智能手机视频多通道心震图技术：无接触心脏机械活动监测新方法

　　 本研究针对传统心震图(SCG)单点测量的局限性，开发了一种基于智能手机视频的多通道SCG采集技术。研究人员通过计算机视觉和深度学习算法，从胸部贴标网格视频中提取高分辨率SCG信号，构建心脏机械活动振动图谱，并开发自适应心率估计算法。结果显示该方法能准确捕捉心脏瓣膜开闭等关键事件，心率检测偏差仅0.04±2.14 bpm（r=0.99）。这项技术为开发普惠型心脏监测工具提供了新思路，有望促进心血管疾病早期诊断。

　　

心血管疾病(CVDs)每年导致全球1790万人死亡，占全球总死亡人数的32%。传统心脏监测技术存在侵入性、高成本或单点测量等局限，而现有心震图(SCG)技术通常只能通过单点加速度计测量胸部振动。这种单点测量无法全面反映心脏复杂的机械活动，特别是瓣膜开闭、血液喷射等关键事件的时空特征。

针对这一技术瓶颈，美国密西西比州立大学的研究团队开发了革命性的多通道SCG采集方法。该方法仅需智能手机摄像头拍摄胸部贴标网格视频，结合计算机视觉和深度学习技术，就能构建高分辨率心脏振动图谱。相关研究成果发表在《npj Cardiovascular Health》期刊，为普惠型心脏监测工具的开发奠定了基础。

研究采用三项核心技术：1)基于YOLOv7的QR码贴标检测与模板追踪算法，从60fps视频中提取亚像素级位移信号；2)卷积神经网络(CNN)插值模型，将6×6 SCG网格分辨率提升至11×11（均方误差0.1078/0.0418）；3)自适应心率估计算法，通过动态调整峰值检测阈值提高准确性。实验纳入14名健康受试者，在屏气状态下采集胸壁振动数据，同步记录心电图(ECG)作为金标准。

【Vision-based multichannel SCG】
通过YOLOv7目标检测（mAP@0.5达99.6%）和模板追踪技术，成功从胸部视频提取6×6网格的SCG信号。研究发现不同胸壁位置的SCG信号存在显著差异，右向左(right-to-left)振动变异度（中位均方差0.35）明显高于头足向(head-to-foot)振动（0.11），证实多通道测量的必要性。

【SCG map resolution enhancement】
开发的CNN插值模型将SCG网格分辨率提升至(2m-1)×(2n-1)，在验证集上取得右向左方向MSE 0.11、头足向MSE 0.04的优异表现。增强后的振动图谱清晰显示，所有受试者在ECG J点附近均出现朝向头部的强烈振动（蓝色图谱），这与主动脉瓣开放和血液快速喷射的生理事件高度相关。

【Vision-based heart-rate estimation】
从1968个SCG信号中提取的心率与ECG结果高度一致（偏差0.04±2.14 bpm，r=0.99）。研究发现胸骨角至第五肋间区域（黑色虚线框标记）是最佳心率检测位点，该区域头足向振动信号的心率估计准确率Γ达98%。

【SCG spatial variations】
振动图谱分析揭示重要规律：在ECG PQ间期观察到向右的胸壁振动（蓝色图谱），对应心房收缩；QRS波期间出现足向强烈振动（红色图谱），反映心室等容收缩；ST段初期朝向头部的振动则与主动脉瓣开放相关。这些发现为SCG信号生理学解释提供了新依据。

该研究首次实现基于智能手机的多通道SCG测量，其重要意义体现在三个方面：首先，通过计算机视觉替代加速度计阵列，解决了传统多通道SCG存在的设备笨重、接触干扰等问题；其次，开发的深度学习插值模型突破摄像头分辨率限制，使振动图谱空间细节提升4倍；最后，确定的最佳心率检测区域（γ_hf,ex>90.66%）为可穿戴设备传感器布局提供了指导。

特别值得注意的是，振动图谱与ECG时相的特征性对应关系（如ST1时段头部振动对应主动脉瓣开放）为无创监测瓣膜疾病开辟了新途径。研究还发现受试者S08（有癫痫病史）右侧身体振动减弱的现象，提示该方法可能用于神经系统疾病相关的机械活动异常检测。

尽管目前技术尚不能测量背腹侧(dorsoventral)SCG分量，但作者指出未来可通过头足向和右向左位移推算角速度信号(GCG)。这项技术的临床转化将大幅降低心脏监测成本，使中低收入地区也能开展及时的心血管疾病筛查，对实现全球心血管健康公平具有深远意义。