AI驱动的可穿戴设备实时监测心血管状况：范围综述JMIR mHealth and uHealth - AI-Driven Real-Time Monitoring of Cardiovascular Conditions With Wearable Devices: Scoping Review

AI驱动的可穿戴设备实时监测心血管状况：范围综述

摘要

背景：心血管疾病仍然是全球死亡的主要原因，每年造成1800万人死亡。心血管状况的检测和预测对于及时干预和改善患者预后至关重要。可穿戴设备为连续监测心血管信号、生命体征和身体活动提供了一种有前景的非侵入性解决方案。然而，这些设备产生的大量数据和心血管信号的快速波动需要先进的人工智能(AI)技术来进行实时分析和有效的临床决策。

目标：本范围综述的目的是确定AI驱动平台在使用可穿戴设备进行实时心血管状况监测方面的主要挑战，并探索潜在解决方案。此外，本综述旨在研究AI算法如何开发以支持稳健监测，以及如何优化部署流程以实现实时心血管状况监测。

方法：在以下电子数据库中进行了全面搜索：MEDLINE(R) ALL (Ovid)、Embase (Ovid)、Cochrane Central Register of Controlled Trials (Ovid)、Web of Science Core Collection (Clarivate)、IEEE Xplore和ACM Digital Library，共获得2385条唯一记录。纳入标准侧重于使用可穿戴设备收集参与者数据并应用AI算法进行实时分析以检测或预测心血管事件和疾病的研究。经过标题和摘要筛选后，剩余153篇论文，经过全文审查后，19项研究符合纳入标准。

结果：研究结果表明，尽管AI和可穿戴设备前景广阔，但实时心血管监测的研究仍然有限且缺乏全面验证。大多数研究依赖公开的可穿戴数据集，而非在社区环境中对招募的参与者进行真实世界验证。在实时部署AI算法的研究中，经常未能报告操作特性和挑战。基于心电图的可穿戴传感器是最常用的设备，主要在医院环境中使用。各种AI技术，从传统机器学习到轻量级深度学习算法，被部署在可穿戴设备上或通过基于云的处理。

结论：需要稳健的跨学科研究，以充分发挥AI驱动、实时心血管健康管理使用可穿戴设备的全部潜力。这包括开发和验证可扩展的解决方案，用于社区环境中的连续部署。此外，必须仔细解决现实世界中的挑战，如参与者依从性、硬件和连接限制，以及AI模型优化以实现实时连续监测。

JMIR Mhealth Uhealth 2025;13:e73846

doi:10.2196/73846

关键词

心血管疾病；人工智能；实时监测；连续监测；可穿戴设备；机器学习；深度学习；智能手表；心电图(ECG)；心房颤动；手机

引言

背景

心血管疾病(CVDs)仍然是全球死亡的主要原因，每年造成1800多万人死亡。过去几十年中，归因于心血管疾病的死亡人数显著增加，从1990年的1210万上升到2019年的1860万，增幅达53.7%。这一趋势预计将持续，到2050年，心血管死亡人数预计将达到3560万，比2025年增加90%。这一上升趋势凸显了制定全面预防和管理策略以应对心血管疾病全球影响的紧迫性。

心血管疾病和心血管事件的检测和预测对于降低这些疾病的发病率和死亡率至关重要。冠状动脉疾病、高血压性心脏病和心肌病等心血管疾病通常在数年内悄然发展，患者在出现重大事件前可能表现出极少或没有症状。早期识别风险可以实现及时干预、生活方式改变和治疗，从而显著降低严重后果的可能性。心血管事件（如心脏病发作、心脏骤停和中风）的实时检测和预测尤为重要，因为它在干预效果最大的关键窗口期提供可操作的见解。识别和应对细微生理变化的延迟可能决定预防和危及生命的事件之间的差异。

配备传感器的可穿戴设备可以连续监测心率、血压和血氧饱和度等生命体征，有可能识别出表明心血管压力或疾病的异常模式。这些设备使社区中的人们能够进行远程监测，使医疗保健提供者能够实时跟踪患者健康状况并及时干预，即使在临床环境之外也是如此。与人工智能(AI)相结合，这些设备可以实时分析大量数据，在潜在心血管事件发生前检测和预测它们。先进的机器学习和深度学习技术在处理和解释可穿戴设备捕获的大量复杂数据方面发挥着关键作用，识别人类观察可能忽视的细微模式和趋势。它们从历史数据中学习并不断改进预测的能力确保及时准确的警报，使医疗保健提供者能够在关键事件展开前进行干预，从而降低不良后果的风险。

基于AI驱动的可穿戴传感器平台用于实时心血管监测可以配备单模态或多模态传感器来收集各种数据，包括心电图(ECG)、光电容积描记术(PPG)、心率、血压和移动指标。这些数据由在历史数据集上训练并针对实时推理进行优化的AI算法分析。根据系统设计，这些算法可以直接在可穿戴设备上或在云服务器上运行（需要数据传输）。分析结果随后传达给临床医生、参与者或护理人员，实现及时干预，以预防或减少不良心血管后果。

通过优先考虑早期检测和预测，医疗保健系统可以将其重点从被动反应转向主动护理，减少住院、改善健康结果和患者生活质量，并降低医疗成本。最终，早期干预是有效心血管疾病管理的基础，也是每年拯救数百万人生命的途径。

