Newshot Google手表不用袖带，能筛出高血压吗？
Google Research用普通智能手表采集多日光学脉搏波和运动信号，再用AI识别持续性的高血压状态；系统无需袖带校准，并以24小时动态血压监测为临床金标准验证，但它瞄准的是筛查入口，而非替代确诊。
- 高血压常无症状，现有无袖带设备多需袖带校准
- 系统聚合多日PPG与ACC信号识别持续状态
- 模型用492,347小时数据学习并分类
- 准确度经24小时动态血压监测验证
Google Research官方研究博客，作者为Google Research研究人员；研究结果亦被用于Google Health应用中的Health Guardian血压趋势功能。
高血压影响全球超过10亿人，超过一半的患者不知道自己患病。Google Research 的新研究让普通智能手表连续读取多日脉搏波与腕部振动，由 AI 判断是否存在持续性高血压状态，并用 24 小时动态血压监测验证，准确度对标传统袖带流程。它瞄准的是少漏掉风险，不是替医生确诊。
高血压不总会报警，筛查得主动上门
超过一半的患病成年人不知道自己的病情。高血压通常没有明显症状，往往要到偶然测量时才会被发现。身体缺少“正在报警”的提醒，定期筛查便成了发现问题的关键入口。
18至44岁人群的漏诊尤其严重。他们可能已经存在高血压，却很少因症状主动就医。要让没有明显不适、也不便频繁去医院的人有机会筛查，测量地点和方式都得改变。
传统臂式袖带可以给出血压读数，但要求人主动安排测量。现有商业无袖带设备虽然能持续工作，通常仍需用传统臂式袖带定期校准，先取得一次袖带读数作为基准。
这带来一个直接限制：这类设备更适合追踪个人相对基线的变化，而非独立识别绝对的高血压状态。少了校准，它就无法单凭自身读数判断“这个人目前处于高血压状态”；戴得久，也补不上这个缺口。
无袖带筛查的机会，在于接近那些不会主动测量的人，把“是否值得进一步确认”从医院门口前移。关键不只是手表能否给出袖带式数字，而是能否独立判断持续的高血压状态。
手表不报血压值，它在找持续高血压的线索
Google 的手表系统读取两类信号：手腕上的光和机械振动。它不测某一次收缩压或舒张压，而是判断一个人是否持续处于高血压状态。
两路信号不是各干各的，而是互相补位：一路看血流，一路看身体什么时候安静下来。第一类来自 PPG（用反射光追踪血容量变化的传感器）。光线照到手腕皮肤，系统根据反射光的变化追踪血容量起伏，同时捕捉脉搏波轮廓——血液每次冲击血管留下的形状，都在里面。
第二类来自 ACC（感知手腕运动与振动的传感器）。它先挑出手表静止的时间段，再捕捉心脏射血传到腕部的微弱振动，也就是心冲击图信号。PPG 描述血流与脉搏波，ACC 标出适合分析的身体状态——两路合起来，才够判断。
这些数据由手表在日常佩戴中被动取得。系统会跨多日聚合，而不是在某个时刻直接预测血压数字。瞬时读数容易受环境与身体状态干扰，多日信号更适合判断：这个人的生理特征是否持续指向高血压？
最终参与判断的是用户的聚合生理表征和身高。身高提供体型背景，聚合表征概括多日采集到的信号特征，两者共同用于识别高血压状态。系统名 AI-PPG-ACC-HTN（联合两类手表信号的血压识别系统），拆开就是光学信号、加速度信号加高血压。
它怎么从波形认出高血压？
系统先从大量手表信号里学出稳定的波形特征，再完成分类，不会先记住“高血压”的答案。
研究团队用了492,347小时传感器数据，来自2,109名知情参与者。这约等于一个人的传感器记录持续21年，只不过它们摊在2,109个人身上，覆盖多日、多人的日常活动。
训练阶段不接触血压标签。团队用一维深度卷积神经网络（从连续波形中提取特征的神经网络）和自监督对比学习（让相似信号在表示空间中靠近），把同一参与者、时间重叠的15秒PPG与ACC波形映射到相近位置。PPG（用光观察脉搏波）与ACC（用加速度计记录腕部运动）先学会彼此对应，答案要到分类阶段才出现。
单次15秒信号不会直接被判成高或低血压。系统把15秒特征块跨多日取均值，以减弱突然运动和温度变化等短时噪声，留下更接近持续状态的信息。
聚合后的表征与身高一起输入正则化逻辑回归分类器（用身高辅助计算连续概率的分类模型），生成连续的高血压概率分数。输出的是概率，不是收缩压或舒张压的具体数值。
没有袖带，准确度够不够？
这套系统直接拿动态血压监测作对照。官方结论是：它在初次筛查和确认筛查中的准确度，均可与传统袖带诊断流程相当。
这项验证采用前瞻性、多中心临床研究。研究先确定验证方案，再观察受试者并收集结果，不是拿已有数据做事后测试；验证也由多个临床中心共同完成。对筛查工具来说，这两点关系到结论能否走出单家机构或单批受试者的范围。
对照标准是24小时动态血压监测ABPM（连续佩戴设备，定时测量血压），Google称其为临床金标准。它与一次诊室测量的任务不同：动态监测会在一天中的不同时间反复取数，用来判断一个人的血压状态，而非只留下某一次读数。手表系统的验证因此有明确的临床参照。
官方对准确度的表述覆盖两个环节：初次筛查从尚未确诊的人中识别可能需要进一步评估的对象；确认筛查用于已有阳性发现后的再次识别。两者都与传统袖带诊断流程相当，说明筛查与复查这两个关键步骤都达到了官方设定的对标水平。
这项证据来自项目方的官方研究材料，目前未见独立第三方对同一验证结果进行复测。“准确度相当”可以作为这套系统通过临床验证的依据，但还不能理解为所有品牌、所有人群和所有日常使用条件下都已得到重复确认。能确认的是验证方法与官方结论；离开研究场景后还能走多远，仍要看真实使用中的复测证据。
测不准一次血压，但能盯住长期趋势
这项研究的结果已经进入产品路径：它帮助形成了 Google Health 应用里的 Health Guardian 血压趋势功能。这里的「趋势」是看个人状态随时间怎么变，不是一次医院检查给出的绝对读数。
为什么产品只做趋势、不做读数？前面说过的校准限制是关键——现有无袖带方案若没有绝对血压校准，只能追踪相对于基线的变化，而基线通常还得靠传统臂式袖带给出。Google 这套系统改用多日信号识别持续状态，绕开了逐次绝对测量，代价是它给出的仍是一个概率，不是诊断。
回到那个戴着普通智能手表、尚未察觉血压异常却担心漏诊的日常场景：它能做的是提醒你去测血压，不是替医生下结论。
还有一个问题待验证：这项筛查在不同人群、不同智能手表、更长周期使用中，漏诊与误报的实际表现会怎样？
信源：Google Research Blog（2026年11月5日）；口径为官方研究博客介绍，本文依据已公开内容说明其技术路径与验证标准，完整灵敏度、特异度及外部验证数据未在所给原文中披露。
术语小典 · 本篇出现的人话注解
深度、研究解读、工具教程的全文和全部播客，都在会员区。