浙大联合vivo发布CardioPPG：智能手表也能做“心电图”？
目录
前言
大家平时逛B站、刷小红书的时候，有没有发现一个现象？
我们年轻人喜欢 “熬最晚的夜，戴最贵的智能手表来监测睡眠和心率”。
随着智能穿戴设备的普及，心率监测成为了大众健康管理的高频使用场景。用户普遍关心的一个问题是：手腕上小小的手表，真的不能替代医院专业的心电图检查吗？
事实上，目前市面上的智能手表和手环主要依赖 PPG（光电容积脉搏波） 技术监测血流变化。虽然便捷，但在捕捉心脏电生理细节方面存在先天不足，且极易受噪声干扰。
一、核心突破：CardioPPG 跨模态学习
近日，浙江大学 联合 Vivo 等机构在 自然杂志（Nature） 子刊上发表了名为 CardioPPG 的最新研究成果。
该研究提出了一种跨模态学习框架，通过建立光电信号（PPG）与心电信号（ECG）之间的深度映射关系，不仅大幅提升了心血管疾病的预测精度，还能生成高保真的心电波形。
这是一项结合了 消费级硬件 与 高精度医疗算法 的创新方案。
二、技术原理：光与电的深度映射
PPG 记录的是血管容积随心跳的变化，而 ECG 记录的是心脏的电活动。两者虽然物理属性不同，但都源于同一心脏周期。
CardioPPG 的核心突破在于，它并没有将 PPG 视为孤立的数据点，而是通过算法构建了两者之间的对应关系：
- 信号对齐： 研究团队利用大规模的配对数据集（如 MIMIC-III, VitalDB 等），训练 AI 模型理解 PPG 波形波动与 ECG 电信号特征之间的 内在联系。
- 特征增强： 即使在仅有 PPG 输入的情况下（例如用户佩戴智能手表时），模型也能利用预训练学到的知识，推断出潜在的 ECG 特征信息。
- 可视化生成： 该模型引入了生成式架构，能够基于 PPG 信号 重构出合成的心电图。这使得 AI 的判断过程不再是“黑盒”，医生可以通过观察生成的波形来验证 AI 的诊断逻辑。
▲ CardioPPG 的技术架构：从光电信号到心电特征的映射
三、实验数据：疾病预测准确率暴涨
研究团队在多个数据集上对 CardioPPG 进行了严格测试。结果显示，与仅使用 PPG 数据的传统自监督学习模型相比，CardioPPG 在多种心血管疾病的筛查中展现了显著优势：
- 心脏瓣膜病： 预测准确度（AUC）相对提升了 41.3%。
- 阵发性室上性心动过速： AUC 相对提升了 30.3%。
- 房颤监测： 作为卒中风险的主要诱因，CardioPPG 在房颤检测上的 AUC 达到了 0.966，相对提升 12.2%，表现已非常接近临床诊断水平。
- 心肌病： AUC 相对提升了 8.8%。
▲ CardioPPG 在多项心血管疾病预测中的性能提升
四、真实场景与应用价值
真实场景验证
为了验证算法在现实生活中的有效性，团队使用了一款市售**智能戒指（BBX46）**收集了86个独立样本进行外部测试。结果令人振奋：
CardioPPG 在两个不同的 PPG 通道上分别取得了 99.5% 和 98.6% 的高准确率。
这一数据证实了该算法在 非受控环境（如家庭场景） 下依然具有极强的鲁棒性。
远程医疗的核心价值
CardioPPG 的最大价值在于它为医疗资源的下沉提供了技术路径：
-
提升早期筛查能力 许多心血管疾病（如阵发性房颤）具有隐匿性，患者在医院检查时往往处于正常状态。CardioPPG 赋能的穿戴设备可以实现 低成本的长期监测，捕捉稍纵即逝的异常信号。
-
增强可解释性（Explainability） 传统的 AI 诊断往往只给出一个“概率分数”。CardioPPG 能够生成对应的 ECG 波形，让医生可以直接看到 P 波缺失 或 R-R 间期绝对不齐 等特征，从而更放心地参考 AI 的提示。
▲ 可视化生成：AI 重构的心电波形辅助医生诊断
总结
CardioPPG 技术展示了多模态数据融合在医疗 AI 领域的潜力。通过弥补 PPG 信号在信息丰富度上的短板，该技术有望在未来推动更多家庭实现 医疗级的健康监测，促进心血管疾病的早期发现与远程诊断体系的发展。
-
论文原文： Ding, Z., Hu, Y., Li, Z. et al. AI modeling photoplethysmography to electrocardiography useful for predicting cardiovascular disease. npj Digit. Med. (2025). 点击跳转论文 DOI
-
项目代码： GitHub: CardioPPG
-
数据集来源： MIMIC-III / VitalDB (PulseDB): PulseDB GitHub MESA Dataset: Sleep Data Link
