法，它为这一领域树立了新标准。它也是首次使用 rPPG 来估算每日静息心率，并在所有肤色人群中达到可穿戴设备级别的准确度。通过将用户习惯的理解与前沿深度学习技术及包容性设计相结合，我们开发了一套基于智能手机的心率监测系统，能够提供类似可穿戴设备的心脏健康洞察。因此，PHRM 为我们最普及的设备带来了普及心脏健康追踪益处的机遇。更广泛地说，它展示了我们频繁使用的设备如何反过来反映我们健康的洞察。 尽管 PHRM 在不同肤色上均达到了精度标准，但其心率测量成功率在第二组中较低，在第三组中最低，这很可能是由于在较深肤色中检测 PPG 信号存在困难。未来的工作可以探索优化摄像头曝光或触发额外的采样尝试，以提高测量成功率。我们还观察到一些由参与者说话和头部运动导致的异常误差。改进的视频稳定技术可以减轻这些误差，而基于加速度计的选通机制则有助于优先选择静止状态下的有利时刻。最后，未来的系统可以通过要求面部认证并采用安全的设备端处理来确保数据完整性和隐私。 为了推动进一步研究，我们正在向拥有机构审查委员会（IRB）批准并满足我们数据保护要求的合格研究人员提供我们的标志性数据和建模资源。为保护研究参与者的隐私，所有视频均在 IRB 批准下收集，并根据参与者的明确同意进行处理。该数据集完全限制于非商业研究用途，访问研究人员严禁试图重新识别任何个人或公开展示原始视频资产。我们邀请研究社区利用我们的资源，在我们的工作基础上继续推进。 致谢 这项工作凝聚了超过七年的努力。我们感谢论文合著者 Shun Liao、Paolo Di Achille、Jiang Wu、Silviu Borac、Jonathan Wang、Xin Liu、Lawrence Cai、Yuzhe Yang、Yun Liu、Daniel McDuff、Hao-Wei Su、Brent Winslow、Anupam Pathak、Mark Malhotra、Shwetak Patel、James A. Taylor 和 Jameson K. Rogers。我们感谢关键贡献者，包括：Nikola Teslovich、Alex Mun、Jonathan Hsu、Xiaoxia Zheng、Derrick Vickers、Sam Mravca、Tracy Giest、Jason Guss、Florence Thng、Jiening Zhan、Julie Cannon、Mehr Kashyap、Jaspreet Pannu、Tiffany Kung、Ming Jack Po、Matthew Shore、Justin Tansuwan、Liwen Chen、Cristo Alanis Barrera、Anand Saxena、Jeremy Miles、Melissa Moran、Michael V. McConnell、Ivor Horn、Benny Ayalew、Jonelle Saunders、Jonathan Tsai、Heather Cole-Lewis、Ebony Respress、Perry Payne、Kamillah Wood、Nnamdi Ezeanochie、Magdala Chery 和 Rich Gossweiler。我们感谢 Lizzie Dorfman、Katherine Chou、Michael Howell 和 Greg Corrado 的领导支持。特别感谢 Jiemin Yang、Josh Grondie、Kenya Moore 和 Katie Barton 为我们自由生活研究制作的动画。 快速链接 论文 数据集与预训练模型 复制链接 × 其他相关文章 2026年7月9日 SensorFM：面向可穿戴健康数据的通用智能与接口 * 生成式 AI · * 机器智能 2026年6月30日 推出 TabFM：面向表格数据的零样本基础模型 * 数据管理 · * 机器智能 · * 产品 2026年6月26日 利用冻结的多 token 预测在 Pixel 上加速 Gemini Nano 模型 * 机器智能 · * 移动系统 · * 自然语言处理