换一个思路：不再估算瞬时血压

传统无袖带方案通常试图估算极易受瞬时环境噪声干扰的单次收缩压与舒张压，且需定期用传统臂式袖带校准，只能反映相对变化，难以独立判断绝对的高血压状态。谷歌团队转变了解决思路：不再追求某个时间点的精确数值，而是通过聚合连续多天采集的被动生理特征，专注于识别个体潜在且持续存在的高血压状态。

该系统使用了现代智能手表上本就运行的两类传感器：光电容积脉搏波（PPG）传感器，通过测量皮下微血管的血容量变化捕捉脉搏波轮廓；以及加速度计（ACC），用于识别静止时段并捕捉心冲击图（BCG）——心脏将血液射入主动脉时引发的细微物理振动。

两阶段机器学习流程

第一阶段的自监督预训练，使用了来自 2109 名受试者的 49.2 万余小时无标注传感器数据，以对比学习训练一维深度卷积神经网络（1D-CNN），让模型自主发掘血管与机械性心脏功能的复杂生理特征，无需人工特征工程或医学标签。

第二阶段为多天聚合与分类：将每名用户多日佩戴中采集的 15 秒特征向量取均值，以平滑突发动作、温度变化等瞬态噪声；再结合用户身高（作为动脉路径长度的可靠代理），输入带正则化的逻辑回归分类器，输出一个连续的高血压概率评分。

对照临床金标准的验证

为评估系统表现，研究团队在全美 5 个临床中心开展了前瞻性、多中心临床试验，纳入 196 名无已知心血管疾病、且未服用降压药的受试者，并以 24 小时动态血压监测（ABPM）这一临床金标准作为参照。

在初筛场景下，智能手表方案的特异度达 90.0%、阳性预测值（PPV）为 80.6%、灵敏度为 65.8%，优于门诊单次初筛（灵敏度 55.3%、PPV 77.8%）。在针对初筛偏高人群的确诊性检测中（该子集共 48 人），方案的 PPV 高达 96.7%、特异度 90.9%、灵敏度 78.4%，优于门诊复测（灵敏度 67.6%、特异度 63.6%、PPV 86.2%），可比肩需佩戴数天的家庭连续袖带监测（灵敏度 89.2%、特异度 81.8%、PPV 94.3%）。

定位为被动筛查工具，而非诊断替代

论文作者明确指出，该方案并不打算取代传统臂式袖带或给出独立的确诊结论，而是作为一种可规模化、被动式的机会性筛查工具，温和地提示高危人群前往诊所就诊。谷歌强调，这项研究属于早期可行性探索，不代表任何现有或即将推出的商业产品功能；不过相关成果已经为谷歌健康应用中的血压趋势”健康守护”（Health Guardian）功能提供了核心技术支撑。该论文题为《Opportunistically Detecting Signs of Hypertension on a Consumer Smartwatch》，由谷歌研究院的 Paolo Di Achille 与 Ming-Zher Poh 等人完成，合作方包括贝斯以色列女执事医疗中心与哈佛医学院，发表于 Nature（2026 年），DOI 为 10.1038/s41586-026-11336-3。