一句话看懂：Google Research 与华盛顿大学在 2026 年 6 月 1 日的《自然》杂志上发表了一项研究，证明普通智能手机的前置摄像头，可以在用户解锁屏幕的 8 秒内，被动且准确地测量心率。这一成果基于超过 48.5 万人的开发数据和 35 万段视频验证，是远程光电容积脉搏波描记法（rPPG）领域迄今最大规模的前瞻性研究。
事件核心：发生了什么
这篇名为《Passive heart-rate monitoring during smartphone use in everyday life》的论文，提出了一套名为 PHRM 的系统。其工作原理是：手机前置摄像头以 15-30 帧/秒的速度录制 8 秒面部视频，通过捕捉心脏跳动引起的、肉眼不可见的肤色周期性变化（幅度约 0.1%），再经由时序移位卷积神经网络（TSCNN）处理，输出心率估计。关键创新在于，它没有采用传统的回归方法，而是将心率估计重构为 40-180 bpm 区间内的 140 路多分类问题，以此量化估计的不确定性。系统会根据置信度门控，丢弃质量低的样本，并利用每日多次解锁的数据，通过 Kalman 滤波器计算出每日静息心率。
为什么重要
这项研究的重要性在于它解决了 rPPG 技术落地的三个核心障碍。第一，样本量巨大且来自真实世界场景，而非实验室环境。第二，它首次在深肤色人群的测量精度上取得了突破：在实验室和自由生活场景下，所有肤色组的平均绝对百分比误差（MAPE）均低于美国消费级心率设备标准（10%），深肤色组的误差从同类模型的 20%-35% 显著降至 7.84%。第三，研究明确将公平性作为硬约束，在模型训练和门控阈值搜索中嵌入了各组 MAPE 小于 8% 及组间差异小于 3% 的条件，并使用了更精细的 Monk Skin Tone 10 级量表。
对用户/开发者/创作者的影响
对普通用户：这意味着未来无需佩戴专用设备，仅通过日常解锁手机，即可无感、持续地追踪心率健康趋势。它降低了日常健康监测的门槛，但也需要理解，目前的精确度更倾向于替代 Fitbit 这类消费级手环，而非临床级心电图（ECG）诊断设备。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对 AI 与医疗健康开发者：该研究提供了可复用的技术范本。它证明了大规模前瞻性数据收集、预设非劣效性检验指标、以及在算法层面主动解决公平性问题的路径，是推动医疗 AI 从实验室走向规模化部署的关键。
对硬件厂商与平台方：谷歌同步开源了预训练模型与数据集，并着重讨论了端侧 TEE（可信执行环境）隐私架构。这表明，未来智能手机可能重新定义“泛在传感器”的角色，专门的健康硬件需要寻找更深度的差异点。
值得关注的后续
1. 深肤色人群的持续迭代：论文承认深肤色组在每日静息心率（RHR）上的平均绝对误差（MAE）为 5.86 bpm，未达预设的 5 bpm 目标。后续版本的算法是否会引入近红外波段或自适应曝光策略，值得跟踪。
2. 临床证据链的补齐：当前每日 RHR 的参照标准是 Fitbit，而非金标准心电图。若谷歌将该技术推向 FDA 审批，需要补充针对老年群体（研究中 60 岁以上仅 4 人）和特定疾病人群的临床认证数据。
3. 行业标准的更新：FDA 已在 2025 年发布脉搏血氧仪草案，要求深肤色数据占比不低于 30%。PHRM 的成功可能加速监管机构对被动式、无接触心率监测设备制定更明确的性能与公平性标准。
来源：Readhub · AI
