AI赋能可穿戴设备：基于单传感器多参数生命体征监测与智能预警系统的设计与实现

《Scientific Reports》：Design and prototyping of an AI-powered wearable device for continuous vital signs monitoring with intelligent alerting

本文报道了一种创新的AI驱动可穿戴设备，旨在解决传统多传感器监测系统在成本、便携性和连续性方面的局限。研究人员利用单个MAX30102传感器，通过随机森林回归模型间接估算了血压(BP)和呼吸频率(RR)，实现了对心率(HR)、血氧饱和度(SpO2)、体温(T)等五项关键生命体征的集成监测。该设备集成了智能警报、GPS定位和药物提醒功能，在17名受试者中验证显示其测量准确性高（如SpO2达98.74±0.99%），为老年人群及慢性病患者提供了低成本、临床级精度的连续健康监测方案。

　　

随着全球老龄化进程加速，到2050年老年人口预计将达到15亿，慢性疾病如心血管病、癌症和呼吸系统疾病已成为老年人群的主要健康威胁。其中，高血压作为早逝的主要因素，全球患者控制率不足30%，而慢性阻塞性肺疾病（COPD）预计在2030年成为全球第三大死因。传统医院内的生命体征监测设备虽精度较高，但存在患者活动受限、设置复杂、成本高昂及无法适用于家庭或资源有限环境等问题。这推动了对便携、无线、可连续监测的穿戴式健康技术的迫切需求。尽管市场已有若干健康手表，但多数仍需多个传感器或专用探头，在集成度、成本和用户体验上仍有提升空间。

在此背景下，发表于《Scientific Reports》的这项研究，由伊朗Shahid Beheshti医科大学医学物理与生物医学工程系的HuriyeSadat Sadeghi、Mohsen Ahmadi和Daniel Rajabi共同完成，提出了一款基于人工智能（AI）的可穿戴设备原型，仅通过单个光学传感器（MAX30102）实现五项生命体征——心率（HR）、体温（T）、血氧饱和度（SpO₂）、血压（BP）及呼吸频率（RR）的连续监测，并具备智能报警、地理定位和用药提醒功能。该设计显著降低了设备的硬件复杂度与成本，特别适合老年人、慢性病患者及运动员长期使用。

研究人员为开展此研究，主要依托以下几项关键技术方法：硬件上采用ESP-Wroom-32微控制器结合MAX30102光学传感器采集光电容积脉搏波（PPG）信号，通过混合滤波（移动平均滤波与卡尔曼滤波）提升信号质量；利用从PPG波形中提取的四个关键点（Foot、Notch、Diastolic、Systolic），基于随机森林回归（Random Forest Regression）建立与收缩压（SBP）、舒张压（DBP）和呼吸频率（RR）的映射模型，并将模型简化为二次方程形式便于嵌入式部署；系统集成SIM808模块实现短信报警与GPS定位，配备触摸屏图形用户界面（GUI）及MicroSD卡数据存储；实验数据来自17名志愿者（16-70岁），共收集170组样本，以商用医用设备为参考标准进行性能验证。

硬件架构与组件设计

设备硬件核心为ESP-Wroom-32微控制器，负责协调MAX30102传感器（通过I²C协议通信）、SIM808 GSM/GPS模块、实时时钟（DS3231）、MicroSD存储及音频警报单元。MAX30102利用660纳米（红光）与880纳米（红外）LED发射光源，通过光吸收差异直接测量HR和SpO₂，并借助内置温度传感器监测体表温度。为抑制运动伪影和环境干扰，研究采用混合滤波策略，有效提升信号稳定性，为后续参数计算提供高质量输入。

PPG信号采集与特征提取

光电容积脉搏波（PPG）作为非光学检测技术，其波形包含直流（DC）与交流（AC）分量，分别对应静态组织与搏动性血流。研究通过反射式PPG传感器捕捉红外（IR）光谱下的血流容积变化，并实时识别每一脉搏周期中的四个关键特征点：Foot（收缩期起点）、Systolic Peak（收缩峰值）、Notch（重搏切迹）和Diastolic Peak（舒张峰值）。这些特征点的数值被记录并作为后续回归模型的输入变量。

随机森林回归模型构建与简化

针对BP和RR的间接估计，团队比较了线性回归（LR）、支持向量回归（SVR）、人工神经网络（ANN）与随机森林（RF）多种机器学习方法。结果显示RF模型表现最优，其通过对15,000次独立运行进行超参数调优，最终得出SBP、DBP和RR的估计公式为二次多项式形式：Y_i = k_i + a_iX₁ + b_iX₂ + c_iX₃ + d_iX₄ + e_iX₁² + f_iX₂² + g_iX₃² + h_iX₄²。该模型在测试集上取得SBP、DBP、RR的确定系数（R2）分别为0.774、0.777、0.898，平均绝对误差（MAE）维持在较低水平。

系统性能整体评估

使用33个测试样本（占总样本20%）与商用医疗设备对比，设备在各参数上均表现出较高精度：SpO₂精度98.74±0.99%，体温98.56±0.48%，心率95.47±4.31%，呼吸频率95.01±0.96%，血压估计也达到临床可接受范围（SBP 94.20±8.24%，DBP 92.68±7.37%）。尽管SBP与DBP的R2值因模型简化有所降低（0.18与0.21），但其误差标准偏差仍符合AAMI（美国医疗仪器促进协会）标准（均值误差<5 mmHg，标准偏差<8 mmHg），显示设备具备实际部署的可靠性。

智能警报与用户交互设计

设备集成五级颜色编码预警机制（深绿至深红），对应生命体征的不同风险等级。当参数进入“危急”（橙色）或“紧急”（深红）状态时，系统会触发声音警报并自动向预设联系人发送含GPS坐标的短信。用户界面（GUI）设计直观，实时显示各项参数数值与颜色状态，并支持药物提醒功能，提升用户依从性与安全性。

本研究成功开发了一款集成AI算法的可穿戴健康监测系统，通过单一光学传感器实现多生命体征的高精度监测，显著降低硬件成本与功耗。该设备在测试中展现出与临床标准相近的测量性能，特别是对SpO₂、体温和心率的直接测量精度高达98%以上，而对BP和RR的间接估计也满足家庭监测需求。其创新的随机森林回归模型为无创、连续血压监测提供了新思路，虽模型简化带来部分精度损失，但整体性能仍优于多数同类商业设备。结合实时警报、远程通信与数据记录功能，该系统为老龄化社会及慢性病管理提供了可行的技术解决方案，有力支持了家庭 telehealth 与早期健康干预。未来工作可扩展样本多样性、融入运动与环境传感器，并通过个性化校准进一步提升模型泛化能力，推动其向商业化、智能化健康管理平台发展。