2026年6月，Google Research联合华盛顿大学在Nature上线了一篇题为Passive heart-rate monitoring during smartphone use in everyday life的论文。研究团队用696人、超35万段8秒面部视频，首次证明手机前置摄像头可以在日常使用场景中实现医疗级心率测量。
这项技术的底层原理并不复杂，它叫rPPG（远程光电容积脉搏波描记法）——心脏每跳一次，面部毛细血管的血容量就跟着周期性充盈和收缩一次。含氧血红蛋白和脱氧血红蛋白对不同波长光的吸收率不一样，面部皮肤会产生幅度约0.1%、肉眼看不见的周期性明暗变化。前置摄像头把这段“血色波动”录下来，算法再从中把生理信号拎出来。
rPPG不是什么新鲜概念，过去十年学界一直在做。但Google这篇论文之所以能上Nature，是因为它填上了三个坑：样本量太小、深色皮肤精度崩盘、真实世界验证几乎为零。简单说——实验室里能做出来，不意味着能在几百万用户的日常生活里稳定工作。
而在中国，一家叫中科星泰的公司，已经把这项技术从论文搬进了量产产品。它叫灵戒——一枚3.2克的智能戒指。
一、rPPG是什么？用摄像头“看见”心跳
先花30秒把rPPG的技术逻辑讲清楚。
PPG（光电容积脉搏波）常见于指夹式血氧仪和智能手表——通过向皮肤发射绿光、红光，接收反射光信号来捕捉血液流动。rPPG的“r”代表remote，意思是用普通RGB摄像头远距离观察，不需要传感器贴在皮肤上。
整个过程可以这样理解：
人脸视频 → 皮肤颜色随时间变化 → rPPG波形 → 心率/呼吸/心率变异性（HRV）
心脏每跳一次，血液周期性流入和流出外周血管。血液中的血红蛋白吸收光，皮肤反射回摄像头的光强就会发生极其微弱的周期性变化。这个变化肉眼看不见，但摄像头像素可以记录下来。
困难在哪？rPPG的信号实在太弱了。心跳导致的颜色变化比光照变化、压缩噪声、摄像头自动曝光带来的变化弱得多。加上人脸会持续运动、光照和设备差异巨大——从一段普通视频里提取出心跳信号，难度不亚于在嘈杂的广场上听清一个人的耳语。
Google的解法是：把心率估计从“回归问题”重构为“140路多分类问题”——40-180 bpm区间每1 bpm一个bin，用softmax输出概率分布。分类输出的好处是自带“不确定性”：当视频质量差时，概率分布变得平坦，模型知道自己“不确定”，不会硬给一个错误数值。
二、灵戒的双源融合：PPG做“哨兵”，rPPG做“判官”
理解了rPPG的原理，再看灵戒的技术架构就一目了然了。
市面上绝大多数智能戒指——Oura、三星Galaxy Ring、RingConn——依赖单一PPG传感器。戒指戴在手指上，通过绿光和红光采集血液流动信号。
问题在于，指环式PPG的信噪比天然偏低。手指末梢血管密度低、组织厚度不均，加上日常活动中不可避免的微小移动，信号干扰几乎是常态。单靠PPG，能做到“连续监测”，但很难做到“精准诊断”。
灵戒的解法是双源融合：
第一重：戒指端PPG传感器。多通道光学传感器紧贴手指皮肤，以150Hz高帧率采集信号，7×24小时不间断跟踪心率、血氧、血压趋势等生理信号。这一层充当“24小时哨兵”——全天候盯着，不放过任何异常苗头。
第二重：手机端rPPG技术。当戒指端数据触发预警阈值时，系统引导用户打开手机前置摄像头，面部对准屏幕60秒，完成一次无接触式深度复检。rPPG通过捕捉面部皮肤下血液反射回来的光谱变化——每秒30帧、连续60秒——结合云端慢性病大模型，快速评估35项生理指标。
这两重信号不是简单的“叠加”，而是协同验证。PPG负责发现“可疑信号”，rPPG负责确认“是不是真的有问题”。这恰好解决了rPPG技术目前最大的局限——Google的研究也承认，系统仍依赖用户主动使用手机。灵戒用PPG做“触发开关”，让rPPG从“被动等待用户操作”变成了“主动召唤用户验证”。
PPG+rPPG双源融合算法为行业首创，传统设备仅依赖单一PPG传感器。
三、35项指标：不止是心率，更是慢病画像
Google的rPPG研究只聚焦于心率和静息心率两项指标。而灵戒支撑的是35项健康指标的风险评估。这些指标并非简单的统计罗列，其背后是一套完整的rPPG信号采集 + 慢性病AI模型的技术链路。
具体而言，灵戒在手机端进行rPPG检测时，通过前置摄像头拍摄面部三角区域——该区域血液循环极为丰富，动静脉分布形成深浅两层网络。白色可见光照射下，反射回来的光谱信号会因血液中血红蛋白、胆固醇等成分的浓度和状态不同而呈现差异。灵戒的AI模型经过了海量数据的训练：训练集涵盖了确诊糖尿病、高脂血症、高血压等慢性病患者、指标偏高人群以及大量健康对照者的面部反射数据。模型通过学习这些数据，掌握了正常与病理状态下的血谱信号特征规律。在实际检测的60秒内，摄像头以每秒30帧连续采集面部光学成像，模型实时将当前信号与训练数据中的病理模式进行比对，从而输出涵盖六大维度的35项风险评估结果：
