新生儿非接触式生命体征监测技术研究及进展2026

新生儿非接触式生命体征监测技术研究及进展2026新生儿生命体征监测对于评估新生儿健康状况至关重要，尤其是在新生儿重症监护病房（neonatalintensivecareunit，NICU）中，生命体征的监测有助于及早发现一些疾病征兆

［1］，如坏死性小肠结肠炎、败血症［2］等。同时，生命体征的变化趋势也可以作为治疗方案调整的依据。生命体征的实时远程监测是NICU提供优质护理的重要组成部分，有助于降低新生儿的病死率和发病率［3］。目前广泛应用的接触式监测手段（如三导联监护仪等）易引起新生儿皮肤损伤、感染风险以及不适感增加等问题。而非接触式监测方法由于无需导线和电极、非接触性、无创性等特点，具有降低感染风险、提高舒适度、提高监测效率、减少皮肤损伤以及可长时间连续监测等显著优势［4-5］，在新生儿领域具有巨大发展前景。目前非接触式生命体征监测在成人领域取得较大发展，但由于新生儿生命体征具有不同于成人的特点，包括生理信号较微弱、随机运动多、NICU环境复杂等，均增加了非接触式生命体征监测的难度［6］，在成人应用基础上还需要针对新生儿生命体征监测特有难点进一步研究。本文旨在通过介绍目前在新生儿领域研究应用的非接触式生命体征监测主要方法的原理及研究现状，对比分析不同方法的优势及局限性，展望未来新生儿非接触式生命体征监测技术可能的研究发展方向。一

基于可见光的非接触式生命体征监测在可见光层面进行生命体征监测主要涉及成像光电容积脉搏波描记法（imagingphotoplethysmography，iPPG）和运动放大技术。iPPG进行生命体征监测的原理是基于PPG。随着心脏搏动和呼吸运动，血管内血液容积发生变化，这一变化可导致皮肤对光的吸收量变化，血红蛋白含量亦可导致光强变化，光电传感器检测这些光强变化可以得到PPG信号。iPPG技术在此原理基础上用摄像头替代传统接触式传感器实现非接触式生命体征监测。Chen等［7］通过欧拉法视频放大技术放大新生儿面部由于血液循环引起的微小变化，通过将信号转换到频谱域以提取心率信息。Ye等［8］通过使用带有陷波滤波器的光学相机实现了在NICU对早产儿氧饱和度绝对值的非接触式稳定监测。Sahoo等［9］则通过结合近红外信号改善了在低光照条件下的PPG信号采集。Chen等［10］通过增加多数投票算法改善运动伪影的影响。可见，光图像中呼吸运动产生的亮度变化可转换为呼吸信号。Ahani等［11］利用欧拉法视频放大算法增强呼吸信号。Rossol等［12］引入微运动和静止性检测算法，通过像素强度随时间变化的标准差识别呼吸运动和噪声建模，在抗干扰能力上较前提升。Zeng等［13］将角速度信号纳入信号采集，基于时间域特征的方法识别呼吸运动区域，提高新生儿姿势变化及早产儿不规则呼吸时的监测性能。也有学者对呼吸方式及异常呼吸模式进行监测

［14-15］。感兴趣区域（regionofinterest，ROI）是在图像中蕴含生命体征信息的主要分析区域。ROI的选取是基于可见光的生命体征非接触式监测质量的重要影响因素。Antink等

［16］考虑到新生儿身体比例不同于成人，基于深度学习方法利用新生儿数据库进行训练，提出一种可实时自动进行高精度视频分割和ROI选取的方法，但仅在无遮盖的头部区域分割表现良好。基于皮肤颜色的ROI自动选取方法和卷积神经网络的ROI自动选取方法解决了躯体部分遮盖时ROI选取问题，提高了不同光照条件下的信噪比［17-18］。由于基于可见光的生命体征监测使用普通摄像头即可完成数据采集，具有价格低廉的优点，同时可以进行多参数监测，在临床和居家非接触式监测实用性上具有前景。但存在抗干扰能力弱，容易受环境光照条件、新生儿运动，引起新生儿位置明显改变的医疗护理行动等影响，虽然目前已有一些提高信噪比和鲁棒性的算法和深度学习应用，但与实际应用要求还有一定距离。二

基于红外热成像的非接触式生命体征监测红外热成像技术是通过红外热像仪捕捉新生儿体表辐射的红外能量并将其转换为可见的热图像，可监测新生儿体表温度分布［19］，同时由于新生儿的呼吸活动会引起鼻孔、胸部等区域的温度变化，也可实现对呼吸频率的监测。Abbas等

［20］通过分析新生儿鼻孔（前鼻孔）区域吸气和呼气阶段的温度差异，首次实现基于红外成像技术的非接触呼吸频率监测，但应用场景仅涉及开放环境。Luca等

［21］在此基础上纳入临床金标准作为对比，从算法、信息处理方面完善监测方法，增加了对封闭暖箱环境内呼吸频率的监测。Pereira等［22］通过“黑箱”算法进行呼吸信号领域自动提取，实现了被检测者鼻孔区域不在图像范围内的红外呼吸频率监测。研究显示，引入深度学习可显著提高信号处理效率，实现热成像呼吸频率实时高精度监测［23-24］。红外热成像技术在体温非接触式监测方面应用广泛，目前已有商品化红外额温枪等用于实时体温监测。Zhang等［25］对新生儿核心-外周体温温差进行监测，通过算法实现全自动连续监测，可能对早期发现循环系统疾病有应用意义。红外热成像技术在光照等常规环境影响下抗干扰能力强，可适应部分复杂环境，但易受新生儿暖箱中温度、湿度影响，可监测参数较少，设备成本高，实际场景中鼻导管、呼吸机等辅助呼吸设备使用下难以监测呼吸频率。三

基于生物雷达的非接触式生命体征监测生物雷达非接触式生命体征监测的核心原理是通过雷达发射特定频率的电磁波，由于心脏跳动和呼吸运动会导致身体表面产生微小位移，反射回雷达的电磁波频率、幅度发生改变，在这些电磁波信号中可以提取出与心率、呼吸频率等生命体征相关的信息，根据工作频段、发射信号等可分为多种雷达。基于超宽带雷达所具备的高分辨率与强穿透性特性，对其在新生儿呼吸及心率监测中的准确性与可靠性进行了验证［26-27］。Beltrão等

［4］用24GHz频段连续波雷达进行新生儿呼吸信号监测，通过提出非负矩阵分解算法解决新生儿随机身体运动的干扰问题，用非线性最小二乘频率估计器适应早产儿呼吸幅度小、频率高的特点，提高了呼吸频率监测精度。Edanami

等［28］利用局部投影自适应信号分离方法解决了连续波雷达心率和呼吸频率信号分离问题，实现了心率、呼吸频率、吸呼比、心率变异性多参数监测。Jiang等［29］使用多输入多输出毫米波雷达通过与视觉相机融合，实现精确目标跟踪，结合新生儿腹式呼吸特点，采用胸腔信号提取心率、腹部信号提取呼吸频率。生物雷达具有较高的空间和距离分辨率，对于微小位移测量具有优势，且具有一定的穿透性，可穿透包被、衣物等，在新生儿尤其早产儿微弱心率呼吸监测方面具有发展前景。但雷达设备成本较高，且易受呼吸机振动、金属仪器等环境影响，新生儿运动干扰也是实际应用需要解决的一大挑战。四

其他非接触式生命体征监测近年来，也有研究关注于将柔性传感技术应用于新生儿非接触式生命体征监测。Dore等

［30］将电极嵌入床垫，通过电容效应检测由心脏电活动引起的位移电流，能准确进行心率监测，并能重现心电图波形。Cubík等［31］开发了一种光纤传感垫，利用光学干涉原理同时进行呼吸心率监测，然而其心率监测结果误差较大，且仅通过动物实验进行了验证。Ogura

等［32］采用压电传感器监测心率，并研究了新生儿在静息状态下不同体位时传感器的最佳放置方案，但其测量结果易受运动干扰影响。随着多种技术的发展，不同技术显示了各自的优势和局限性（表1）。成本方面：可见光技术具有部署便捷、成本低廉的优势，同时可获取人脸信息如情绪、醒睡、身份识别等，仅需手机摄像头或普通摄像头即可满足需求，而专业红外相机及雷达等设备成本高，但可见光技术可能涉及个人隐私信息的采集，存在一定的隐私风险。抗干扰能力方面：可见光、红外技术对环境干扰因素（如光照、温度、气流）的抗干扰能力较差，雷达及柔性传感对环境抗干扰能力较强，但雷达受电磁干扰明显，柔性传感对运动干扰敏感。信号监测方面：体温监测目前依赖于红外技术，而可见光技术、雷达及柔性传感对呼吸心率监测精度受监测条件、监测者状态的影响。多模态融合系统成为了一种可供参考的解决办法。3D深度相机结合了光学相机（包括可见光相机和红外相机）和深度感受器功能，可用于监测呼吸模式，提供包括呼吸频率在内的更全面的呼吸动力学评价

［5，33-34］。Gleichauf等［35］利用3D深度相机的空间定位能力改善运动伪影对微波干涉雷达的影响，用雷达对微小位移敏感的特性弥补3D深度相机不能准确监测心率及低频呼吸的问题。Svoboda等［36］结合可见光、近红外和3D立体视觉技术多种传感器同步采集提高抗干扰能力。可见光和红外热成像技术的结合也为低光照条件下生命体征稳定监测提供了新方法

