综述：基于视频的血氧饱和度评估研究进展

这篇综述系统梳理了基于视频成像光电容积描记技术(iPPG)的非接触式血氧饱和度(SpO2)检测方法，涵盖传统信号处理（如比值法、自适应PBV）与人工智能（AI）技术，指出AI模型（如CNN）已能达到ISO 80601-2-61:2017标准要求的3%误差阈值，同时探讨了该技术在新生儿监护、COVID-19沉默性缺氧监测等临床场景的应用潜力与标准化挑战。

　　

生理与技术基础
光电容积描记术(PPG)通过检测皮肤组织对光的吸收反射变化来间接观测血流容积波动，其透射与反射两种模式（图1）成为接触式脉搏氧饱和度测量的基础。传统指尖血氧仪依赖660nm红光与940nm近红外光双波长测量，但存在皮肤溃疡、烧伤等应用限制。成像PPG(iPPG)利用普通摄像头捕捉皮肤微循环的周期性颜色波动，可扩展至多生理参数监测，包括SpO₂、心率变异性等。

接触式血氧测量的局限
尽管脉冲血氧仪临床使用超40年，其缺陷包括：血红蛋白解离曲线的S型特性导致高SpO₂区间灵敏度不足；碳氧血红蛋白等物质干扰读数；深色皮肤可能造成测量偏差（争议未决）；运动伪影需依赖CFSA、SVD等滤波算法缓解。这些限制催生了非接触监测技术的探索。

视频SpO₂测量技术
传统方法

• 比值法：Humphreys等首创双波长LED同步摄像系统，后续研究改用环境光与RGB摄像头。Guazzi提出基于信噪比优化的ROI选择策略，而Sun等通过智能手机闪光灯照明实现红光/绿光AC/DC分量比值计算，误差±2.008%。
• 自适应PBV：通过脉冲血容量向量定向优化，结合SNR响应曲线反推SpO₂，较比值法更抗运动干扰。Van Gastel验证其在60-100%饱和度区间的稳定性。

AI革命
Ding等首次将CNN用于SpO₂预测，原始PPG信号输入优于滤波数据（MAE 2.02%）。Mathew设计三种生理启发式网络结构，其中通道-时序混合模型表现最佳（MAE 1.81%）。Hu的混合模型融合比值法原理与CNN，在VIPL-HR数据集上MAE≤2%。Cheng使用时空白谱图输入ResNet，误差1.27%，但存在肤色偏差风险（Fitzpatrick III-IV型为主）。

临床前景与挑战
新生儿ICU可避免接触式探头造成的皮肤损伤；COVID-19沉默性缺氧监测具有特殊价值。然而，CE/FDA认证缺失、多中心临床验证不足、肤色/光照鲁棒性等问题亟待解决。动态谱分析、多波长系统与个性化AI模型或是未来突破方向。

技术对比
比值法简易但易受环境干扰；APBV抗伪影需复杂校准；AI模型精度高却依赖大数据（表4）。值得注意的是，当前ISO标准允许的3%误差已被部分AI模型突破，预示非接触设备或将重塑临床监测范式。