相关评论

表1概述了最近关于可穿戴设备和AI算法在心血管监测中的应用的评论，以及更广泛的医疗保健监测领域的相关评论。每篇评论都标有记号，表明其涵盖四个关键概念（心血管疾病、实时监测、AI和可穿戴设备）中的哪些。虽然之前关于心血管监测的评论涉及1-2个概念，如可穿戴设备、AI或实时监测，但没有一篇全面涵盖所有三个概念。此外，关于一般医疗保健中实时监测的评论缺乏对心血管状况检测和预测的具体关注。这些评论中的大多数包括使用预先收集的公共数据集开发AI算法的研究，这些研究没有处理在真实环境中部署AI进行实时监测的实际挑战。

表1. 本范围综述与之前相关评论的比较，按对心血管疾病、实时、人工智能和可穿戴概念的关注进行排序。

注：a) 本综述是唯一全面整合所有四个概念的综述。b) CVD：心血管疾病。c) AI：人工智能。

研究问题

人工智能在处理可穿戴设备数据以实现心血管状况的实时检测、预测和诊断方面发挥着至关重要的作用。这使临床医生能够迅速干预，帮助预防或减轻不良后果，减少住院和死亡，并改善患者生活质量。在本文中，进行了范围综述，以系统地绘制当前关于使用可穿戴传感器进行实时心血管监测的AI驱动平台的研究，并确定知识差距和相关挑战。该范围综述由以下研究问题指导：(1) AI驱动平台在使用可穿戴设备进行实时心血管状况监测方面的主要挑战是什么，以及如何解决这些挑战？(2) 如何开发AI算法以支持稳健的心血管状况监测？(3) 如何优化AI算法和部署流程以实现实时心血管状况监测？

第一个研究问题侧重于实时心血管状况监测平台级别的挑战和解决方案，而第二和第三个问题则特别关注这些平台的核心组件之一——AI算法，涉及确保稳健性和实现实时部署。

方法

研究设计

本研究使用范围综述方法来解决研究问题的广泛范围、研究和人群的多样性，以及先前未进行的全面综述的缺失。范围综述遵循Arksey和O'Malley概述的框架，并按照系统综述和荟萃分析首选报告项目扩展范围综述(PRI SM A-ScR)检查表进行报告。

纳入标准

纳入标准

考虑纳入以英文撰写的同行评审期刊和会议论文，包括定量、定性和混合方法研究。符合纳入条件的研究必须描述新平台（基于研究或商业）的开发或使用现有平台通过可穿戴设备进行AI驱动的实时心血管状况监测。该平台必须满足所有四个标准：(1) 必须使用可穿戴传感设备从成年参与者收集连续数据。(2) 必须是AI驱动的，将机器学习和深度学习算法纳入以分析可穿戴数据。(3) AI算法必须实时或接近实时执行数据分析和推理。(4) AI算法做出的推理必须涉及心血管状况、疾病或事件的检测或预测。研究还可以查看除心血管疾病外的其他合并症，如糖尿病。

实时分析涉及连续处理，延迟最小，而接近实时指由于计算或设计限制而进行的间歇性或略微延迟的处理。虽然"检测"和"预测"在文献中经常互换使用，但本文区分了它们：检测从当前可穿戴数据推断当前状况，而预测使用当前数据预测未来状况。

使用SPICE框架，确定了设置、人群、干预、比较和评估标准：参与者家中、疗养院或医院；成年参与者；监测（预测或检测）任何心血管状况；实时AI算法；以及实时AI算法的准确性和延迟。

排除标准

排除非同行评审和非英文出版物或资源。如果研究(1)未使用可穿戴传感器设备从成年参与者收集数据的平台，(2)未使用AI算法分析可穿戴传感器数据，(3)执行离线数据分析，或(4)仅在已收集的可穿戴传感器数据集（如公开数据集）上评估其平台，则排除这些研究。

如果满足一个或多个排除标准，则排除研究。

信息来源和搜索策略

为了确定相关研究，与信息专家(CC)合作设计了全面的文献搜索，并通过团队讨论进一步完善。AA和AV最初向CC提供了一份关键词列表和20篇需要从搜索中检索的目标论文。随后，CC、AA和AV共同完善了关键词列表，并使用MEDLINE的主题词和文本词组合开发了搜索策略，随后翻译到其他数据库。搜索策略包含四个概念：可穿戴设备、心血管疾病、AI算法和实时数据分析。在以下电子书目数据库中进行了搜索：MEDLINE(R) ALL (Ovid)、Embase (Ovid)、Cochrane Central Register of Controlled Trials (Ovid)、Web of Science Core Collection (Clarivate)、IEEE Xplore和ACM Digital Library，涵盖从创建到2024年7月5日的记录。在可能的情况下使用搜索过滤器去除儿童和动物研究。结果限于英文。表2提供了用于数据库查询的唯一搜索关键词子集。数据库的完整搜索策略和相关关键词详见多媒体附录2。搜索结果以RIS文件导出，合并后导入Covidence文献审查网络应用程序，并去重。还检查了纳入研究的参考文献列表，以确定任何其他相关研究。

