苹果公司近期在其官方机器学习研究博客上发布了一项新研究，探索如何通过 Apple Watch 的光学传感器和人工智能技术，提取更深层次的心血管健康数据。这项研究并未提及任何具体产品，而是聚焦于基础性算法模型的开发，为未来可穿戴设备在健康监测领域的应用奠定了技术基础。

在即将推出的 watchOS 26 系统中，Apple Watch 将新增一项名为“高血压提醒”的功能。该功能通过分析设备内置的光学心率传感器在 30 天内的持续数据，识别可能的高血压趋势。一旦检测到异常模式，用户将收到提醒。不过，苹果强调，这项功能并非用于医疗诊断，也无法覆盖所有高血压情况。

与传统的瞬时血压测量不同，Apple Watch 的算法更侧重于分析长期的血管反应趋势，而不是提供精确的实时血流动力学参数。这种设计使得设备能够在不干扰用户日常生活的前提下，实现连续的心血管健康监测。

这项研究的核心在于探索一种“混合建模”方法，将血流动力学仿真与大量未标注的临床数据结合，以从光电容积描记信号（PPG）中估算心血管生物标志物。研究人员指出，Apple Watch 所使用的光学传感技术本质上是一种 PPG 传感器，尽管其信号特征与传统指端 PPG 不尽相同。

研究人员首先获取了两个大规模数据集：一个是带有标注的模拟动脉压波形（Arterial Pressure Waveform, APW）数据集，另一个是包含真实世界 APW 与 PPG 同步采集的数据集。他们利用这些数据训练了一个生成模型，使其能够将 PPG 信号映射到对应的 APW 波形上。

随后，研究人员将生成的 APW 波形输入到第二个模型中，该模型被训练用于从 APW 估算如每搏输出量（stroke volume）和心输出量（cardiac output）等关键心脏参数。第二个模型的训练依赖于模拟 APW 数据，同时结合了已知的心血管参数值。

在最终处理阶段，系统会对每个 PPG 片段生成多个可能的 APW 波形，并从中计算出多个心血管参数的估计值，再通过取平均的方式得出最终结果，并评估其不确定性。这种方式不仅提升了估算的稳定性，还为后续的临床决策提供了更可靠的数据支持。

为了验证模型的性能，研究团队使用了一个独立数据集，其中包括 128 名接受非心脏手术患者的 APW 与 PPG 信号，以及对应的心血管参数标签。测试结果表明，该方法能够准确捕捉每搏输出量和心输出量的变化趋势，尽管在绝对数值预测方面仍有提升空间。与现有技术相比，该方法展现了更优的性能。

研究人员认为，这一混合建模方法通过引入仿真数据，有效克服了传统纯数据驱动方法因标注数据不足而受到的限制。他们进一步指出，与以往将生理模型与神经网络结合的混合建模方式不同，该方法通过模拟贝叶斯推断（SBI）将物理知识融入模型结构中，从而提升了整体建模的灵活性和泛化能力。

该研究还强调，PPG 信号在心血管健康监测中具有更高的信息潜力。尽管目前在某些复杂生物标志物的绝对值预测上仍面临挑战，但研究团队认为，这一方向仍是未来研究的重要目标。未来的改进可以包括探索不同的生成模型或模型架构，同时也可以将当前针对指端 PPG 的学习策略应用于其他类型的可穿戴 PPG 设备，从而实现更广泛、更持久的心脏生物标志物监测。

尽管苹果尚未透露是否会将这些研究成果集成到未来的 Apple Watch 产品中，但这项研究无疑展示了该公司在传感器技术创新和 AI 驱动健康监测方面持续探索的积极姿态。通过挖掘现有传感器的潜力，苹果正在为用户提供更深入、更主动的健康管理工具。

LLM12DH05光电式液位传感器国产替代SST LLC系列型号：LLC200D3LSH，LLC200D3SH，LLC210D3LSH，LLC210D3SH，LLC210D324-003，LLC210D324-005，LLC510D3，LLC510D3L，LLC610D3SH，LLC700D3SH，LLC710D3L24-005，LLC710D3LSH，LLC710D3SH，LLC710D324-005，LLC101000,LLC105000。