夜雨聆风心血管疾病是全球首位死因，仅2022年就夺走了约1980万人的生命。传统的心血管监测高度依赖医院内的大型设备和间断式检查，即便是便携式心电监护仪和脉搏血氧仪，也难以实现日常活动中真正无感的连续监测，常常遗漏如心律失常等瞬间发生的生理异常。在此背景下，可穿戴传感技术凭借其连续、实时、无创监测心电、脉搏波、血压等关键生理信号的能力，为心血管疾病的早期发现和长期管理带来了全新曙光。然而，传感器设计效率低、校准模型随时间退化、真实场景下复杂生理信号难以处理等顽固挑战，始终制约着其大规模临床普及。
近期，由东南大学生物科学与医学工程学院、数字医学工程国家重点实验室以及温州医科大学附属第一医院的跨学科团队，在国际知名传感器领域期刊 ACS Sensors上发表了一篇题为 “Artificial Intelligence-Driven Wearable Sensors for Cardiovascular Health Monitoring” 的重磅综述。该文系统地梳理了可穿戴心血管监测的现有技术版图，并深度聚焦人工智能如何贯穿传感器设计、校准、信号处理、模式识别与疾病管理全链条，为解决上述瓶颈提供了清晰的路线图。本文将基于该综述的核心洞见，为读者解读AI与可穿戴传感深度融合的前沿图景。
可穿戴心血管监测的物理与生化途径
可穿戴设备通过捕获脉搏波、心电、心音、血管直径变化乃至生化标志物浓度等多维生理信号，来评估心血管系统的机械与内分泌功能。综述首先构建了一个清晰的技术比较框架，深入剖析了八类主流的可穿戴监测技术。
机械电子传感利用压阻、压电、摩擦电和电容等机理，将皮肤表面的动脉搏动转换为电信号。其结构简单、成本低，可通过机器学习算法从脉搏波中推导血压等参数，但长期使用中灵敏度受限且校准精度易退化。声学传感通过捕捉心音（S1、S2）来评估心脏泵血功能和瓣膜运动，但对运动伪影敏感，信号解读也较为复杂。超声传感具备深层组织穿透能力，可获取心脏和血管的解剖结构图像，在测量每搏输出量、射血分数等方面精度极高，却面临实时图像处理的计算瓶颈。生物阻抗传感通过向组织施加交变电流检测动脉容积变化引起的阻抗改变，硬件简单，却易受电极位置、身体水分含量等因素干扰。光电传感（PPG） 利用光电容积描记法，通过分析反射或透射光强监测血容量波动，是智能手表中最常见的技术，但信号穿透深度有限，极易受运动和环境光影响。电生理传感（ECG） 直接记录心肌细胞去极化和复极化过程产生的心电信号，是临床诊断心律失常、心肌缺血的基石，但其解读高度依赖专业经验。电磁传感利用电磁波反射、散射特性实现非接触式生命体征监测，但环境电磁干扰是其重大缺陷。生化传感则通过检测心肌肌钙蛋白、脑钠肽等生物标志物，提供直接的心肌损伤与心脏应激证据，但传感器易出现受体饱和、酶降解和生物污染，长期稳定性仍待提高。
表1. 各类可穿戴心血管监测技术的原理、优势与局限对比
AI赋能全链条：从传感器设计到疾病管理的范式跃迁
面对上述技术矩阵的固有局限，人工智能（Artificial Intelligence, AI）的深度嵌入正成为破局关键。该综述系统阐释了AI在五个核心环节中发挥的变革性作用。
AI辅助传感器设计：告别试错，走向精准预测
高性能传感器的核心在于敏感材料与表面微结构的优化。传统“试错法”周期长、效率低，难以满足日益增长的性能需求。AI的介入，正推动传感器开发迈向数据驱动的新范式。
在材料优化方面，以MatterGen为代表的扩散生成模型能够直接生成符合预设性能要求（如化学组成、晶体对称性、磁密度等）的稳定无机材料，虽受限于热力学稳定性与合成可及性，但通过将加工参数和失败实验数据纳入生成反馈回路，可有效弥合计算预测与实验制造间的鸿沟。多目标贝叶斯优化框架则可同步优化纤维层压复合材料的拉伸强度和失效应变，实现性能的帕累托最优。此外，大型语言模型（Large Language Models, LLMs）如Coscientist已能自动化地从海量文献中提取实验数据，并为材料合成提供具体建议，极大加速了现有材料体系的优化过程。
在微结构设计层面，AI则展现出强大的逆向设计能力。通过机器学习替代模型，研究者能在海量几何参数组合中高效搜索，精准预测可产生线性压力-电容响应的柱状突起结构参数，克服了传统有限元分析耗时且难以全局寻优的痛点。当然，为确保AI设计的复杂微结构可被现有光刻或3D打印技术制造，需将最小特征尺寸、深宽比等制造约束集成到生成模型的损失函数中，确保“理论上最优”真正成为“工程上可行”。
