物理驱动AI赋能新型智能手表：首次实现无袖带、无校准的连续血压波形监测

高血压是导致心脏病发作和中风的主要风险因素，但绝大多数人只在诊所环境下看到过代表自己血压的两个静态数字。2026年5月14日发表在《自然·通讯》（Nature Communications）上的一项研究，展示了一款能读取完整血压“故事”的智能手表——它能实时捕获每一个脉搏波和血流速度，而且完全不需要袖带或任何个人校准 。

这款设备由犹他大学和伊利诺伊大学芝加哥分校的数学家与工程师联合打造，核心是将实时电生物阻抗（BioZ）传感与物理信息神经网络（PINN）相结合 。下面我们来看看，为什么这项技术对可穿戴健康监测的未来如此重要。

生物阻抗传感如何捕获血流信息

这款智能手表会通过手腕施加一个高频、人体感知不到的电流。由于血液是导电的，随着每次心跳、血液在桡动脉中搏动，其阻抗会发生微小变化 。正是这些细微的波动，编码了关于血压的关键信息，因此研究人员将BioZ视为最原始的生理信号。

为了将阻抗变化转化为物理意义上的血压读数，该团队建立了一个多尺度的分析与计算模型，绘制了BioZ与血压之间的生物物理映射关系 。这个过程涵盖了对诸多影响因素的解释，包括在手腕处影响脉动BioZ信号的生理、解剖和实验参数。

将物理定律“嵌入”神经网络

其核心的机器学习组件是一个“信号标记的物理信息神经网络”，它将流体动力学的定律直接“烙”进了模型架构中 。不同于仅从数据中学习相关性的传统“黑箱”深度学习模型，物理信息神经网络（PINN）无法生成物理上不可能出现的结果。研究人员认为，这一特性使其在支持临床决策时更为可靠、可解释 。

因为模型本身就“懂得”脉动血流和电磁学的物理原理，它得以仅凭电信号就重建出完整的血压波形——而不需要袖带提供基准值。这正是该系统实现真正免校准的关键所在。

这款手表能测到袖带测不到的东西

传统袖带只能提供某个瞬间的收缩压和舒张压。而犹他大学团队的智能手表则能输出连续、完整的血压波形 。除了常规的压力值外，该设备还能估算 桡动脉血流速度 和 轴向血流速度——即血液流过动脉的速度 。

该研究的合著者、数学家Braxton Osting通俗地解释了这一进步：“血压不是两个数字；它是一个关于时间的函数。我们面临的数学挑战，就是如何从手腕上间接采集的电信号中，恢复出完整的波形。”

最终的成果是一个丰富而全面的血流动力学图景，它有望揭示出那些危险的瞬时血压峰值、夜间血压模式，以及偶发性诊室测量无法发现的“隐匿性高血压”。

在健康人群与患者中的测试

这款智能手表总计在150名参与者身上进行了评估，这其中既包括了在静止和体力活动后（如走路、跑步、爬楼梯）的健康人 ，也至关重要地纳入了门诊和重症监护环境中的高血压及心血管疾病患者。这项设置直接回应了一个关键问题：BioZ感知在最需要它的人群中是否管用。

尽管现有资料未包含2026年这项研究的具体准确度数值，但同一研究团队此前基于PINN方法的工作已报道了与参考测量值的高度相关性（收缩压：0.90，舒张压：0.89）。那些2023年的模型实现了收缩压1.3 ± 7.6 毫米汞柱、舒张压0.6 ± 6.4 毫米汞柱的平均误差 。而这款新设备的目标，就是在真实的可穿戴物理形态中，达到甚至超越上述性能标准。

临床潜力与待解难题

无校准连续血流动力学监测的前景，有着不可忽视的临床分量。该设备可以助力早期发现高危患者危险的血压不稳定状态，实时指导药物剂量调整，并消除常会扭曲单次读数的“白大衣效应” 。

然而，仍有几个要点需要注意。该设备尚未获得监管机构的批准，持有其知识产权的犹他大学正在就早期专利许可进行商讨 。这项研究的资金来源包括美国国家科学基金会（NSF）、美国国立卫生研究院（NIH）、校方以及B-Secur, Ltd.；值得注意的是，该研究的首席作者Benjamin Sanchez Terrones在这家公司中拥有股权和管理职务 。这一潜在的利益关系，值得读者和临床专家审慎对待。

在技术层面，这套物理驱动方法最大的优势，同时也是其最大的挑战：重建波形的质量，完全取决于模型能否忠实地捕捉真实世界的生物阻抗变化。运动伪迹、皮肤湿度、接触压力等外部因素，依然可能降低信号质量。未来的工作需进一步证明，该系统在日常生活中的表现能像在受控试验中一样稳健。

目前，市面上还没有任何一款可穿戴设备能提供这一深度且无校准的连续血流动力学监测。如果犹他大学的团队能够走通从实验室到产品的“最后一公里”，那么我们所熟悉的血压袖带，或许终于会开始像旧时代的医学遗迹。