表2. 用于搜索数据库的唯一搜索关键词子集。

证据来源选择

一组4名独立评审员(AV、DJ、JK和ZH)使用Covidence网络应用程序进行标题和摘要筛选。每项研究至少由其中2名评审员独立评审。在此过程中确定的相关研究接受了至少2名来自同一组的评审员(AV、DJ、JK和ZH)进行的全文评审和数据图表。标题和摘要筛选或全文评审过程中出现的任何冲突均由AA解决。

数据图表过程和数据项目

为解决本范围综述的研究问题，设计了数据图表表格，从评审的研究中提取相关信息。该表格包含五个部分：(1)研究特征、参与者和设置，以及正在监测的心血管状况；(2)研究目标、方法和主要发现；(3)可穿戴设备特征；(4)实时AI算法特征；以及(5)AI算法的稳健性分析。

结果综合

为解决研究问题，进行了描述性分析，随后使用表格对相关研究特征进行叙述性总结。根据前一节概述的数据特征分析了研究。由于人群、心血管疾病、结果测量工具和测量时间的异质性，未进行荟萃分析。

结果

证据来源选择

图1展示了系统综述和荟萃分析首选报告项目(PRI SM A)流程图，描述了研究选择过程。去除重复项后，通过电子数据库的全面文献搜索共确定2385项研究。经过标题和摘要筛选后，排除2232项研究，检索153项全文研究进行全文评审。在这153项研究中，由于缺少上述四个纳入标准中的一个或多个，排除了134项。最终纳入19项研究。

图1. 范围综述的系统综述和荟萃分析首选报告项目(PRI SM A)流程图。在最初筛选的2385个唯一标题和摘要中，153项研究进一步评估，最终19项研究被纳入范围综述。ACM：计算机械协会；AI：人工智能；CVD：心血管疾病；IEEE：电气电子工程师学会。

证据来源特征

多媒体附录3-7显示了本范围综述中纳入研究的上述五个类别的数据项目。表格中的"—"表示该文章未提及或讨论相应项目。

研究特征

如多媒体附录3所述，纳入的研究(n=19)发表于2010年至2024年之间，其中大多数(17项，89.5%)发表于2019年至2024年，突显了向实时AI解决方案监测心血管状况的日益转变趋势。在纳入的研究中，5项(26.3%)在美国进行，4项(21.1%)在台湾，3项(15.8%)在中国，2项(10.5%)在印度，日本、土耳其、巴基斯坦、孟加拉国和斯里兰卡各1项(5.3%)。纳入的研究中，14项(73.7%)为期刊论文，而5项(26.3%)为同行评审的会议出版物。

参与者特征

本范围综述的一个纳入标准是所选研究必须涉及从成年参与者收集数据，专门用于监测心血管状况。因此，在标题和摘要筛选以及全文评审过程中，大量研究被排除(n=82)。这些被排除的研究大多侧重于使用公开数据集（如麻省理工学院-贝斯以色列医院(MIT-BIH)心律失常数据库）开发和评估心血管状况监测的AI算法或AI驱动平台。虽然这些研究对算法进步很有价值，但它们没有提供有关在真实世界环境中部署AI模型进行实时心血管状况监测的可行性和实际挑战的见解。

纳入的研究通常缺乏关于收集和分析数据用于心血管状况监测的参与者人口统计信息的全面细节。值得注意的是，如多媒体附录3所示，19项纳入研究中有7项未提供任何参与者人口统计信息。12项报告参与者数量的研究中，参与者数量差异很大，从最少的2名参与者到最多的350名参与者不等。对于报告性别分布的研究，平衡各不相同。一些研究包括更多女性，而其他研究报告更多男性。研究间的年龄范围也差异显著，最年轻的参与者报告平均年龄为33.2岁，而最年长的平均年龄为72.1岁。

根据研究设计，一些研究仅包括患有心血管疾病的参与者，其他研究涉及健康个体和心血管疾病患者的混合人群，还有一项研究仅包括健康参与者。除Colombage等人监测同时患有心力衰竭和糖尿病的参与者外，所有其他研究都专注于监测一种或多种心血管状况，未考虑心血管疾病以外的合并症。

研究设置特征

出乎意料的是，除少数研究外，其他研究涉及的数据收集仅持续一天或单次会话。此外，虽然3项研究在家庭环境中进行，但所有其他研究都在医院或实验室环境中进行。

如多媒体附录3所述，在84.2%(16/19)的研究中，监测的心血管状况主要涉及检测各种类型的心律失常，重点关注心房颤动(AF)。其中，2项研究还测量了心房颤动负担，1项研究旨在通过检测早期预警或心房颤动发作来预测心房颤动。一项研究专注于测量左心室射血分数。此外，2项研究专注于检测心脏病和心力衰竭，而1项研究调查了心脏骤停的预测。

可穿戴设备特征

根据AI驱动心血管状况监测所需的数据模态（主要是ECG数据），纳入的研究使用了各种可穿戴设备。如多媒体附录5所述，研究要么开发了定制硬件传感器，要么使用了商用可穿戴设备，如Polar、Samsung、Xiaomi、Verily和Apple智能手表。通常，收集长期数据（至少1周）的研究依赖于适合日常使用的商用智能手表，而在受控实验室环境中进行的研究使用了定制的硬件可穿戴传感器。

