血压是评估人类心血管健康的核心指标。然而，现行的标准血压测量手段严重依赖间歇性的充气袖带（Cuff），不仅设备笨重、测量过程伴有压迫感，且要求受试者保持绝对静止。更为关键的是，传统袖带测出的收缩压与舒张压仅能反映测量瞬间的单次数值，无法捕捉个体在行走、跑步或爬楼梯等日常动态下，血压随时间连续波动的动脉脉搏波形（Pulse waveform）。
近日，美国犹他大学（University of Utah）与伊利诺伊大学芝加哥分校（UIC）的跨学科研究团队在国际学术期刊《自然-通讯》（Nature Communications）上发表研究论文。研究团队通过将经典物理学定律与人工智能技术深度融合，成功研发出一种无需充气袖带、可连续监测血压与血流动力学的新型可穿戴智能手表。该技术不仅克服了现行临床测量手段的局限性，还解决了市售光学血压手表长期存在的算法信任度问题。
目前市场上虽有部分智能手表尝试利用光学信号（光电容积脉搏波，PPG）来估算血压，但其底层的科学依据尚不充分，多依赖纯数据驱动的机器学习模型进行“黑箱”预测。这类模型缺乏物理学因果逻辑，输出结果难以在临床医学界获得充分信任。
为了攻克这一障碍，项目发起人、伊利诺伊大学芝加哥分校电气与计算机工程系及生物医学工程系副教授 Benjamin Sanchez Terrones 团队舍弃了光学路线，转而采用微弱电流来捕捉血管内部的生理变化。该设备通过生物阻抗（Bioimpedance）技术，高灵敏度捕捉腕部由于心脏跳动、血液涌动而引起的微小电学特性波动。
由于从手腕处间接测得的微弱电信号极其复杂，如何将其逆向重构为完整的、随时间连续变化的血压波形，属于数学领域经典的“反问题（Inverse problem）”。为此，犹他大学数学系教授 Braxton Osting 与副教授 Christel Hohenegger 深度参与了模型构建。
该技术的突破性核心在于采用了“物理信息机器学习（Physics-informed machine learning, PIML）”。研究团队直接将流体力学（Blood flow dynamics）和电磁学（Electromagnetism）的物理定律嵌入到 AI 神经网络的底层算法中。通过对脉动血液流动规律以及生物阻抗测量电磁特性的数学编码，为人工智能模型施加了严格的物理学约束。这种设计确保了 AI 在处理动态噪声时，绝不会预测出违背基本物理常识的数值，显著提升了系统的准确性与可解释性。
基于物理定律的底层支撑，该智能手表实现了在静止和运动状态下，无需针对每个用户进行个体校准（No calibration required），即可连续输出血压波形。
为了验证该技术在真实目标人群中的有效性，研究团队在重症监护室（ICU）患者和 Madsen 医疗中心门诊病人等 150 名真实受试者身上实施了临床比对测试。实验结果表明，该设备成功实现了对脉搏波形和血液流速的连续稳定追踪。
行业专家评价认为，将经典物理原则与机器学习相结合，从根本上改变了可穿戴健康监测设备的技术路径。该成果使血压监测从间歇性的单次数值读取，跨越到全天候动脉脉搏波形的连续追踪。目前，犹他大学技术许可办公室（Technology Licensing Office）正积极推进该项核心知识产权的商业化授权，以期尽快将该成果推向全球临床医疗与远程健康监测市场。
参考文献：Henry Crandall et al, Cuffless hemodynamic monitoring with physics-informed machine learning models, Nature Communications (2026). DOI: 10.1038/s41467-026-72693-1
编辑：周敏
排版：李丽
评论 (0)