仿手指柔性压力传感器系统：实现脉搏波中呼吸信息的精准提取
呼吸作为维持生命的核心生理功能，其长期监测在呼吸系统疾病的预防与早期诊断中发挥着关键作用。然而，传统监测设备普遍体积较大，依赖胸带束缚或鼻腔接触，不仅影响佩戴舒适性，也可能干扰测量准确性。近期，一项发表于《Microsystems & Nanoengineering》的创新研究带来突破：研究人员成功开发出一种仿生手指结构的柔性压力传感器系统，首次实现了通过腕部脉搏波直接提取呼吸信息，为可穿戴健康监测技术开辟了新方向。
柔性传感系统：推动毫米级医疗监测革新
该呼吸监测系统的核心组件是一种厚度仅为 300 微米的柔性压力传感器。其制造工艺采用丝网印刷技术，将银叉指电极、碳纳米管敏感层与热塑性聚氨酯（TPU）间隔层精确叠合，并最终通过聚二甲基硅氧烷（PDMS）封装成型。传感器表面经激光蚀刻处理，形成类似指纹的环形结构，不仅增强了与皮肤的机械附着性能，还提升了脉搏信号的采集效率，机械附着力较未处理结构提高 40%。
该传感器在关键性能指标上达到医疗级标准：在 0-13 kPa 压力范围内，灵敏度高达 11,847.24 kPa⁻¹，能够检测到 120 Pa 的微小压力变化，响应时间为 37 毫秒，且在 70,000 次循环测试中仍保持优异稳定性。整个系统集成了柔性电路板、蓝牙模块与可充电锂电池，总重量仅为 9 克，佩戴于桡骨粗隆处几乎无感知负担，有效解决了传统设备带来的不适问题。
智能算法：深度解析脉搏波中的呼吸特征
研究团队发现，在呼吸过程中，胸腔扩张与收缩会通过影响心室充盈、心输出量及脉搏基线，留下三种可识别的信号特征：呼吸诱导心室充盈波动（RIFV）、呼吸诱导心输出量波动（RIAV）和呼吸诱导脉搏基线波动（RIIV）。为准确解析这些微弱信号变化，团队设计了一种基于残差网络（ResNet）改进的双向长短期记忆网络（ResNet-BiLSTM），用于提取脉搏波中隐藏的呼吸状态信息。
该算法在处理长序列脉搏数据时表现出色，残差模块有效缓解了传统 BiLSTM 模型中出现的梯度消失问题，并增强了对复杂空间特征的识别能力。在涵盖 2708 个样本的测试数据集中，ResNet-BiLSTM 模型对慢呼吸、正常呼吸、快呼吸和模拟呼吸状态的分类准确率达 99.5%，其中模拟呼吸识别准确率高达 100%。相比之下，传统 BiLSTM 模型整体准确率为 99%，在慢呼吸识别中误差率高出 3%。
应用验证：实验室成果迈向临床实践
在圣保罗大学进行的临床试验中，13 名志愿者佩戴该系统，测试了在不同呼吸模式下的监测表现。研究人员将该系统与市售呼吸传感器进行对比，发现其在识别呼吸频率变化方面具有明显优势。当志愿者从慢呼吸（6 次/分钟）过渡到快呼吸（30 次/分钟）时，ResNet-BiLSTM 模型可在 2 个呼吸周期内完成状态切换识别，而传统阈值方法常出现误判。
此外，该系统在复杂呼吸状态下的稳定性同样出色。在针对 6 名志愿者持续 300 秒的监测中，系统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的误差率超过 15%。传感器 5.5 mm × 24.8 mm 的有效检测区域覆盖了 92% 的人群脉搏分布，无需专业定位，显著提升了日常佩戴与使用的便捷性。
未来展望：重塑可穿戴医疗的新范式
该研究不仅提出了一种全新的呼吸监测技术，更构建了“脉搏波–呼吸信息”的直接解码模型。目前，研发团队已同步开发了配套移动应用，支持呼吸数据的实时显示与历史趋势分析，为个人健康管理及群体监测提供了完整的解决方案。
尽管当前设备受限于无人机续航能力，难以在大面积区域部署，但研究团队正通过优化空气动力学设计，将设备续航延长至 2 小时以上，并计划在亚马逊雨林等复杂环境中启动试点应用。这一融合纳米传感与人工智能的系统，有望成为偏远地区呼吸系统疾病早期筛查的重要工具。
随着柔性电子技术与深度学习算法的持续发展，从脉搏中“感知”呼吸的创新方案或将重新定义可穿戴医疗设备的设计理念，真正实现无感、精准的健康监测。
期刊参考：
Zhang, X. 等人。（2025） 使用手指式柔性压力传感器系统从脉搏波中直接提取呼吸信息。微系统与纳米工程。doi.org/10.1038/s41378-025-00924-4。