仿生结构柔性压力传感器系统实现从脉搏中提取呼吸信息
呼吸是维持生命的重要生理活动，其长期状态监测对于呼吸系统疾病的早期发现与干预具有重要意义。传统监测手段多依赖体积较大、佩戴方式固定的设备，如胸带式或鼻腔接触式传感器，不仅影响佩戴舒适度，也可能干扰呼吸自然状态。近期，一项发表于《Microsystems & Nanoengineering》的研究提出创新方案：利用仿生手指结构的柔性压力传感器系统，首次实现了从手腕脉搏波中提取呼吸信息，为可穿戴健康监测技术带来了突破。
微型化柔性传感器：实现无感级压力监测
该系统的传感器层采用厚度仅为 300 微米的柔性压力传感模块，通过丝网印刷工艺将银叉指电极、碳纳米管敏感层与热塑性聚氨酯（TPU）间隔层有序叠加，并以聚二甲基硅氧烷（PDMS）封装成整体。其表面采用激光蚀刻工艺构建出指纹状环形结构，不仅显著提升与皮肤之间的机械附着性能，还有效优化了信号采集效率。
传感器具备医疗级性能指标，其压力响应范围为 0-13 kPa，灵敏度高达 11,847.24 kPa⁻¹，可探测低至 120 Pa 的压力变化，响应时间仅 37 毫秒。经过 70,000 次循环测试后，信号仍保持稳定。系统集成柔性电路板、蓝牙模块与可充电锂电池后，整体重量控制在 9 克以内，佩戴于手腕桡骨粗隆处几乎无感知，大幅提升了使用舒适性。
融合深度学习算法：实现呼吸信号高精度解码
研究团队发现，呼吸过程会引起胸腔扩张与收缩，从而通过影响心室充盈、心输出量及脉搏基线，在脉搏波中留下三种可辨识信号：呼吸诱导心室充盈波动（RIFV）、呼吸诱导心输出量变化（RIAV）及呼吸诱导脉搏基线波动（RIIV）。为有效识别这些特征，团队开发出一种基于残差网络（ResNet）的双向长短期记忆神经网络（ResNet-BiLSTM）。
该算法通过引入残差模块，有效缓解传统 BiLSTM 处理长序列数据时的梯度消失问题，并增强对多维特征的学习能力。在包含 2708 个样本的数据集上，该模型对慢呼吸、正常呼吸、快呼吸及模拟呼吸四种状态的分类准确率高达 99.5%，其中对模拟呼吸的识别率达到 100%。相比之下，传统 BiLSTM 模型的整体识别准确率为 99%，在慢呼吸识别上存在 3% 的误差，进一步证明了融合结构的优越性。
临床验证：展现强适应性与高稳定性
在圣保罗大学进行的临床试验中，13 名志愿者佩戴该设备完成了多种呼吸状态的测试。研究团队将商用呼吸传感器作为对照，结果显示新系统在捕捉呼吸频率变化方面具有明显优势。例如，当志愿者从每分钟 6 次呼吸逐渐过渡到 30 次呼吸时，ResNet-BiLSTM 模型仅需两个呼吸周期即可完成状态识别，而传统阈值法常出现误判。
该系统在复杂呼吸场景中也表现出色。针对 6 名志愿者超过 300 秒的连续监测数据表明，其对混合呼吸状态的识别准确率为 100%，而商用设备在呼吸频率突变时误差率超过 15%。此外，研究团队验证了设备在不同手腕位置的适应性，5.5 mm×24.8 mm 的检测区域可覆盖 92% 的人群桡动脉分布，无需专业人员定位，显著提升日常使用的便捷性。
技术前景：迈向智能化可穿戴医疗新阶段
该研究不仅提供了一种创新的呼吸监测手段，更确立了“脉搏波 - 呼吸信息”解码的新范式。研究团队已开发配套移动应用，实现数据实时显示与历史趋势分析，为个人健康管理提供了完整的解决方案。
尽管目前设备续航仍受电池容量限制，研究人员正致力于通过空气动力学优化提升续航能力，目标为 2 小时以上，并计划在亚马逊雨林等复杂环境中进行试点应用。项目负责人指出，这种融合纳米传感技术与人工智能算法的系统，有望成为呼吸系统疾病的“电子哨兵”，尤其适用于医疗资源有限的地区。
随着柔性电子与机器学习技术的持续进步，这种从脉搏中“提取”呼吸信号的创新技术，或将重新定义未来可穿戴医疗设备的设计理念，使健康监测真正融入日常生活中，而非成为额外的生理负担。
参考文献：
Zhang, X. 等. （2025）. 从手腕脉搏波中提取呼吸信息的仿生柔性压力传感器系统. Microsystems & Nanoengineering. doi.org/10.1038/s41378-025-00924-4.