19项研究中有7项(36.8%)仅使用ECG信号，另外7项(36.8%)研究结合了ECG信号和其他生理或运动信号，如PPG、加速度、血压、皮肤电反应、皮肤温度和血氧饱和度。其他研究仅使用非ECG信号，如PPG、心率、皮肤温度和加速度，或来自皮肤-肌肉界面的电信号。数据收集频率从每小时到1200赫兹不等。原始信号或从信号中提取的特征被输入AI模型进行分析。

在19项纳入研究中，8项(42.1%)在可穿戴设备上直接部署AI模型进行数据分析和推理。其他研究将可穿戴传感器数据传输到云进行基于AI的分析，而少数使用混合方法，在可穿戴设备和云上部署AI模型。

AI算法特征

如多媒体附录6所述，除2项执行预测任务的研究外（一项预测心房颤动的早期预警或发作，另一项预测心脏骤停风险），所有其他研究都专注于检测。除3项使用监督AI模型进行回归任务以测量左心室射血分数和心房颤动负担外，其他研究使用监督AI模型进行分类。这些分类任务各不相同，包括二元分类（例如，正常与异常心血管状况）和区分多种心血管状况的分类。

大多数纳入研究使用预先存在的机器学习和深度学习模型，而非开发新的AI架构。应用的机器学习模型包括基于规则的分类器、逻辑回归、决策树、k近邻、随机森林、梯度提升机、支持向量机(SVM)、前馈神经网络和隐马尔可夫模型。深度学习模型主要包括低复杂度的一维或二维卷积神经网络(CNNs)，少数研究结合了残差层和注意力机制架构。在机器学习模型中，特征提取是一个单独的步骤，其中从原始可穿戴数据中手动设计有意义的特征，然后输入模型进行分析。相比之下，深度学习模型（如CNNs）直接将原始数据作为输入。这些模型在训练过程中通过卷积层自动学习和提取相关特征，消除了手动特征工程的需要。然而，深度学习模型通常更复杂，计算需求更高，推理时间更长，这是实时心血管监测的一个关键考虑因素。

监督AI模型开发的可穿戴传感器数据注释主要由心脏病专家在大多数研究中完成。然而，一些研究使用公共数据集（如MIT-BIH心律失常数据库）训练AI模型，随后在从研究参与者收集的数据上测试这些训练好的模型。根据具体任务，使用各种评估指标来评估AI算法的性能，其中准确率是最常用的指标。

结果综合

概述

研究问题1：AI驱动平台在使用可穿戴设备进行实时心血管状况监测方面的主要挑战是什么，以及如何解决这些挑战？

确定了与使用可穿戴设备进行实时心血管状况监测的AI驱动平台相关的几个挑战。本节讨论了确定的挑战以及审查研究中提出的解决或探索潜在解决方案以减轻其影响并改善心血管状况监测性能的策略。

决策中的延迟

部署AI驱动平台进行实时心血管监测的一个重要限制是关于心血管状况推理的延迟。这种延迟源于计算延迟，或推理时间，指机器学习和深度学习模型使用预训练算法提取特征和分析数据所需的时间。此外，一些平台实施接近实时推理，数据分析藏间进行而非连续进行。接近实时分析通常用于平衡临床相关性与计算效率，减少电池消耗并在需要基于云处理进行数据传输时最小化基于网络的数据使用。这对于可穿戴设备尤其关键，因为电池耗尽可能导致数据缺口和监测中断。例如，Zhu等人开发的平台以5分钟为间隔处理数据以解决这些权衡。然而，他们指出，此类间隔不足以捕获在较短时间框架内发生的短暂心律失常事件，这是一个重大限制。

如多媒体附录6所述，纳入研究中的AI推理时间差异很大，从毫秒到几秒不等，具体取决于平台和实施。报告的最快推理时间为100毫秒，其次是不到一秒、2秒、不到5秒和不到6秒。推理频率（通常对应于数据窗口长度的大小）在纳入研究中也差异显著。这些包括每秒处理、每5秒和每15秒。这些差异突显了AI平台开发者必须考虑的权衡，在实时响应性、计算需求和可穿戴及基于云平台的能源效率之间取得平衡。

运动伪影

运动伪影是基于可穿戴的心血管监测中的重大挑战，特别是对于基于ECG和PPG的平台，因为它们引入了干扰真实生理信号检测的噪声。通常由日常活动或运动等动态条件下的用户移动或传感器-皮肤接触不当引起，这些伪影降低了信噪比，并经常与心脏信号的频率范围重叠。这种重叠使区分真实心律和噪声变得复杂，损害了准确的心律检测，并增加了漏检的可能性。此外，在高身体活动期间信号损坏普遍时，用于过滤运动伪影和噪声的预处理会引入进一步的延迟。

Hu等人通过整合加速度计数据对用户活动进行分类并区分伪影和真实ECG信号来解决运动伪影问题。Ye等人通过重建多周期ECG段来保留相关特征，优化了运动伪影管理。在Nguyen等人开发的平台中，通过混合深度神经网络解决运动伪影问题，其中一维CNN过滤由运动或环境光干扰引起的低质量PPG信号，确保仅将可靠数据转发到二维CNN进行心房颤动检测的主要任务。