AI辅助传感器校准：破解个体差异与长期漂移难题
如何将连续的脉搏波信号精准转化为血压值，是可穿戴心血管监测面临的最大挑战之一。传统基于脉搏波传导时间等通用模型，在跨人群测试时往往因“域偏移”而性能骤降——年龄和病理状态导致的血管硬化差异，使得形态相似的脉搏波可能对应迥异的血压值。
为应对这一挑战，领域泛化策略通过融入年龄、性别、身体质量指数（BMI）等人口学特征，帮助模型理解生理背景，补偿血管弹性差异，增强跨人群泛化能力。更为关键的是，迁移学习的引入有效解决了数据稀缺场景下的个体适配问题：通过冻结在大规模数据集上预训练好的特征提取层，仅用少量个人数据微调全连接层，即可实现模型的快速个性化调整。
对于长期监测中血管弹性逐渐变化导致的模型精度退化，迁移学习同样提供了优雅的自适应校准方案。例如，个性化对象迁移学习架构（Personalized Object Transfer Learning Architecture, POTLA）通过两阶段TrAdaBoost.R2算法，迭代调整源域和目标域样本的权重分布，仅需极少量的个人更新数据即可逆转性能衰减，使血压预测精度相较于传统模型提升超过27%。此外，持续学习框架使深度学习模型得以从连续血压数据流中动态、序列化地学习，有效对抗概念漂移，在动态和长期场景中展现出巨大潜力。
AI辅助信号处理：从噪声中提纯生理信息
真实世界中，可穿戴设备采集的心电和光电容积描记信号往往被运动伪影、呼吸波动和电磁噪声严重污染。传统的独立成分分析、小波变换等方法基于信号平稳性和噪声高斯分布假设，在剧烈运动的非平稳环境中极易失效。AI的解决方案则直接面向数据分布本身：生成对抗网络（Generative Adversarial Networks, GANs） 通过学习纯净生理波形的统计流形，实现了对噪声的非线性解耦与信号重建。例如，一维CycleGAN利用不成对训练框架与双向循环一致性约束，能高效去除腕部PPG信号中的运动伪迹，同时完整保留脉搏波的关键形态学特征。结合去噪卷积神经网络的ADnCNN架构，则通过生成器预测残差噪声、判别器鉴别去噪效果的双重博弈，进一步提升了心电信号的去噪质量。
需要警醒的是，基于GAN的盲去噪方法存在信号“幻觉”风险，即可能生成貌似干净但包含伪造P波或掩盖ST段抬高的波形。因此，临床应用中需对生成模型的输出进行严格验证，或优先采用有加速度计辅助的参考式自适应滤波方法，以确保物理保真度。
在图像信号处理领域，可穿戴超声设备产生的连续图像流对实时处理能力提出了严苛要求。卷积神经网络凭借其层次化特征提取能力，完美契合了超声图像中需要兼顾局部纹理细节与全局心脏拓扑结构的双重需求。Hu等人开发的穿戴式心脏超声成像仪，就利用全卷积网络在运动状态下自动分割左心室边界，实时提取每搏输出量和射血分数，精度媲美商用临床设备。Lin等人则基于VGG-13网络开发了自动追踪算法，能够实时识别颈动脉最佳搏动信号，成功克服了探头位移和受试者头动造成的声窗丢失问题，在未标记新用户上取得了超过90%的分类准确率。
AI辅助模式识别：解锁多模态融合的深层信息
传统的生理信号分析高度依赖专家手动设计特征，耗时耗力且难以捕捉复杂非线性关系。AI的革命性意义在于，它实现了端到端的自动化特征提取，并能深度融合多模态信号，揭示单一模态无法捕捉的亚临床病理特征。
CNN擅于捕获PPG信号中收缩期上升陡度、重搏切迹等局部高频细节，直接映射血管刚性与顺应性；Transformer则通过自注意力机制建模长程时序依赖，捕捉自主神经与体液调节的低频振荡。两者混合架构（如PCTN网络）实现了形态微观特征与生理宏观趋势的协同融合，为无袖带血压估计提供了超越单一模型的优异方案。
多模态信号融合则致力于解决数据异构性这一核心瓶颈。心电、PPG、电子健康档案等数据在物理属性、采样率、数据结构上差异巨大，浅层的直接特征拼接无法捕获跨模态交互。前沿研究正转向基于Transformer的统一表示学习框架，通过专用嵌入层将异构数据映射至共享语义空间，并利用双向多模态注意力模块同步捕获模态内依赖和模态间语义关联。针对运动伪影，跨模态注意力机制可将心冲击图和PPG信号映射到统一子空间中，实时计算相似度矩阵，动态加权不同模态的贡献——当BCG通道受运动干扰时，系统自动提升PPG特征的权重，利用信号质量感知的动态门控机制，确保了非平稳环境下心率估计的鲁棒性。
