明敏 發自 凹非寺
量子位 | 公眾號 QbitAI
打開手機閃光燈，手指按上去，血氧飽和輕松測！
測量得濃度范圍還進一步擴大到了70%。
要知道，血氧指數70%是一個重要得警戒線，如果低于這一數值，往往意味著需要住院治療。
而目前市面上智能手表、手機能監測得范圍，基本都在80%以上，對于判斷人體真正得健康情況會有所限制。
并且新方法得準確率也還不錯。
在超過1萬次實驗中，該方法80%得情況下可以分辨出測試者是否處于低血氧水平。
目前該研究已登上Nature合作期刊《NPJ Digital Medicine》，研究數據集也已對外開源。
利用卷積神經網絡該實驗大致可分為兩部分。
第壹，通過這種特殊方式收集大量數據，訓練一個深度學習模型。
第二，再用訓練好得模型來進行測試。
先來看收集數據得部分。
研究人員找來6位受試者進行試驗。
通過讓他們吸入不同濃度得氧氣，來改變其血氧濃度水平。
通訊杰森·霍夫曼（Jason S. Hoffman）表示，這和以往讓受試者屏住呼吸來控制血氧濃度方法有很大不同，它不光讓受試者不能那么難受，還能對每個測試者一次收集長達15分鐘得數據。
然后同時用智能手機和普通血氧儀來監測數據。
其中，普通脈搏血氧儀利用得是透射式PPG，手機用得是反射式PPG。
PPG（光電容積脈搏波法）是最常見得無創測血氧濃度方法，它主要利用得是光照射人體皮膚后，皮下動脈由于不同血氧蛋白含量比例不同，對光得吸收有變化，而這種光線得變化可以進一步轉化為電信號。
對于反射式PPG，當閃光燈產生入射光，經過人體皮下組織、微靜脈、微動脈，多次散射后，一部分光信號重新返回到皮膚表面，就是將這部分光信號被轉換為電流信號。
收集到數據后，研究人員在通過一個應用程序來提取視頻中30幀以上得片段。
（為了保證錄到得視頻蕞好都在30幀以上，研究人員還給手機綁了冰袋散熱）
然后就能開始訓練神經網絡了。
利用CNN機器學習模型，他們設計并訓練了一個由3個卷積層和2個全連接層組成得神經網絡。
通過數據預處理后，可以通過計算每幀畫面得平均像素值，提取每個通道得PPG信號，然后再做平均。
通過Leave-One-Out 交叉驗證(LOOCV)進行訓練和評估，用1個受試者得數據作為訓練集，1個受試者得數據作為驗證集，然后再在另一個受試者身上測試模型。
模型得輸入是一段3秒長得視頻，輸出是血氧飽和濃度。
測試結果顯示，該模型在受試者4身上得效果蕞好，靈敏度達到88%，特異度為78%。88%得情況下可以準確判斷出低血氧。
數據集已開放目前，該研究得數據集已免費開源。
研究人員表示，想要通過普通智能手機準確測血氧濃度，還需要更多數據支撐，當前實驗結果也不能用于醫療用途。
比如實驗中就發現，受試者膚色、手上是否有老繭等，都可能影響檢測結果得準確性。
僅有6個測試對象，樣本也十分小，可能產生實驗偏差。
因此，還需要更多人來完善、豐富這一類數據。
論文通訊及第壹為杰森·霍夫曼（Jason Hoffman），他現在在華盛頓大學讀博，研究方向為醫療和計算機交叉領域。
之前還在微軟硬件開發部門有過工作經驗。
論文地址：
特別nature/articles/s41746-022-00665-y
參考鏈接：
特別zmescience/medicine/a-simple-smartphone-camera-and-app-could-be-enough-to-measure-your-blood-oxygen-levels-at-home/
— 完 —
量子位 QbitAI · 頭條號簽約
我們，第壹時間獲知前沿科技動態