参与者依从性

依从性和参与者依从性仍然是基于可穿戴的心血管监测中的关键挑战。参与者通常难以及时持续为设备充电、佩戴设备并保持适当的传感器-皮肤接触，这对于获取可靠的PPG和ECG数据至关重要。虽然诸如电池充电提醒和传感器接触监测器等功能可以帮助通知用户低电量或设备佩戴不当，但依从率显示出显著的变异性。通知也必须受限，以防止使参与者不知所措，这有时会延迟必要的纠正。此外，依从性变异性与人口统计差异和个人行为相关，强调了开发个性化通知系统以提高依从性的重要性。

Poh等人强调了参与者依从性，报告每日设备佩戴中位数为18.3小时。通过自动通知鼓励用户在通过连续PPG检测到心房颤动时进行ECG采集，支持了依从性。这些通知鼓励持续使用并提高了在真实世界移动环境中的连续监测数据质量。

互联网和蓝牙连接

保持可靠的互联网和蓝牙连接是基于可穿戴的监测系统的重大挑战，特别是对于需要将数据传输到云进行基于AI的分析或传输到作为集线器的基站设备（如智能手机或计算机）的平台。这些连接的中断或不稳定可能导致延迟、数据丢失或不完整上传，损害系统的有效性和准确性。

电池寿命

电池寿命是基于可穿戴的监测中的关键挑战，因为需要频繁充电直接影响可用性和参与者依从性。虽然通知可以提醒用户为设备充电，特别是确保收集夜间数据，但保持一致的依从性仍然困难。参与者经常忘记或忽视定期为设备充电或佩戴，导致数据缺口，削弱系统提供有效连续监测的能力。

为增强电池寿命，Hu等人开发的可穿戴传感器节点集成了节能硬件组件和低功耗蓝牙通信模块，使500毫安时电池能够进行24小时监测。通过蓝牙低能耗到智能手机网关确保可靠的数据传输，在那里进行基于AI的分析。Ye等人通过超低功耗设计解决了其可穿戴心律失常监测处理器中的电池限制问题。

研究问题2：如何开发AI算法以支持稳健的心血管状况监测？

稳健性在心血管监测的AI背景下，指算法在可变、不完美或不可预见条件下维持性能的能力。Balendran等人进行了一项范围综述，探讨机器学习模型在医疗保健应用中的稳健性概念。他们确定了8个关键稳健性概念，详细说明如下，并在多媒体附录7中概述，突出显示这些概念是否在审查研究中得到解决。虽然本节考虑了所有8个概念，但多媒体附录7中未包含第八个概念，因为没有纳入的研究解决它。

输入扰动和更改

从可穿戴设备（如ECG和PPG）收集的数据中的噪声等扰动通常由身体运动引起的运动伪影等因素造成。审查研究的方法中解决了这些更改，包括应用信号处理技术（如过滤）、使用加速度数据补偿运动，或仅在不存在运动伪影时分析ECG和PPG信号。然而，审查研究解决这些伪影的程度仅限于方法层面，未全面验证其平台对日常生活中持续发生的各种更改的适应能力。

缺失数据

缺失输入数据，如对随机和非随机数据缺失的稳健性，是依赖可穿戴设备的AI驱动平台的关键挑战。由于参与者未佩戴设备、设备断电或缺乏互联网或蓝牙连接等原因，经常发生缺失数据。然而，审查研究未在其提议的平台上解决这一稳健性概念。为最小化缺失数据，必须通过鼓励一致佩戴、定期充电以及保持可穿戴设备的互联网或蓝牙连接来提高参与者依从性。此外，当发生缺失数据时，应使用插补策略来减轻其对AI算法性能的负面影响。

标签噪声

标签噪声指用于训练AI模型的标签中的不确定性或不准确性，如不同专家意见引起的不一致。一些审查研究使用公共数据集训练其AI模型，然后将这些训练好的模型应用于监测招募的参与者。然而，这些研究未能检查由公共数据集和参与者收集数据之间的差异引起的标签噪声。例如，Pramukantoro和Gofuku在医院环境中收集的MIT-BIH数据集上训练其模型，并将其部署用于监测家庭环境中的参与者。此外，虽然一些研究报告了由心脏病专家注释其数据集，但未提供有关注释协议的详细信息，如注释者之间的一致性，或分析注释变异性如何影响数据集质量和AI模型性能。

数据不平衡

数据不平衡指一个或多个类的样本数量显著少于其他类的情况。当少数类代表重要事件（如心脏骤停发生与未发生）时，这一问题至关重要，或在回归问题中，感兴趣的值（如非常低的心率）代表性不足。如果不解决，基于此类数据训练的AI模型容易过度拟合多数类，导致无法检测或预测关键心脏事件。虽然一些研究承认并使用合成少数类过采样技术或有利于少数类的加权损失函数等技术解决此问题，但纳入研究中的大多数未能讨论或缓解这一挑战，限制了其模型的稳健性。

在不平衡数据集的背景下，仅依赖准确率可能会产生误导，因为它可能反映多数类的性能，同时掩盖少数类的分类不良。更适合不平衡场景的指标包括精确率-召回率曲线下面积、接收者操作特征曲线下面积、F1分数、精确率、召回率、特异性、真阴性率和假阴性率。这些指标提供了模型性能的更全面评估，特别是在心血管监测等高风险应用中，无法识别罕见但关键的状况可能导致严重后果。

