打开手机闪光灯，用手指按一下，血氧饱和度就可以轻松测出来了！
测量的浓度范围进一步扩大到70%。
要知道，血氧指数70%是一个重要的警戒线如果低于这个数值，往往意味着住院
目前市面上的智能手表和手机的监测范围基本都在80%以上，会限制对人体真实健康状况的判断。
而且新方法的准确度还不错。
在超过10，000次的实验中，这种方法可以在80%的情况下判断测试者是否处于低氧水平。
目前，该研究已发表在《自然》的合作期刊《NPJ数字医学》上，研究数据集也已向公众开放。
使用卷积神经网络
这个实验大致可以分为两部分。
首先，通过这种特殊的方式收集大量的数据来训练一个深度学习模型。
第二，用训练好的模型进行测试。
我们先来看收集数据的部分。
研究人员招募了六名实验对象。
让他们吸入不同浓度的氧气，以改变他们的血氧浓度水平。
通讯员杰森·霍夫曼表示，这与以往通过憋气来控制血氧浓度的方法有很大不同它不仅使受试者感到不那么不舒服，而且每次为每个受试者收集长达15分钟的数据
然后用智能手机和普通血氧仪监测数据。
其中，普通脉搏血氧仪采用透射式PPG，手机采用反射式PPG。
PPG是测量血氧浓度最常用的无创方法它主要是利用光照射到人体皮肤上后，皮下动脉由于血氧蛋白比例不同而改变对光的吸收，这种光的变化可以进一步转化为电信号
对于反射式PPG，当闪光灯产生的入射光穿过人体皮下组织，小静脉和小动脉，经过多次散射后，一部分光信号再次回到皮肤表面，也就是这个分光信号转换成电流信号。
收集数据后，研究人员使用一个应用程序提取了30多帧视频剪辑。
然后就可以开始训练神经网络了。
利用CNN机器学习模型，他们设计并训练了一个由三个卷积层和两个全连接层组成的神经网络。
数据预处理后，通过计算每一帧的平均像素值，可以提取出每一通道的PPG信号，然后进行平均。
培训和评估通过留一交叉验证进行一个主体的数据作为训练集，一个主体的数据作为验证集，然后在另一个主体上测试模型
模型的输入是一个3秒的视频，输出是血氧的饱和浓度。
测试结果表明，该模型对4号受试者的效果最好，敏感度为88%，特异度为78%88%的病例可以准确判断低氧血症
数据集已打开。
目前，这项研究的数据集是免费和开源的。
研究人员表示，通过普通智能手机精确测量血氧浓度还需要更多的数据支持，目前的实验结果还不能用于医疗目的。
比如实验中发现受试者的肤色，手上是否有老茧等，可能会影响测试结果的准确性
测试对象只有6个，样本很小，可能会导致实验偏差。
因此，需要更多的人来完善和丰富这类数据。
我之前在微软的硬件开发部门工作过。
论文地址:
参考链接:
