持續可靠地監測血壓和心功能對心血管疾病的診斷和預防具有非常重要的意義。然而，現有的心血管監測儀器體積龐大且監測成本高昂，限制了其在早期診斷中的廣泛應用。

據麥姆斯咨詢報道，近日，清華大學化學系的科研團隊在Science Advances期刊上發表了以“Monitoring blood pressure and cardiac function without positioning via a deep learning–assisted strain sensor array”為主題的論文。該論文的第一作者為Shuo Li，通訊作者為張瑩瑩教授。

這項研究開發了一款基于保形（conformal）柔性應變傳感器陣列和深度學習神經網絡的智能血壓和心功能監測系統。該傳感器具有高靈敏度、高線性度、快速響應與恢復、高各向同性等多種優點。實驗和仿真協同驗證了該傳感器陣列無需精確定位即可從腕部獲取高精度、特征豐富的脈搏波。通過將高質量的脈搏波與已訓練的深度學習模型相結合，該系統可以監測血壓和心功能參數。作為概念驗證，研究人員進一步構建了一種智能可穿戴系統，用于實時和長期監測血壓與心功能，這將有助于個性化健康管理、精確早期診斷以及遠程治療。

圖1呈現了這項研究的核心概念。該血壓和心功能監測集成可穿戴系統由數據采集模塊、數據預處理模塊和深度學習分析模塊組成。數據采集是通過傳感器陣列實現的，該傳感器陣列包含6個應變傳感器（分別命名為A至F），并且在工作時放置在手腕上。圖1B顯示了應變傳感器的結構。傳感器陣列可以隨機放置在手腕橈動脈附近，以獲取高質量的脈搏波信號。如圖1C所示，血液在心臟驅動下周期性流動，導致了動脈直徑變化和皮膚變形。圖1D為放大后的健康體魄的典型動脈脈搏波形。

圖1 用于監測血壓及心功能的深度學習輔助應變傳感器陣列的結構和工作機制

圖2A顯示了碳化絲喬其紗（CSG）應變傳感器的電阻與應變的相對變化的典型曲線圖。用戶將傳感器陣列放置在手腕上采集脈沖信號，陣列中至少有一個傳感器隨傳感器和心跳產生形變（如圖2D）。所有實驗結果表明，無論壓力施加在傳感器陣列的何處，陣列中都至少有一個傳感器可以產生明顯的電響應，以獲得高質量的脈搏波。

圖2 應變傳感器陣列的機電響應實驗和仿真結果

圖3A顯示了使用該應變傳感器所獲得的橈動脈典型脈搏波形。與傳統光學體積描記術（PPG）采集的脈搏波相比，該傳感器獲得的脈搏波精度更高，特征也明顯更豐富。圖3E至圖3G顯示了研究人員利用自主研發的算法從脈搏波中提取的關鍵特征。

圖3 應變傳感器陣列在采集脈搏波及提取關鍵特征方面的性能

如圖4A所示，研究人員開發了一款由脈搏采集、預處理和深度學習三大模塊共同構成的智能血壓心功能監測系統。相關測試結果如圖4B至圖4H所示。

圖4 通過基于傳感器陣列和深度學習神經網絡獲得的脈搏波監測血壓和心功能的機制

如圖5A所示，基于應變傳感器陣列和已訓練的深度學習算法，研究人員構建了一款智能且用戶友好型血壓和心功能參數監測系統。實際應用測試結果如圖5B至圖5F所示。

圖5 智能血壓和心功能監測系統在實際應用中的演示

綜上所述，基于柔性高靈敏度應變傳感器陣列和深度學習神經網絡，這項研究開發了一款智能且用戶友好型血壓和心功能監測系統，該系統可以隨機放置在手腕動脈附近進行數據采集。該傳感器陣列包含6個分布在矩形區域的高性能應變傳感器，每個傳感器均具有高線性度（測定系數為0.9996）、高靈敏度（GF為9.81）、快速響應（40 ms）和恢復時間（80 ms）以及高各向同性等特點。

實驗和仿真結果表明，無論在任何位置，該陣列中至少有一個傳感器可以獲得高精度和特征豐富的脈搏波。利用高質量的脈搏波，研究人員可以提取大量的特征，包括P、W、T、V、D及其衍生特征。此外，研究人員還開發了智能預處理算法和深度學習模型，實現了血壓和心功能參數關鍵特征的自動提取和輸出。值得注意的是，收縮壓（SBP）、舒張壓（DBP）、平均血壓（MBP）的預測值與實測值的平均差和標準差分別為0.045 ± 3.235、0.221 ± 3.101和0.162 ± 2.652 mmHg。同時，心功能參數也可以被精確跟蹤。作為概念驗證，研究人員將傳感器陣列與深度學習模型相結合，構建了用戶友好型可穿戴系統，用于實時精確地監測血壓和心臟狀態。這項研究工作將有助于精確健康監測、早期診斷和遠程醫療技術的進一步發展。

這項研究獲得了國家自然科學基金（52125201和21975141）、北京市科學技術委員會（Z22110000272）和國家重點基礎研究發展計劃（2020YFA0210702）的資助和支持。

編輯：黃飛

?