特征选择

在从可穿戴数据中提取的特征上使用特征选择技术允许模型专注于心血管状况推理中最重要和最相关的特征。选择最重要特征并移除冗余特征可增强模型泛化能力并减少过拟合。此外，减少特征数量有助于避免维度灾难，使AI管道更轻量级，更适合实时推理。在审查的研究中，没有明确实施特征选择技术；相反，它们直接将原始传感器数据或提取的特征作为AI模型的输入。一项研究在CNNs中使用了注意力机制，使网络能够关注输入数据或特征的特定部分，这些部分在区分类别方面更有效。

模型规范和学习

它涉及对AI模型选择、参数化和训练中出现的变异性进行稳健性。纳入的少数研究通过使用各种技术解决了这一稳健性概念。例如，一些研究使用多种机器学习算法或同一算法的不同版本来增强平台对模型类型和参数变异性的稳健性。其他研究在AI算法的开发和验证阶段实施了交叉验证技术，以确保其性能的稳定性和可靠性。

外部数据和领域转移

这一稳健性概念涉及在不同人群、任务和护理环境中评估模型性能，如不同环境、年龄组、性别和种族。它与偏差相关，因为在同质数据集上训练的模型可能无法很好地推广到代表性不足的群体。确保稳健性有助于减轻偏差并提高真实世界应用中的公平性和可靠性。审查研究中人口统计的分布和多样性各不相同。在报告人口统计信息的研究中，数据通常不平衡，将AI模型偏向多数年龄组、性别、种族或健康状况。在训练过程中纳入代表性的目标人群比例至关重要，以确保与AI模型将在真实世界环境中部署的人群保持一致。

对抗性攻击

对抗性攻击涉及对输入数据进行故意更改以操纵模型预测。在可穿戴心血管监测中，此类攻击可能会微妙地扭曲ECG或PPG信号，导致心律失常误分类或错过检测心房颤动等状况。这些对人类不可见的微小变化可能严重影响模型性能。然而，没有审查研究解决或评估对抗性攻击对其AI模型的潜在影响。

研究问题3：如何优化AI算法和部署流程以实现实时心血管状况监测？

本节检查了优化AI算法和部署流程以实现实时心血管状况监测的方法。讨论了审查研究中提出的策略，特别是那些探索优化技术的策略，涉及其在提高平台性能、计算效率和实际应用适用性方面的有效性。

AI算法优化

Zhu等人通过混合决策模型优化其实时推理的AI算法，该模型将干净数据的机器学习分类器与嘈杂数据的统计启发式相结合。先进的信号预处理技术，包括噪声过滤和运动伪影检测，提高了在真实世界使用中的稳健性。该模型处理5分钟数据间隔以平衡计算效率与准确性，实现了高心房颤动检测准确性。Pramukantoro和Gofuku展示了轻量级机器学习模型的使用，使实时心血管监测的推理时间不到1秒。Ye等人实现了事件驱动的神经网络架构，其中仅在达到预定义信号阈值时触发数据分析。这种选择性激活最小化了不必要的计算，实现了高效的实时处理。Mary等人在ECG分类平台中使用模块化线性判别分析进行降维。模块化线性判别分析从ECG信号中提取最相关的形状、纹理和统计特征，降低了维度同时保留了关键信息。此过程提高了其深度神经网络在实时分析中的效率和准确性。

后端或服务器端处理

Hu等人通过在智能手机网关而非可穿戴设备上运行心律失常分类算法优化了AI部署。智能手机处理通过蓝牙传输的ECG数据，实现通过分层隐马尔可夫模型的实时推理，减少了可穿戴设备上的计算需求，提高了系统整体效率和可扩展性。Lin等人使用带蓝牙低能耗的可穿戴ECG设备将实时数据传输到智能手机应用程序，该应用程序提供ECG信号的即时分类（正常或异常）。对于详细分析，数据通过Wi-Fi或移动互联网传输到云服务器，实现远程高精度分类和云数据库存储。此两级系统确保了设备端和基于云推理的无缝集成。Nguyen等人在可穿戴设备上部署了一维CNN进行质量评估，实时评估PPG信号是否符合进一步分析所需标准，而云中的二维CNN执行心房颤动检测的主要任务。

硬件效率改进

Zhu等人设计其系统以专注于高效数据处理和实时推理，同时最小化计算和能源需求，实现多样化环境中的无缝监测。Ye等人报告其系统实现了快速的0.2秒响应时间和显著降低的能耗，在分类模式下仅为842纳瓦。

讨论

主要发现

在本范围综述中，确定了19项研究，报告了开发或利用集成可穿戴设备的AI驱动平台进行实时心血管状况监测。这些研究利用各种可穿戴传感器获取多模态生理数据，随后由AI算法处理以检测或预测心血管事件和状况。先前的综述已分别证明基于AI的可穿戴平台用于心血管监测以及一般医疗保健应用中的实时监测的可行性和成功。基于这些发现，当前综述全面整合了AI、可穿戴技术、实时能力和心血管状况，调查该领域的研究状态。研究结果与早期文献一致，支持此类集成平台的前景，同时也揭示了关键领域仍未得到充分探索，特别是关于泛化性、稳健性和真实世界部署。

