仿手指柔性压力传感器系统：从脉搏波中解析呼吸动态
作为维持生命的重要生理活动，呼吸状态的持续监测在早期发现和诊断呼吸系统疾病方面具有关键意义。然而，现有呼吸监测手段通常依赖体积较大的设备，或需要佩戴胸带、靠近鼻腔，不仅影响佩戴体验，还可能对监测效果造成干扰。最近，《Microsystems & Nanoengineering》发表的一项研究带来新突破，研究团队开发出一款仿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直接提取呼吸信号，为可穿戴式健康监测设备开辟了全新方向。
柔性传感系统：毫米级监测技术的革新
该系统的核心组件是一款厚度仅为300微米的柔性压力传感器。通过丝网印刷技术，研究人员将银叉指电极、碳纳米管敏感层与热塑性聚氨酯（TPU）间隔层精确堆叠，并最终用聚二甲基硅氧烷（PDMS）进行封装。传感器表面采用激光蚀刻技术制成类指纹状的环形结构，有效提升了传感器与皮肤之间的机械附着性约40%，同时优化了脉搏信号的采集效率。
在性能指标方面，该传感器具备医疗级别的灵敏度：在0-13 kPa压力范围内灵敏度高达11,847.24 kPa⁻¹，最小可检测压力变化为120 Pa，响应时间仅37毫秒，并在70,000次循环测试中保持信号稳定。系统集成柔性电路板、蓝牙模块和可充电锂电池后，整体重量仅为9克，佩戴于手腕桡骨粗隆处几乎无感，显著提升了用户舒适度。
智能算法：解析脉搏中的呼吸特征
研究团队发现，呼吸过程中的胸腔运动会对心室充盈、心输出量和脉搏波基线产生影响，从而在脉搏波中留下三种特征信号：呼吸诱导心室充盈波动（RIFV）、呼吸诱导心输出量变化（RIAV）以及呼吸诱导脉搏基线波动（RIIV）。为更精准地解析这些信号，研究人员设计了一种结合残差网络（ResNet）与双向长短期记忆神经网络（BiLSTM）的算法模型——ResNet-BiLSTM。
该算法的优势在于利用残差模块有效缓解了传统BiLSTM在处理长序列数据时的梯度消失问题，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中，ResNet-BiLSTM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达到99.5%，其中模拟呼吸识别准确率达100%。相较之下，传统BiLSTM模型的整体准确率为99%，尤其在慢呼吸识别方面存在3%的误差，进一步验证了融合残差结构的优化效果。
应用验证：从实验台走向临床场景
在圣保罗大学的人体实验中，13名志愿者佩戴该系统进行不同呼吸状态监测。研究人员将该系统与商用呼吸传感器进行对比，结果显示新系统在呼吸频率变化的捕捉上具有明显优势。例如，当志愿者从每分钟6次呼吸过渡到30次呼吸时，ResNet-BiLSTM模型仅需2个呼吸周期即可完成状态识别，而传统阈值法容易出现误判。
此外，该系统在复杂动态场景中表现出良好的稳定性。在6名志愿者连续超过300秒的监测中，系统对混合呼吸状态的识别准确率达100%，而商用设备在呼吸状态快速变化时误差率超过15%。研究人员还测试了传感器在不同手腕位置的适配性，结果表明其有效检测区域覆盖92%的人群脉搏分布，无需专业人员辅助定位，大大提升了日常使用的便利性。
未来展望：重新定义可穿戴医疗
这项研究不仅提出了一种新的呼吸监测方法，更建立了一种“脉搏波 - 呼吸信息”的直接解码机制。目前，研究团队已开发出配套的移动应用程序，支持实时数据展示与历史趋势分析，为个体健康管理与群体健康监测提供了完整的技术路径。
尽管当前可穿戴设备在续航能力方面仍存在一定瓶颈，但研究团队正通过空气动力学优化，将续航时间提升至2小时以上，并已开始在亚马逊雨林等复杂环境中进行试点部署。正如项目负责人所指出的，这种将纳米传感技术与人工智能算法结合的系统，有望在未来成为呼吸系统疾病早期筛查的“电子哨兵”，特别是在医疗资源受限的地区，展现出巨大应用潜力。
随着柔性电子技术与深度学习算法的持续发展，这种从脉搏波中“捕捉”呼吸信号的创新方案，或将引领可穿戴医疗设备设计理念的变革，使健康监测真正融入日常生活的每个细节。
参考文献
Zhang, X., et al. (2025). Direct extraction of respiration information from pulsatile waves using a finger-like flexible pressure sensor system. Microsystems & Nanoengineering. doi.org/10.1038/s41378-025-00924-4