《Frontiers in Physiology》：An approach to machine learning-based non-invasive hemoglobin estimation using multi-wavelength PPG signal features
编辑推荐：
本研究针对传统血红蛋白（Hb）检测需采血的痛点，利用多波长光电容积脉搏波（PPG）信号结合多层感知器（MLP）神经网络，实现了高精度非侵入式Hb估计，平均相对误差（MRE）<2.46%，为临床无创监测提供了新范式。
告别“指尖一针”：用AI和光信号实现无痛测血
在常规体检或贫血筛查中，指尖采血带来的刺痛感是许多人的共同记忆。血红蛋白（Hemoglobin, Hb）作为血液中负责输送氧气的关键蛋白，其浓度是诊断贫血、评估健康状况的核心指标。然而，传统的检测方式依赖侵入式采血，不仅带来疼痛和感染风险，在偏远地区或需要频繁监测（如孕妇、慢性病患者）的场景下也极不方便。有没有可能像测心率一样，“照一下”就能测出血红蛋白？
这正是光电容积脉搏波（Photoplethysmography, PPG）技术试图攻克的难题。PPG是一种通过皮肤照射光线并检测反射光来感知血流变化的技术，常见于智能手环的心率监测。血液中的血红蛋白对不同波长光的吸收特性不同，这为无创检测提供了理论依据。尽管此前已有研究尝试，但往往受限于设备昂贵、算法复杂或准确率不足，难以在临床落地。
针对这一痛点，一项发表在《Frontiers in Physiology》上的研究提出了一种“轻量化”的机器学习方案。该研究利用常见的红（660 nm）和红外（880 nm）双波长PPG信号，结合简单的人口统计学特征，构建了高效的多层感知器（MLP）神经网络模型。研究结果显示，该方法能在不抽血的情况下，将血红蛋白的预测误差控制在极低水平（平均相对误差MRE < 2.46%），为开发低成本、便携式的无创血红蛋白监测仪奠定了坚实基础。
技术方法概览
本研究基于Abuzairi等人公开的68名受试者数据集，采用MAX30102传感器采集指尖10秒原始PPG信号（含红/红外光）。核心方法包括：从信号中提取均值、峰度、偏度等6个统计特征，结合年龄、性别构建特征集；采用多层感知器（MLP）神经网络进行回归预测，并以血红蛋白仪测值为金标准，通过100次重复10折交叉验证评估性能（主要指标为MRE、RMSE、R2）。
研究结果解析
信号与特征的生理关联
研究通过对比不同Hb水平（11.5 g/dL vs 17.5 g/dL）的PPG波形发现，红光信号的振幅振荡在高Hb样本中更为显著。这表明Hb浓度直接影响光在组织中的衰减程度。提取的统计特征（均值、峰度、偏度）分别从信号强度、波形尖锐度、分布对称性三个维度量化了这一物理过程，为模型提供了有效的输入信息。
神经网络预测性能
MLP模型在严格的交叉验证下表现出色。平均相对误差（MRE）仅为2.55% ± 1.05%，对应的均方根误差（RMSE）约为0.32 g/dL，决定系数R2显示预测值与真实值高度相关。这一精度显著优于许多依赖复杂光谱仪器的传统方法，证明了“简单特征+智能算法”的有效性。
计算效率与临床适配性
该模型单次预测仅需约500–1000次浮点运算（FLOPs），计算开销极低。这意味着该算法可以轻松部署在Arduino、树莓派等低功耗边缘设备上，无需依赖云端计算，非常适合在资源有限的基层诊所或家庭环境中实现实时监测。
关键影响因素分析
人口统计学信息（年龄、性别）的引入被证明是提升精度的关键。通过消融分析（Ablation Analysis）发现，若仅使用PPG信号特征而忽略年龄性别，MRE会从2.20%大幅上升至16.05%。这提示我们，Hb的生理水平与个体基本信息密切相关，在构建无创模型时不可忽视。
结论与展望
这项研究证实了基于多波长PPG信号和MLP机器学习的无创血红蛋白估计具有极高的可行性。它不仅验证了PPG技术在血液成分分析领域的潜力，更重要的是提供了一条低成本、高可及性的技术路径。
未来，随着传感器精度的提升和更大规模数据集的训练，这种“无痛、无血”的检测方式有望逐步替代部分传统采血场景，成为贫血筛查、围术期监测及慢性病管理的首选工具，真正实现医疗检测的“无感化”与“普惠化”。
