持续可靠地监测血压和心功能对心血管疾病的诊断和预防具有非常重要的意义。然而,现有的心血管监测仪器体积庞大且监测成本高昂,限制了其在早期诊断中的广泛应用。
清华大学化学系的科研团队在Science Advances期刊上发表了以“Monitoring blood pressure and cardiac function without positioning via a deep learning–assisted strain sensor array”为主题的论文。该论文的第一作者为Shuo Li,通讯作者为张莹莹教授。
这项研究开发了一款基于保形(conformal)柔性应变传感器阵列和深度学习神经网络的智能血压和心功能监测系统。该传感器具有高灵敏度、高线性度、快速响应与恢复、高各向同性等多种优点。实验和仿真协同验证了该传感器阵列无需精确定位即可从腕部获取高精度、特征丰富的脉搏波。通过将高质量的脉搏波与已训练的深度学习模型相结合,该系统可以监测血压和心功能参数。作为概念验证,研究人员进一步构建了一种智能可穿戴系统,用于实时和长期监测血压与心功能,这将有助于个性化健康管理、精确早期诊断以及远程治疗。
图1呈现了这项研究的核心概念。该血压和心功能监测集成可穿戴系统由数据采集模块、数据预处理模块和深度学习分析模块组成。数据采集是通过传感器阵列实现的,该传感器阵列包含6个应变传感器(分别命名为A至F),并且在工作时放置在手腕上。图1B显示了应变传感器的结构。传感器阵列可以随机放置在手腕桡动脉附近,以获取高质量的脉搏波信号。如图1C所示,血液在心脏驱动下周期性流动,导致了动脉直径变化和皮肤变形。图1D为放大后的健康体魄的典型动脉脉搏波形。
图1 用于监测血压及心功能的深度学习辅助应变传感器阵列的结构和工作机制
图2A显示了碳化丝乔其纱(CSG)应变传感器的电阻与应变的相对变化的典型曲线图。用户将传感器阵列放置在手腕上采集脉冲信号,阵列中至少有一个传感器随传感器和心跳产生形变(如图2D)。所有实验结果表明,无论压力施加在传感器阵列的何处,阵列中都至少有一个传感器可以产生明显的电响应,以获得高质量的脉搏波。
图2 应变传感器阵列的机电响应实验和仿真结果
图3A显示了使用该应变传感器所获得的桡动脉典型脉搏波形。与传统光学体积描记术(PPG)采集的脉搏波相比,该传感器获得的脉搏波精度更高,特征也明显更丰富。图3E至图3G显示了研究人员利用自主研发的算法从脉搏波中提取的关键特征。
图3 应变传感器阵列在采集脉搏波及提取关键特征方面的性能
如图4A所示,研究人员开发了一款由脉搏采集、预处理和深度学习三大模块共同构成的智能血压心功能监测系统。相关测试结果如图4B至图4H所示。
图4 通过基于传感器阵列和深度学习神经网络获得的脉搏波监测血压和心功能的机制
如图5A所示,基于应变传感器阵列和已训练的深度学习算法,研究人员构建了一款智能且用户友好型血压和心功能参数监测系统。实际应用测试结果如图5B至图5F所示。
图5 智能血压和心功能监测系统在实际应用中的演示
综上所述,基于柔性高灵敏度应变传感器阵列和深度学习神经网络,这项研究开发了一款智能且用户友好型血压和心功能监测系统,该系统可以随机放置在手腕动脉附近进行数据采集。该传感器阵列包含6个分布在矩形区域的高性能应变传感器,每个传感器均具有高线性度(测定系数为0.9996)、高灵敏度(GF为9.81)、快速响应(40 ms)和恢复时间(80 ms)以及高各向同性等特点。
实验和仿真结果表明,无论在任何位置,该阵列中至少有一个传感器可以获得高精度和特征丰富的脉搏波。利用高质量的脉搏波,研究人员可以提取大量的特征,包括P、W、T、V、D及其衍生特征。此外,研究人员还开发了智能预处理算法和深度学习模型,实现了血压和心功能参数关键特征的自动提取和输出。值得注意的是,收缩压(SBP)、舒张压(DBP)、平均血压(MBP)的预测值与实测值的平均差和标准差分别为0.045 ± 3.235、0.221 ± 3.101和0.162 ± 2.652 mmHg。同时,心功能参数也可以被精确跟踪。作为概念验证,研究人员将传感器阵列与深度学习模型相结合,构建了用户友好型可穿戴系统,用于实时精确地监测血压和心脏状态。这项研究工作将有助于精确健康监测、早期诊断和远程医疗技术的进一步发展。