［14，37-38］。五

总结与展望非接触式监测技术的进步对于新生儿病房及居家护理安全具有实用意义。在当前临床流程中，非接触式监测更适合作为传统三导联心电图、脉氧饱和度仪等标准监护的补充与互补方式，用于提供连续趋势信息、辅助异常事件识别，而非替代现有监护。非接触式监测可持续、高灵敏的特点有助于呼吸暂停［39］、心动过缓、心动过速等事件的识别，可能对婴儿猝死综合征［40］、严重的低氧血症的干预时机提前，结合基于视频信息、雷达或柔性传感器对新生儿醒睡周期、睡眠姿势的监测，可以为新生儿神经系统发育评估提供参考信息［41］。但非接触式生命体征监测技术在NICU实行存在典型困难情境，包括暖箱窗口多径反射、暖箱壁结雾影响可见度、新生儿气管插管或吸氧管遮挡口鼻区域、呼吸机机械通气引入外源性周期干扰等，均为信号获取与事件识别增加了难度。因此，针对NICU环境的特殊性和非接触式生命体征监测技术的特点，需要在研究设计与算法策略中予以针对性处理。近年来人工智能技术的发展进一步推动了非接触式生命体征监测领域的研究，其中机器学习技术因具有强大的算力广泛应用在信号自动采集、噪声消除、ROI区域选取、多模态融合技术自主选择等技术层面［16-18］。人工智能依托其特征自动学习与模式识别能力，在自动ROI选取与跟踪环节实现自适应管理决策，实现自动锁定并动态更新最具生理信息的区域，减少人工选区与ROI漂移导致的信号衰减；在运动伪影与遮挡检测环节中识别体动、护理操作或口鼻区域遮挡影响，并根据学习模型决策触发门控，避免将噪声误判为生命体征信号；在信号质量评估环节进行置信度评分，量化各时间窗与各通道的可靠性，自动化决策信号处理路径，从而提升复杂临床场景下生命体征监测结果输出的稳定性、可用时间占比与误报控制能力。在监测应用方面，人工智能技术在接触式生命体征监测异常信号检测和预警方面应用已较成熟，结合非接触式生命体征监测技术的远程、连续、高灵敏度监测特点，可通过构建个人健康数据模型结合人工智能医疗模型，实现个性化护理和治疗方案优化，实时远程持续监测结合人工巡视提前异常情况识别时机，结合机器学习和多模态信号监测实现疾病早期预测及潜在健康风险预警，为医护人员提供决策支持，为新生儿居家护理安全保驾护航。多模态系统的实际挑战包括同步采集与时间对齐、临床事件标注与金标准确定、不同设备分布差异导致的模型泛化问题，以及临床可用训练数据不足等。当与临床早期预警模型如败血症、低氧发作预测结合时，还需重点解决标签定义与终点确定、误报管理与可解释性、与传统监护指标联合建模的验证策略等关键问题。例如，结合PPG信号分析面部微循环信息及持续心率变异性检测，可对新生儿先天性心脏病、肺动脉高压等引起缺氧发作的疾病进行筛查预警；持续呼吸监测结合人工智能视频识别吸气性凹陷等呼吸困难体征可辅助新生儿呼吸困难的识别、呼吸困难转归的持续监测及趋势分析，对于严重呼吸困难疾病继发肺表面活性物质失活或气胸导致呼吸困难骤然加重提供早期预警；多模态分析同步评估体温、肤色、呼吸异常情况、睡眠周期变化及趋势，数据分析接入人工智能算法，可以应用于败血症、胆红素脑病、严重低血糖等疾病预警及识别。为进一步推进新生儿非接触式生命体征监测技术的实际应用发展，通过以上分析提供可参考的未来研究建议：注重临床实际场景验证：目前多数实验研究采集临床样本量少，可供深度学习模型的数据集小，部分研究仍处于新生儿模拟实验阶段，未来研究可进一步增加临床验证样本量。此外，还需关注临床应用场景多样化，目前研究中的临床验证均采集生命体征平稳的新生儿，没有对复苏场景下新生儿生命体征非接触式监测的应用研究。未来研究可重点覆盖生命体征快速波动场景，如复苏与急救操作期、常规护理操作期、新生儿体动期、有呼吸支持背景下的呼吸暂停事件识别等。提高信号抗干扰能力：新生儿生命体征监测尤其NICU中监测主要特点是环境复杂、生命支持设备、医疗护理行为、亲子接触等均增加了监测环境的复杂性，可以通过改进产品形态与现有设备结合，在不干扰正常医疗行为的前提下通过算法优化、多模态融合等办法，增强抗干扰能力。（3）产品实用性设计：目前，针对医疗用非接触式生命体征监护仪尚未形成统一且具体的行业标准，需参照现有医用监护仪的相关标准进行规范。在实际应用场景中需要注意产品集成、成本合理、可消毒清洁等问题。此外，基于可见光视频采集的人脸信息可能涉及隐私保护与数据安全问题，实际应用需遵循伦理审查与数据治理要求。