当谈到汽车时，无论维护得多好，发动机检查灯迟早都会亮起。不可避免地，需要打开引擎盖或去修理厂解决问题。人体没有“检查发动机”灯，但可穿戴传感器可以通过强大的数据功能填补这一空白。
“我们大多数人手腕或手指上都佩戴着健康和健身追踪器，这是了解我们的生物学特征和身体运作方式的一个绝佳窗口。”亚利桑那大学健康科学中心生物医学信息学与生物统计学助理主任、博士Shravan Aras说道。
Aras还担任助理研究教授，他希望通过将可穿戴传感器纳入研究并优化可穿戴数据的探索和分析方式，来帮助其他科学家充分利用这些设备。随着人工智能和机器学习的发展，这一领域正迎来巨大的进步机会。
“我一直对从无到有构建事物的过程感到着迷，比如编写代码来创建工具。我热爱编写代码、进行分析、设计硬件，并看到最终用户使用它们，”Aras说，他是在亚利桑那大学获得计算机科学博士学位的。
“我从未将计算机科学视为孤立的学科，而是作为一种协作工具——应用于不同领域以解决复杂问题。”
使用人工智能预测分娩时间
其中一个挑战是准确预测孕妇何时会进入分娩阶段。预产期通常根据女性最后一次月经周期后推40周计算，但人类妊娠长度可能在37至42周之间变化。目前尚无临床工具能精准提示即将分娩的时间，孕妇只能通过自我报告分娩迹象来判断，而这种方法存在较高的假阳性率。
如果分娩突然发生，可能会因意外的家庭分娩、医护人员无法及时干预早产，或者建议提前引产等原因影响产妇健康，特别是当孕妇远离医院时。
认证助产士、亚利桑那大学医学院图森分校生理学副教授、BIO5研究所成员Elise Erickson博士正在寻找解决方案。
她邀请Aras合作开展一项研究，探讨利用体温数据预测分娩开始的可能性，这在动物中已被广泛采用。在人类中，体温可以帮助确定排卵和生育时间。
这项研究已发表在《BMC妊娠与分娩》期刊上。
“一些专注于生育和排卵追踪的公司每天测量一次体温。体温与孕激素之间存在一定关系，这就是他们能够判断排卵时间的方式。”Aras说。
“但在怀孕期间，身体会发生很多不同的变化。它不像仅仅判断体温升高或降低那么简单。对于分娩预测，每日体温读数并不能提供某人何时可能分娩的一致模式。”
研究团队与一家可穿戴传感器公司合作，该公司使用戒指每分钟记录体温，而不是每天一次。面对海量数据，Aras领导团队开发了一种基于深度神经网络的人工智能模型来分析这些数据。
深度神经网络模拟了人类大脑的活动。它们由多层结构组成，其中一层输入数据，另一层输出结果。中间有多层隐藏层，负责执行复杂的计算，类似于大脑处理信息的方式。除了处理数据外，深度神经网络还能通过算法比较预测结果与实际输出，从而提高准确性。
通过将深度学习技术应用于连续的体温数据，研究人员成功准确预测了分娩日期。该模型在距离真实分娩七天前的4.6天内和十天前的7.4天内，准确预测了79%的自发分娩时间。
“我们开发了基于深度神经网络的人工智能模型，利用这些高频率的体温数据——每分钟一个数据点——得出了母亲可能分娩时间的预测结果。”Aras表示。
研究团队希望在更大规模的研究中测试该模型，以进一步优化其临床适用性。他们的目标是开发可以添加到现有可穿戴产品或医疗设备中的软件。
感知压力
在另一项研究中，Aras专注于优化传感器收集数据的使用。他是论文《绿色更好吗？利用心率变异性（HRV）和唾液皮质醇生物标志物量化自然步行对减压的影响》的第一作者，该论文发表在《国际环境研究与公共卫生杂志》上。
这项研究利用了八年前在贝塞斯达沃尔特·里德国家军事医疗中心收集的数据，当时那里建造了“绿色之路”。这条“绿色之路”是一片两英亩的花园，位于一片八英亩的森林峡谷中，环绕着一条天然溪流。其1.2英里的木径路被认为是全国最大的野生型疗愈花园之一。
参与者分别在两天内步行20分钟：一条是绿树成荫、植被茂密的“绿色之路”；另一条是被混凝土、建筑物、停车场、标识包围的城市道路，周围只有少量草地和树木。
来自Uniformed Services University的研究人员从可穿戴传感器中收集了心率变异性指标，从唾液样本中测量了皮质醇水平，并通过自评量表评估了情绪和专注度。
亚利桑那大学健康科学研究团队包括Esther Sternberg博士（医学院图森分校安德鲁·威尔综合医学中心主任兼研究主任）和J. Ray Runyon博士（威尔中心助理研究主任及农业、生命与环境科学学院助理研究教授），他们分析了数据，寻找参与者在压力反应方面的显著差异。
“我对这个想法非常感兴趣，”Aras说，他在与两位医学院导师——心血管外科医生Zain Khalpey博士和生理学教授John Konhilas博士合作后，将自己的研究重点从卫星转向健康科学。
“由于我之前处理过心脏信号如心电图（ECG），我对不同的心率变异性指标有一定了解。我不满足于简单地对比步行前后的HRV，而是想弄清楚HRV是如何变化的，以及它是否与通过唾液测量的皮质醇水平相关。”
他们发现，在“绿色之路”上步行比在城市道路上步行对压力反应有显著的积极影响。对于所有参与者来说，步行有助于降低皮质醇水平，而在“绿色之路”上步行相比城市道路，皮质醇下降幅度更大。
然而，心率变异性指标并非如此简单。Aras指出，团队发现自主神经系统压力反应的个体差异很大，有些人在HRV方面表现出显著的正面影响，而另一些人则几乎没有变化。
“我们意识到，HRV的变化高度依赖个人体验。”Aras说。“有一个人在‘绿色之路’上看到了一条蛇，你可以看到他的HRV在那一刻骤降，同时也能看到皮质醇的小幅上升。但这些都是我们无法控制的因素。”
虽然“绿色之路”研究未使用人工智能，但Aras提到，目前正在与BIO5研究所成员Sternberg博士和Runyon博士合作开展的一个分支项目采用了AI。当前研究使用人工智能通过数字化的汗液生物标志物评估人的压力反应。团队希望在今年夏天发表他们的研究成果。
这两个项目只是人工智能在健康科学研究中应用的冰山一角。Aras表示，人工智能使研究人员能够更快、更高效地收集和处理大量数据。将人工智能与可穿戴传感器结合，带来了改善人类健康的巨大机遇。
“人工智能让我们能够创建优化且高效的模型，使其能够自行学习并为我们得出不同的推论。”Aras说。
“我现在感兴趣的是帮助人们更好地利用几乎每个人都在使用的这些传感器设备。我的目标是能够预测那些尚未出现症状的情况，并采取前瞻性措施，而不是被动地应对症状。我希望通过传感器预测某些事情的发生。”
(全文结束)