打開手機閃光燈，用手指按一下，血氧飽和度就可以輕松測出來了！

測量的濃度范圍進一步擴大到70%。

要知道，血氧指數70%是一個重要的警戒線如果低于這個數值，往往意味著住院

目前市面上的智能手表和手機的監測范圍基本都在80%以上，會限制對人體真實健康狀況的判斷。

而且新方法的準確度還不錯。

在超過10，000次的實驗中，這種方法可以在80%的情況下判斷測試者是否處于低氧水平。

目前，該研究已發表在《自然》的合作期刊《NPJ數字醫學》上，研究數據集也已向公眾開放。

使用卷積神經網絡

這個實驗大致可以分為兩部分。

首先，通過這種特殊的方式收集大量的數據來訓練一個深度學習模型。

第二，用訓練好的模型進行測試。

我們先來看收集數據的部分。

研究人員招募了六名實驗對象。

讓他們吸入不同濃度的氧氣，以改變他們的血氧濃度水平。

通訊員杰森·霍夫曼表示，這種方法與以往通過憋氣來控制血氧濃度的方法有很大不同它不僅使受試者感到不那么不舒服，而且每次為每個受試者收集長達15分鐘的數據

然后用智能手機和普通血氧儀監測數據。

其中，普通脈搏血氧儀采用透射式PPG，手機采用反射式PPG。

PPG是測量血氧濃度最常用的無創方法它主要是利用光照射到人體皮膚上后，皮下動脈由于血氧蛋白比例不同而改變對光的吸收，這種光的變化可以進一步轉化為電信號

對于反射式PPG，當閃光燈產生的入射光穿過人體皮下組織，小靜脈和小動脈，經過多次散射后，一部分光信號再次回到皮膚表面，也就是這個分光信號轉換成電流信號。

收集數據后，研究人員使用一個應用程序提取了30多幀視頻剪輯。

然后就可以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三個卷積層和兩個全連接層組成的神經網絡。

數據預處理后，通過計算每一幀的平均像素值，可以提取出每一通道的PPG信號，然后進行平均。

培訓和評估通過留一交叉驗證進行一個主體的數據作為訓練集，一個主體的數據作為驗證集，然后在另一個主體上測試模型

模型的輸入是一個3秒的視頻，輸出是血氧的飽和濃度。

測試結果表明，該模型對4號受試者的效果最好，敏感度為88%，特異度為78%88%的病例可以準確判斷低氧血癥

數據集已打開。

目前，這項研究的數據集是免費和開源的。

研究人員表示，通過普通智能手機精確測量血氧濃度還需要更多的數據支持，目前的實驗結果還不能用于醫療目的。

比如實驗中發現受試者的膚色，手上是否有老繭等，可能會影響測試結果的準確性

測試對象只有6個，樣本很小，可能會導致實驗偏差。

因此，需要更多的人來完善和豐富這類數據。

我之前在微軟的硬件開發部門工作過。

論文地址:

參考鏈接: