威斯康星大学：研制一种基于锁相相机的高光谱成像（HSI）框架，突破了传统系统受环境光波动影响的局限。

远距离生物特征检测与远程健康评估是现代医疗健康领域的重要发展方向，其核心需求是在非接触、远距离场景下精准获取心率、血氧饱和度、血压等关键生理参数。

高光谱成像（HSI）作为一种融合图像与光谱信息的技术，能够通过多波长信号解析生物组织的生理状态，凭借非侵入性、多参数检测优势，在生物传感领域展现出巨大应用潜力，广泛适用于远程体检、重症监护、公共卫生监测等场景。

与传统单一波长生物传感技术相比，高光谱成像可同时捕获多个波长下的生理信号，能更全面地反映生物组织的动态变化，检测精度和信息维度更具优势。

然而，传统高光谱成像系统存在显著技术瓶颈：对环境光波动极为敏感，在自然光照变化、室内光源干扰等复杂环境下，信号易受噪声污染，导致检测稳定性大幅下降，难以满足实际场景中的精准检测需求。

此外，现有系统在多参数同步检测的精度与效率平衡上仍有不足，限制了其在远程健康评估中的规模化应用，亟需开发具备抗环境干扰能力的高稳定性高光谱成像技术。

为此，威斯康星大学麦迪逊分校喻宗夫教授和邵泽伟博士（上硅所校友）研究团队在高光谱生物传感技术领域取得重要进展，提出了一种基于锁相相机的高光谱成像（HSI）框架，突破了传统系统受环境光波动影响的局限。

该团队核心创新在于设计了“特定波长照明快速调制+同步检测”的技术方案：通过精准调控照明波长的动态变化，并使锁相相机与照明调制同步工作，有效过滤环境光噪声，实现了复杂环境下稳定的高光谱视频重建。

为验证系统性能，团队开展了系列实验：在光体积描记术测试中，该系统心率估算误差低于3次/分钟，显著优于传统高光谱成像系统（误差通常超10次/分钟）；采用660纳米和940纳米双波长照明方案，成功提取血氧饱和度（SpO₂）动态数据，最大误差控制在3%以内，且在波动光线下的平均精度较传统技术提升2.7倍。

在此基础上，团队利用高保真光体积描记信号训练机器学习模型，进一步实现了血压和心电图波形的精准重建。该研究不仅解决了传统高光谱成像系统稳定性不足的关键问题，还实现了多生理参数的同步精准检测，为高光谱生物传感技术的实用化提供了可行路径，将有力推动远程健康评估领域中稳定、多参数生物特征检测技术的发展。

从传统光谱成像的困境说起 常见的RGB相机或传统高光谱相机，本质上都是“被动接收光”。它们在成像时无法区分：哪些光来自主动照明，哪些来自环境背景。只要环境光发生变化，图像强度和光谱分布就会整体漂移（图1中左、中的示意）。研究团队提出的锁相高光谱方案，则引入了“主动节奏”：不同波长的LED光源被调制到特定频率，传感器在像素层面只对对应频率的信号“开门接收”，其余环境光被自动滤除（图1右）。这一步，相当于在嘈杂环境中，只听“自己约定好的暗号”。在系统中，调制光与传感器内部的参考信号进行混频，经过低通滤波后，仅保留与目标光源同步的直流分量。低频的环境光扰动和1/f噪声被有效抑制，使得即便在3000 K 到 6000 K 甚至更剧烈的光照变化下，获取的高光谱图像在亮度和颜色上依然保持高度一致。这种“频率域隔离”策略，是整套系统鲁棒性的核心。   图1：不同成像体系对环境光的响应对比，以及锁相高光谱成像的工作原理示意 真实场景中的远程心率测试 为了验证系统在现实生活中的表现，研究人员设计了多种典型使用场景：阅读、打游戏、交谈、睡眠等（图2d）。这些场景共同特点是光照变化复杂且不可控。结果显示，传统高光谱相机在这些条件下信号波动剧烈，而锁相相机采集的面部反射强度始终平稳（图2c）。由此提取的远程光电容积脉搏波（rPPG）波形清晰、峰值明确（图2e），最终计算得到的心率误差显著降低，最大误差不再出现动辄二三十 bpm 的“灾难性偏差”（图2f）。   图2：在阅读、游戏、交谈、睡眠等真实场景下的远程心率检测稳定性对比 从单一心率到血氧饱和度 在稳定获取rPPG信号的基础上，团队进一步引入 660 nm 与 940 nm 双波长照明，用于血氧饱和度（SpO₂）计算。通过比较两个波段的交流/直流分量比值，系统可以实时追踪血氧变化（图3a）。在呼吸屏气实验中，即便人为制造环境光剧烈波动，锁相系统给出的SpO₂曲线仍与接触式设备高度一致，而常规高光谱方法则明显失真（图3c,d）。这表明该方法已具备临床意义上的可靠性。   图3：基于双波长rPPG的血氧饱和度测量及其在动态光照下的鲁棒性 高质量信号带来的“附加价值” 稳定、低噪声的rPPG信号，不仅能测心率和血氧，还蕴含更丰富的生理信息。研究团队利用机器学习模型，将锁相相机采集的rPPG作为输入，成功重建了心电图（ECG）中的P、R、T波形特征（图4c–f），相关系数超过0.92。同时，系统还实现了对收缩压和舒张压的准确预测（图4g）。相比之下，使用常规高光谱数据训练的模型因噪声过大而难以泛化。这一结果凸显了“信号质量”在智能医疗中的基础性作用。   图4：利用高质量rPPG信号重建心电图与血压的机器学习结果展示 小结 这项研究通过将锁相放大思想引入高光谱成像，从硬件与信号机制层面破解了环境光干扰这一长期难题，使非接触生理监测首次在真实复杂光环境下展现出接近临床级的稳定性与精度。更重要的是，该框架并不局限于心率或血氧，而是为多参数、连续生命体征感知提供了通用底座。未来，随着系统小型化、算力优化以及与车载、家居设备的深度融合，这种“不怕光变”的光谱传感技术，有望真正走出实验室，进入日常健康监测与智慧医疗场景。  

审核编辑 黄宇