此外，考虑到恶性心律失常、急性心肌梗死等病理状态的真实数据极其稀缺且严重类别失衡，AI驱动的生成式数据增强已成为提升模型泛化能力的关键。基于GAN和扩散模型生成的合成生理数据，不仅可填补罕见病种的样本空白、平衡类别分布，还能因其不含个人信息而用于隐私保护。缩小“仿真-现实”差距需要结合小批量真实数据的混合训练策略与对抗域适应，并引入医学专家对生成数据进行人工校验。
AI辅助心血管疾病管理：从被动治疗到主动防控
AI正在重塑心血管医学的范式。在早期诊断方面，深度学习模型已能仅凭窦性心律下的静息12导联心电图，预测未来新发房颤的风险，其AUC值高达0.75-0.86，超越了现有临床和多基因风险评分。更为惊艳的是，针对约占心肌梗死总病例数24-35%、缺乏典型ST段抬高的“闭塞性心肌梗死”（Occlusive Myocardial Infarction, OMI），基于随机森林的机器学习模型能够识别心电图中人类专家和商业软件均难以察觉的细微异常，显著提升了早期预警能力。
在慢性病管理方面，AI驱动的精准用药决策支持系统，通过整合患者的合并症、遗传特征和治疗史，构建动态剂量-反应模型，可推荐个性化抗高血压药物剂量，在提升疗效的同时减少不良反应。通过与可穿戴设备联动，AI还能为心力衰竭或扩张型心肌病患者量身定制运动处方，实时根据心率、活动完成度等指标动态调整运动强度和时长，并在高危人群中实施保守方案以确保安全。更进一步，AI可融合血压、血糖、饮食日志、心率变异性和睡眠结构等多维数据，识别出个体化的健康风险关联，例如指出某位患者的高血压与高钠摄入及低睡眠质量的耦合效应，从而在睡眠不足的日子主动推送限钠建议，实现从被动监测到主动预测和干预的跨越。
表2. AI在可穿戴心血管健康监测中的关键应用
挑战与前路：通往临床信任的最后一公里
尽管AI为可穿戴心血管监测描绘了壮阔蓝图，但在大规模临床部署前，仍有四大核心挑战亟待攻克。
模型轻量化与端侧部署。 深度模型的计算开销与穿戴设备的有限算力、内存和续航构成尖锐矛盾。模型剪枝、量化至INT8精度、知识蒸馏等压缩技术，以及MobileNet、TinyPPG等轻量级架构的出现提供了可行路径，但压缩常伴随性能折损，未来需软件与硬件的协同优化，实现高效、稳健的边缘推理。
可解释性与临床信任。 当前深度学习模型大多仍是“黑箱”，即便能精准检测心律失常，其决策逻辑的不可知性仍严重阻碍了医生的采纳。构建多层级可解释性框架至关重要：一是知识-数据混合策略，将脉搏波传导时间、重搏切迹特征等临床金标准生物标记物作为领域先验嵌入网络架构，使学习到的表征建立在明确的病理生理机制之上；二是物理信息机器学习（Physics-Informed Machine Learning, PIML），将Moens-Korteweg等血流动力学方程作为正则化项约束模型训练，确保预测遵循物理定律，并通过物理一致性检查区分真实病变与噪声伪像；三是模型推理透明化，利用时空注意力机制生成显著性图，定位关键心拍或信号段，或采用原型推理网络，将输入信号与确诊病例原型匹配，给出基于相似性的类比解释。
临床验证与安全性。 当前研究普遍依赖离线静态数据集验证，忽略了真实世界连续生理信号流的非平稳特性，导致模型在实验室外性能锐减。未来应报告系统级延迟、每小时误报率等面向临床部署的性能指标。为提升预测安全性，贝叶斯神经网络和证据深度学习等不确定性感知学习范式，能够量化模型对预测的置信度——一旦输入信号偏离训练分布，即触发低置信度警报，有效避免因信号质量差导致的过度自信和错误判断。而当AI进一步与执行器结合、形成闭环诊疗系统时，须设置极高的安全边界，严格满足系统级延迟需求，防止将噪声“幻觉”为病理事件而引发错误给药或非必要电击等伤害。
数据隐私保护。 海量敏感生理数据的集中式存储和云端传输面临数据泄露和未授权访问的巨大风险。联邦学习作为一种范式转移，在保护用户原始数据不离本地设备的前提下，实现了加密模型更新的协同训练，使模型能从大规模人群的多样性中学习而无需触碰个体数据主权。与此互补的区块链技术，则以加密账本和智能合约确保数据共享全程可追溯、防篡改。
展望
从材料基因组的智能筛选，到传感器微结构的逆向设计；从对抗噪声的鲁棒重建，到多模态信号的语义融合；从个性化校准的持续适配，到慢性疾病的全周期主动管理，AI正贯穿可穿戴心血管健康监测的每一个价值环节。解决模型压缩、可解释性、临床验证标准和数据隐私等关键挑战，不仅是技术命题，更是一项需要计算机科学家、临床医生、工程专家和政策制定者深度协作的多学科系统工程。当这些壁垒被逐一突破，AI驱动的可穿戴传感系统将彻底改变心血管疾病的防控面貌，真正迈向以预测、预防、个性化和参与性为核心的“P4”医学时代。