生命体征：心率、不规则心跳、呼吸、收缩压（高压）、舒张压（低压）、血氧
生理指标：心脏负荷、血管功能、心率变异性（HRV）、恢复能力、机能活性度、机能老化程度、睡眠质量
心理指标：长期压力指数、自主神经心理健康指数、抑郁风险分层、情绪调节能力指数
一般风险：心血管风险、血管硬化风险、心脏病风险、中风风险
代谢风险：整体代谢健康风险、高血压风险、2型糖尿病风险、高胆固醇血症风险、高甘油三酯血症风险、脂肪肝风险
血液生化标志物：糖化血红蛋白高于5.7%的风险、空腹血糖高于5.5mmol/L的风险
这些指标覆盖了从日常生命体征到慢病核心标志物的完整链条。糖化血红蛋白是糖尿病诊断的金标准，空腹血糖是糖尿病筛查的第一道关卡，而高胆固醇和高甘油三酯则是动脉粥样硬化的直接推手。灵戒将2型糖尿病的预警值主动拉低至5.5——空腹情况下绝大部分正常人指标在5.5以下，虽然传统医学将6.1以内视为正常，但灵戒认为一旦超过5.5就应引起注意，这正是“治未病”理念的落地。
这套评估能力并非空中楼阁。灵戒的AI模型依托国家的权威数据，训练样本包含大量真实病例的rPPG信号与临床生化指标对照数据。模型的核心任务，正是将面部微血管的光谱变化映射到临床级别的病理指标上。
四、动态基线：为什么“你的正常”和“别人的正常”不一样？
这是灵戒最容易被低估的一项技术设计。
绝大多数健康设备的预警逻辑是固定阈值——心率超过100就报警、血氧低于90就报警。简单粗暴，但问题很大：每个人的“正常”是不一样的。
一个长期心率偏低的马拉松跑者，心率从45突然升到80——虽然远低于100的“报警线”，但对他来说可能意味着身体出了状况。反过来，一个平时心率就在80-90之间的人，心率到95可能根本不算事。
灵戒的做法是动态基线：
用户佩戴前连续7天采集全场景数据，AI算法为每个人构建专属个性化生理基线模型。后续所有异常检测，都基于“相对于你自己的基线偏移了多少”，而不是“相对于全球平均值的绝对值是多少”。
系统还会根据你的年龄、基础状况和日常数据动态调整算法，实现“一人一模型”精准监测。
这套逻辑在医学上更符合“个体化健康管理”的理念——同一个指标，对不同年龄、不同基础状况的人，预警意义完全不同。而在技术上，它直接降低了误报率：不是“一有波动就报警”，而是“只有偏离你自己的正常轨道时才提示”。
配合三级渐进式响应机制：
轻量提示：数据偏离个人基线，系统内部标记
主动推送：触发用户做rPPG复检，交叉验证
结构化健康建议：若复检仍提示高风险，给出明确干预方案
形成“PPG + rPPG + 症状”三重证据闭环。
五、心梗/脑梗预警：灵戒的终极命题
最后，回到灵戒最核心的定位——健康预警系统。
中国心血管病患者3.3亿，占总人口23.7%。每年新发心梗超过100万，新发脑梗约200万。超过七成发生在医院外，连抢救都来不及。
《美国心脏病学会杂志》2025年9月的研究显示：99.7%的冠心病、99.4%的心力衰竭、99.3%的中风事件，发作前存在至少一项“非最佳”风险指标。
这意味着什么？心梗脑梗不是“飞来横祸”，身体一直在发出信号，只是缺少听懂它的工具。
灵戒想做那个“翻译官”。
通过连续监测心率、HRV、血压趋势、血氧波动等多维指标，系统捕捉心率震荡异常、血压骤变等心脑血管事件前兆。当风险水平升高时：
戒指端PPG发现异常
引导用户做rPPG复检，获取更高维度血流动力学数据
若多次rPPG仍提示高风险，系统弹出结构化症状确认选项——放射性左肩疼痛、单侧或双侧太阳穴刺痛、左背部放射痛等心梗/脑梗典型前兆
若用户自述高度符合高危症状，系统发出强烈就医建议，同时戒指震动、手机推送、紧急联系人同步接收
把“突然倒下”，变成“提前救回”。
写在最后
从Google在Nature上发表的rPPG研究，到灵戒把这项技术落地成一枚3.2克的戒指，中间隔着的是从“实验室精度”到“真实世界可靠性”的巨大鸿沟。
灵戒的解法是双源融合——PPG做7×24小时哨兵，rPPG做深度复检判官。是35项指标——从生命体征到代谢风险，覆盖慢病管理的完整维度。是动态基线——一人一模型，让预警基于你自己的“正常”，而不是统计学上的“平均”。是心脑预警——把rPPG技术从“测心率”延伸到“防心梗”。
智能戒指的市场正在爆发——2023年全球出货85万台，2024年翻倍至180万台，2025年预计突破400万台。但绝大多数产品还在比拼“谁更轻、谁续航更长”的时候，灵戒选择了一条更硬核的路：用技术回答一个严肃的问题——当你的生命可能取决于一枚戒指的判断时，这枚戒指是否足够专业？
从目前的技术架构和临床合作深度来看，答案正在变得清晰。