搜索归档

利用可穿戴传感器检测高血压迹象

谷歌研究团队开发了一个叫 AI-PPG-ACC-HTN 的 AI 系统，用普通智能手表上的光学和运动传感器被动检测高血压迹象，不需要用传统袖带做校准。高血压早期几乎没有症状，很多人不知道自己患病，而现有的无袖带设备通常要先用手臂袖带读数校准，只能看相对变化。新方法不直接估算某一时刻的血压数值，而是把多天的生理信号汇总，判断一个人是否长期处于高血压状态；它用 2109 名参与者的数据训练，并在 196 人的临床研究中与 24 小时动态血压监测这一金标准对比，初筛灵敏度 65.8%、特异度 90.0%，确认场景下灵敏度 78.4%、特异度 90.9%，与传统袖带流程相当。这些发现已用于 Google Health 应用中的血压趋势功能；不过文中摘要末尾被截断，该系统是否作为独立诊断工具开放、具体上线范围如何，材料没有说完，且明确表示并非用于替代诊断。

我们如何在生产环境中持续验证形式化规范

Datadog 的工程师为事件数据库 Husky 写了一份 TLA+ 形式化规范，用来描述系统哪些状态是合法的。问题是，规范只写一次，系统却一直在改，几年后放置逻辑变了，允许两个冲突的放置同时存在约一年，平时没事，但一旦放置数据丢失、系统回填时，两个冲突就足以让回填崩溃。他们做了 FETCh 工具，把 TLA+ 规范变成运行时的检查器，拿真实生产行为对照规范，于是发现了常规测试没抓到的这个 bug。对读者的意义是：形式化规范可以和线上系统持续对账，避免规范悄悄过期带来的虚假安全感；目前这是 Datadog 自建并用于 Husky 路由系统的实践。

MulitiModal：面向按摩椅与日常身心健康场景的中医多模态科研系统

lora-sys/MulitiModal · 多模态人体状态感知 → 中医体质分析 → 智能按摩方案推荐 | OPLRI + TCM + EEG pretrained models · Gradio demo

MulitiModal 是一个中医多模态参考研究系统，探索证候分类、体质多维评分与按摩前生理状态分析三条研究路线。项目内嵌受 AutoResearch 启发的自主科研实验闭环，支持证候研究线（基于 TCM-SD 中文主诉文本预测 148 类证候）和体质研究线（基于人口学与人体测量特征预测 8 维偏颇体质得分），并提供只读监控仪表盘、冠军模型交付验收脚本和双模式服务演示。项目明确输出仅供健康参考，不构成医学临床诊断依据，不宣称临床疗效。