美国塔夫茨大学研究人员开发出一种能“读懂”肤色的新型血氧监测设备。这款血氧仪可自动识别使用者的皮肤反射特征，并动态调整测量参数，从而提高不同肤色人群血氧、心率和呼吸频率检测的准确性。实验显示，该设备在不同肤色受试者中测得的血氧饱和度结果与标准设备高度一致，且未发现明显肤色相关偏差。相关成果发表于最新一期《新英格兰医学杂志》。

脉搏血氧仪是临床常用的无创生命体征监测设备，通过发射红光和红外光，利用氧合血红蛋白和脱氧血红蛋白对不同波长光的吸收差异，计算血氧饱和度。然而，由于皮肤色素、血流状态和年龄等因素会影响光信号的传播和反射，传统设备在部分人群中的测量准确性可能受到影响。

为解决这一问题，研究团队开发了名为“ChromaSense”的可穿戴监测系统。该设备采用手表大小的装置佩戴于手腕，通过检测皮肤和组织反射光线获取数据。与固定光照参数的传统设备不同，ChromaSense会先分析使用者的皮肤反射特征，再动态调整发射光强和信号处理算法，以适应不同个体的差异。

此前，在对50名不同肤色参与者的测试中，ChromaSense测得的血氧饱和度与标准参考血氧仪结果误差仅为1.4%。在最新研究中，团队进一步在美国加州大学旧金山分校低氧研究实验室开展测试，让受试者血氧饱和度在70%—100%范围内变化，并与直接检测血液氧含量的参考设备进行对比。

结果显示，ChromaSense测量误差控制在2.87%以内，达到美国食品和药物管理局的性能要求。在黑人、亚洲人、西班牙裔、白人及多种族背景参与者中，该设备均未出现明显的肤色相关偏差。

研究团队介绍，ChromaSense采用的核心技术为光电容积描记术（PPG）。该技术通过捕捉人体微血管血容量随心跳变化产生的光学信号，获取心率、呼吸频率和血氧等生理指标。

此外，研究团队还计划进一步扩展ChromaSense功能，实现无袖带血压监测。目前，团队已利用机器学习模型分析大规模医疗数据库中的PPG波形数据，根据不同人群特征预测血压变化。在对2315名ICU患者数据的分析中，该模型预测收缩压和舒张压的准确率最高可达90%。

研究团队表示，未来将尝试把这一机器学习模型集成到ChromaSense设备中，使其成为能够适应不同人群特征的综合健康监测平台。