仿手指柔性压力传感器系统：通过脉搏波解析呼吸信息
呼吸是维持生命的关键生理过程，其持续监测对早期发现和干预呼吸系统疾病具有重要价值。然而，传统监测设备通常体积较大，且需要佩戴胸带或贴合鼻腔，不仅影响舒适度，也可能干扰呼吸行为。最近，《Microsystems & Nanoengineering》期刊报道了一项突破性研究：科学家开发出一种仿生结构的柔性压力传感器系统，能够从手腕处的脉搏波中提取呼吸信息，为可穿戴健康监测技术开辟了全新路径。
微型化柔性传感：开启精准监测新纪元
该系统的中枢是厚度仅300微米的柔性压力传感器。它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）间隔层精准叠合，并以聚二甲基硅氧烷（PDMS）进行封装。传感器表面采用激光蚀刻工艺，形成类似指纹的环形结构，显著提升了与皮肤的机械附着性，同时优化了脉搏信号的捕捉效率。
传感器的性能指标达到医疗级标准：在0-13 kPa的范围内，灵敏度高达11,847.24 kPa⁻¹；可检测低至120 Pa的微小压力变化，响应时间为37毫秒；经过70,000次循环测试后，信号依然保持稳定。系统集成了柔性印刷电路、蓝牙模块和可充电锂电池，总重量仅为9克，佩戴于手腕桡侧几乎无感，解决了传统设备在舒适性方面的短板。
深度学习算法：解读脉搏中的呼吸信号
研究团队发现，呼吸过程中的胸腔扩张与收缩会通过影响心室充盈、心输出量和脉搏基线，在脉搏波中留下三种特征信号：呼吸诱导心室充盈波动（RIFV）、呼吸诱导心输出量波动（RIAV）和呼吸诱导脉搏基线波动（RIIV）。为了解析这些微弱变化，团队开发了一种结合残差网络（ResNet）与双向长短期记忆网络（BiLSTM）的ResNet-BiLSTM模型。
该算法通过残差模块有效缓解了传统BiLSTM模型在处理长序列数据时出现的梯度消失问题，并提升了对复杂空间特征的识别能力。在包含2708个样本的数据集测试中，ResNet-BiLSTM模型对四种呼吸状态（慢呼吸、正常呼吸、快呼吸、模拟呼吸）的分类准确率达到99.5%，其中模拟呼吸识别准确率更是达到100%。相比之下，单一BiLSTM模型的识别准确率为99%，在慢呼吸状态下的识别误差高达3%，证明了融合残差结构的优势。
从实验到临床：验证系统在真实环境中的表现
在圣保罗大学的临床试验中，13名志愿者佩戴该系统完成多种呼吸模式的测试。研究人员以商用呼吸传感器为对照，发现新系统在呼吸频率变化识别方面表现优异。当志愿者从每分钟6次呼吸加速至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。
更值得注意的是系统在复杂呼吸模式下的稳定性。在对6名志愿者进行超过300秒的连续监测中，新系统实现了100%的混合呼吸模式识别准确率，而传统设备在呼吸状态突变时误差率超过15%。研究团队还测试了传感器在不同手腕位置的适用性，结果显示其5.5 mm × 24.8 mm的有效检测区域可覆盖92%的人群脉搏分布，无需专业人员协助定位，显著提升了设备的日常使用便利性。
未来方向：重新定义可穿戴医疗的边界
这项研究不仅引入了一种新型的呼吸监测方式，更建立了一种“脉搏波—呼吸信号”直接解码的新范式。目前，研究团队已推出配套移动应用程序，支持实时数据展示与历史趋势分析，为个人健康追踪和群体健康监测提供了一整套解决方案。
尽管当前设备续航能力仍受限于现有电池技术，制约了其在大范围监测中的应用，研究团队正在通过空气动力学优化，努力将系统续航提升至2小时以上，并计划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，这种融合纳米传感与人工智能的系统，有望在未来成为呼吸系统疾病早期筛查的重要“电子哨兵”，特别是在医疗资源相对匮乏的地区。
随着柔性电子技术和智能算法的不断发展，这种“从脉搏中听呼吸”的创新技术，正在为未来可穿戴医疗设备的演进指明方向 —— 让健康监测更加自然、便捷，真正成为日常生活的一部分。
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。