纳入的研究在不同国家和研究环境中进行，范围从受控实验室环境到真实世界临床和基于家庭的环境。参与者信息在完整性方面各不相同，几项研究缺乏关于年龄和性别分布的一致报告。大多数研究专注于检测心房颤动，表明对其他心血管状况的探索有限。使用了各种可穿戴设备，包括商用系统和定制原型，从ECG、PPG和运动传感器等模态捕获生理数据。使用的AI模型涵盖了从传统机器学习技术（如SVMs和决策树）到更复杂架构（如配备注意力机制和混合模型的CNNs）。虽然大多数研究报告了有利的性能指标（如高准确性、敏感性或特异性），但这些指标并非总是统一提供。此外，稳健性考虑往往被低估，只有少数研究通过数据增强、加权损失函数或外部验证等方法解决输入噪声、缺失数据、类别不平衡或领域转移。这些观察突显了研究中方法质量的变异性，并强调了仍需解决的重要局限性和挑战。

局限性和未来建议

真实世界环境中的平台验证

旨在监测心血管状况的可穿戴传感器平台，特别是那些如果管理不当可能重新住院或死亡的关键状况，需要进行全面的性能评估。此外，在将其用于临床使用前，在真实世界环境中对其进行验证至关重要。当平台旨在社区环境中连续使用时，这一点尤为重要，因为它必须在延长期内可靠运行。当平台旨在提供心血管状况的实时推理时，验证需求变得更加关键，因为这需要高准确性、低延迟、参与者依从性和在动态真实世界条件下的可靠性。当前研究文献中存在关于在真实世界环境中验证所提平台的重大差距，突显了进一步研究以评估和改进其在实际条件下的性能、可靠性和可扩展性的需求。

缺乏对真实世界参与者的真实评估

在筛选过程中，许多研究因仅依赖公共数据集（如MIT-BIH数据集的子集）而被排除，未招募参与者进行主要数据收集。因此，这些评估未评估平台对实际用户的可用性、舒适性或有效性。例如，深度学习模型可能在基准数据集上展示高心房颤动检测准确性，但可能未考虑真实世界参与者中观察到的信号质量、用户行为或设备依从性的变异性。同样，虽然定制ECG硬件在技术上可能表现良好，但在真实个体上测试时可能因不适或实际限制而不适合连续佩戴。

缺乏在真实世界环境中的评估

大多数纳入研究在受控医院或实验室环境中进行测试，只有少数在无人监督的社区环境中评估其平台。然而，了解AI驱动可穿戴平台的有效性和可用性需要在真实世界环境中进行部署，参与者独立生活且不受研究人员或临床医生监督。真实世界环境引入了关键因素，如运动伪影、设备使用不一致、电池限制和可变连接，所有这些都影响平台可靠性。重要的是，心血管事件通常发生在临床环境之外，强化了需要反映这些真实使用条件的评估。

缺乏平台可用性、可接受性和依从性验证及共同设计

审查研究未充分评估其平台对关键利益相关者（包括患者、护理人员和临床医生）的可用性、可接受性和依从性。可穿戴设备的物理特性（如形状、大小和重量）、患者坚持一致佩戴设备、警报频率和类型（如心脏骤停警告）以及配套智能手机或网络应用程序的可用性等重要因素需要与最终用户共同设计，以确保在真实世界环境中的成功部署和接受。提高真实世界可用性的主要考虑因素是平台生成警报的频率和可靠性，这与底层AI算法的稳健性密切相关。高假阳性率可能导致警报疲劳，使用户失去信任并可能忽略即使是关键警报。

为减轻这些风险，未来工作应纳入参与式设计方法和来自患者、护理人员和临床医生的迭代反馈。在平台开发和部署后改进中持续让利益相关者参与可以提高可用性、建立信任并提高依从性，从而支持在真实世界中的成功采用。

实时和稳健AI算法开发和验证中的局限性

用于实时心血管监测的浅层和深度学习模型之间的权衡

大多数审查研究使用了传统机器学习模型，如决策树、SVMs和轻量级CNNs。由于其较低的计算需求和支持实时推理的能力，这些模型受到青睐，这对于及时的心血管状况监测至关重要。在许多情况下，浅层模型展示了与深度学习架构相当的性能指标，引发了关于增加模型复杂性是否合理的疑问。从部署角度看，特别是在边缘设备上，更简单的模型在延迟更低、功耗更低和集成更容易方面具有优势。然而，AI研究的最新进展引入了更复杂的架构，如Transformers，它们在分析ECG和PPG信号等序列数据方面展示了改进的性能。这些模型能够捕获长程时间依赖性，这对于检测心血管信号中的细微模式很有价值。然而，其高计算成本通常限制了其在实时或设备上场景中的使用，除非应用优化技术。模型剪枝、量化和知识蒸馏等方法可用于减少模型大小和推理时间，使这些架构更适合在资源受限环境中的部署。

