仿手指柔性压力传感器系统：从脉搏波中提取呼吸信息的新突破
谜知
仿手指柔性压力传感器系统：从脉搏波中提取呼吸信息的新突破
呼吸是维持生命的基本生理活动，其持续监测对于早期发现和预防呼吸系统疾病具有重要意义。然而，传统呼吸监测设备往往体积较大，使用时需要佩戴胸带或紧贴鼻腔，不仅影响佩戴舒适性，也可能影响监测结果的准确性。近期，一项发表于《Microsystems & Nanoengineering》的研究提出了一种创新性解决方案——一种仿手指结构的柔性压力传感器系统，成功实现了从手腕脉搏波中直接提取呼吸信息，为可穿戴健康监测技术开辟了新的发展方向。
毫米级柔性传感器：可穿戴监测的新里程碑
该系统的传感核心是一款厚度仅为300微米的柔性压力传感器。该器件通过丝网印刷工艺，将银叉指电极、碳纳米管敏感层和热塑性聚氨酯（TPU）间隔层逐层集成，并通过聚二甲基硅氧烷（PDMS）进行封装。其表面经过激光蚀刻形成指纹状环形纹理，有效提升了与皮肤的机械附着力达40%，同时增强了脉搏信号的捕获效率。
该传感器在性能上已达到医疗级别标准：在0至13 kPa的压力范围内，其灵敏度高达11,847.24 kPa⁻¹，可检测至120 Pa的细微压力波动，响应时间仅37毫秒。经过70,000次循环测试后，其信号输出仍保持稳定。整个系统包括柔性电路板、蓝牙模块及可充电锂电池，整机重量仅为9克，佩戴于手腕桡骨粗隆位置几乎无感，有效解决了传统设备的舒适性问题。
智能算法：解析脉搏中的呼吸信号
研究团队发现，呼吸过程中的胸腔扩张与收缩会通过影响心室充盈度、心输出量及脉搏基线，在脉搏波中留下三种特征信号：呼吸诱导心室充盈波动（RIFV）、呼吸诱导心输出量波动（RIAV）以及呼吸诱导脉搏基线波动（RIIV）。为提取这些信号，研究者开发了一种融合残差网络（ResNet）与双向长短期记忆神经网络（BiLSTM）的ResNet-BiLSTM模型。
该算法通过引入残差模块，有效缓解了传统BiLSTM在处理长序列数据时出现的梯度消失问题，同时提升了对复杂空间特征的识别能力。在包含2708个样本的测试数据集上，ResNet-BiLSTM模型对慢呼吸、正常呼吸、快呼吸及模拟呼吸四类状态的识别准确率达到99.5%，其中模拟呼吸状态的识别准确率高达100%。相较之下，单一BiLSTM模型的准确率为99%，尤其在识别慢呼吸状态时存在约3%的误差，进一步验证了残差结构的有效性。
临床验证：从实验室走向实际应用
在圣保罗大学开展的人体测试中，13名志愿者佩戴该系统进行了多组呼吸状态的监测。与商用呼吸监测设备对比，该系统在捕捉呼吸频率变化方面展现出显著优势。当志愿者从每分钟6次的慢呼吸转换为30次的快呼吸时，ResNet-BiLSTM模型能在2个呼吸周期内完成状态识别，而传统阈值法常出现误判。
更为重要的是，该系统在复杂呼吸模式下的稳定性表现突出。在对6名志愿者超过300秒的连续监测中，其对混合呼吸状态的识别准确率达到100%，而商用设备在呼吸状态突变时误差率超过15%。此外，测试还显示该传感器的检测区域（5.5 mm × 24.8 mm）能够覆盖92%人群的脉搏分布点，无需专业人员定位，极大提升了日常使用便捷性。
未来方向：重构可穿戴医疗设备范式
这项研究不仅提出了新的呼吸监测技术路径，更构建了“脉搏波-呼吸信息”的直接解析框架。研究团队已同步开发配套的移动应用，可实现数据的实时显示与历史趋势分析，为个人健康管理和群体监测提供了完整的解决方案。
虽然当前设备的续航能力限制了其在大范围监测中的应用，但研究团队正在通过空气动力学优化提升设备续航至2小时以上，并计划在亚马逊雨林等复杂环境中进行试点部署。正如项目负责人所说：“这种结合纳米传感与人工智能的技术，有望成为呼吸系统疾病早期筛查的‘电子哨兵’，尤其在资源受限的地区具有巨大潜力。”
随着柔性电子与深度学习技术的不断进步，这种通过脉搏“聆听”呼吸的创新理念，或将重塑未来可穿戴医疗设备的设计标准，让健康监测真正成为日常生活的一部分。
期刊参考：
Zhang, X. 等人（2025）。通过手指式柔性压力传感器系统直接提取呼吸信息。《Microsystems & Nanoengineering》，doi.org/10.1038/s41378-025-00924-4。
查看全文
评论0条评论