AI支持心血管平台的边缘与云部署模型

虽然边缘部署支持延迟最小的设备上处理，但几项研究使用卸载技术将数据发送到智能手机网关或云服务器进行分析。尽管云基础设施具有可扩展、低延迟AI部署的潜力，但审查研究中未使用专为AI设计的现代云工具，如Google Cloud Vertex AI、AWS SageMaker和Azure AI。这些平台提供高效训练、部署和维护AI模型的能力，包括支持实时推理和符合医疗保健数据标准。它们的使用可以显著增强AI支持心血管监测系统的灵活性、性能和可维护性。未来研究在设计AI驱动平台时应考虑边缘和云部署模型之间的权衡。虽然边缘计算确保隐私和即时反馈，但云部署能够实现更复杂的模型并集中更新和维护。两种部署策略都涉及延迟、能源消耗、数据隐私和可靠性方面的特定考虑，必须根据目标应用和环境进行评估。

心血管监测AI算法中的稳健性和伦理考虑

根据Balendran等人定义的8个稳健性维度，基于研究问题3审查了纳入研究的稳健性。输入扰动（如ECG和PPG信号中的运动伪影或生理噪声）得到最小程度的解决。一些研究应用了基本信号过滤，但很少使用高级噪声缓解策略。由于传感器脱离或传输问题导致的缺失数据很少讨论。忽略此类缺口的模型可能产生有偏输出。纳入插补方法或连续性感知算法可以提高弹性。数据不平衡很常见，正常心血管状态远远超过异常状态。许多研究仅报告准确性，这对于不平衡数据集来说是不够的。精确率、召回率、特异性、F1分数和精确率-召回率曲线下面积等指标提供了更全面的视图。外部验证通常缺失，引发了对模型应用于不同人群或设备时的泛化性和算法偏差的担忧。

对抗性稳健性虽然至关重要，但未得到明确探索。可穿戴数据容易受到操纵或扭曲。为减轻此类漏洞，可以使用对抗性训练或输入预处理等技术。云部署模型通常由加密数据传输和健康保险便携性和责任法案合规存储支持。然而，更高级的隐私保护策略，如联邦学习和带有差分隐私的分割学习，通过避免传输原始数据提供更好的保护。这些方法使跨设备协作模型训练成为可能，仅共享模型参数或组件。

可解释性是另一个未充分解决的维度。机器学习和深度学习模型，包括CNNs和Transformers，通常被视为黑箱。为促进临床采用，应应用可解释性技术。注意力机制、Grad-CAM和SHAP等工具可以帮助识别对预测有贡献的关键信号段或特征。这使临床医生不仅能够检测心血管状况，还能理解潜在原因，支持更明智的决策。

这些观察共同突显了需要更稳健、透明和符合伦理的AI系统。解决这些稳健性维度对于推进安全、可靠并适用于真实世界医疗保健环境的AI驱动心血管监测平台至关重要。

其他方法学和报告局限性

在所有需要实时监测的心血管状况中，纳入研究仅涉及有限的子集，大多数专注于心房颤动检测。中风等关键状况仍未得到检验。许多研究还缺乏必要的方法学细节，包括完整的人口统计信息、研究持续时间和数据收集频率。这些遗漏限制了研究结果的可解释性和可重复性。

AI算法应用于可穿戴数据进行心血管监测的方式也存在不一致性。虽然连续数据收集和推理是可取的，但电池寿命、网络可靠性和参与者依从性等实际限制通常需要妥协。为确定适当的监测频率和系统设计，平台工程师和心血管临床医生之间的合作至关重要，因为需求因状况而异，如心房颤动检测、心脏骤停检测和早期预警应用。

方法学局限性和审查范围

本审查使用系统且可重复的方法，由公认的范围审查框架指导。搜索策略与图书馆科学专家合作开发，以确保从技术创建至今的相关文献得到全面覆盖。然而，应承认一些方法学局限性。排除非英文论文可能导致遗漏以其他语言发表的相关研究。灰色文献和预印本也被排除，可能导致选择偏倚。尽管搜索了多个数据库，但无法排除某种程度的发表偏倚或数据库覆盖不完整。此外，由于纳入研究主要关注心房颤动以及不同心血管状况和人群的代表性不足，研究结果的普遍性可能有限。

结论

集成可穿戴设备的AI平台在社区环境中实时心血管状况监测方面展现出强大的潜力。通过利用AI算法分析来自可穿戴传感器的数据，这些系统能够早期检测心房颤动和心脏骤停等状况，使临床医生或护理人员能够及时干预。然而，大多数审查的研究仅限于医院环境中的短期评估，在无人监督的真实世界环境中验证有限。关键挑战包括数据收集和推理频率的不一致性、缺乏模型稳健性评估，以及在隐私、可解释性和算法偏差等方面的伦理考虑有限。很少有研究解决了诸如对输入噪声、数据集不平衡或领域偏移的稳健性等维度，而这些对于安全部署至关重要。在不同人群中的可用性和依从性验证仍未得到充分探索，与参与者依从性、电池限制和以用户为中心的设计相关的问题也是如此。为推进这一领域，未来研究应：(1)在多样化的社区环境中验证平台并进行长期使用；(2)在真实世界约束下优化和测试稳健的AI模型；(3)解决可用性、可接受性和与利益相关者的共同设计；(4)评估隐私保护技术和可解释性工具以建立信任；(5)开发数据收集和模型评估的标准化协议。

跨学科合作对于增强AI支持的心血管监测系统在实际应用中的实用性、公平性和可靠性至关重要。

【全文结束】