仿生柔性压力传感器实现从脉搏波中提取呼吸信息
作为维持生命活动的重要生理指标，呼吸状态的持续监测在呼吸系统疾病的预防与早期诊断中具有关键作用。传统呼吸监测手段通常依赖体积较大、需佩戴胸带或靠近鼻腔的设备，这些方式不仅影响佩戴舒适性，也可能对监测结果造成干扰。最近，《Microsystems & Nanoengineering》期刊刊发的一项研究带来了技术突破——研究团队开发出一种仿指形结构的柔性压力传感器系统，成功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全新的方向。
毫米级柔性传感：微型化中的性能飞跃
该传感器系统的基石是一块仅 300 微米厚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）间隔层进行精密叠合，并以聚二甲基硅氧烷（PDMS）完成封装。其表面经过激光微加工，形成类似指纹的环形纹理结构，不仅增强了传感器与皮肤之间的机械附着性（提升约 40%），也显著提高了脉搏信号的采集效率。
从性能参数来看，该传感器已达到医疗级标准：在 0-13 kPa 的压力范围内，灵敏度高达 11,847.24 kPa⁻¹；能够识别低至 120 Pa 的细微压力变化，响应时间仅需 37 毫秒，并在经过 7 万次循环测试后仍保持稳定输出。集成柔性电路板、蓝牙通信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，有效解决了传统设备的舒适性瓶颈。
智能算法：从脉搏波中解码呼吸状态
研究团队在分析过程中发现，呼吸引起的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，在脉搏波中留下可识别的特征信号，包括呼吸诱导的心室充盈波动（RIFV）、心输出量变化（RIAV）和脉搏基线波动（RIIV）。为了提取这些微弱但关键的信息，研究者构建了融合残差网络（ResNet）与双向长短期记忆神经网络（BiLSTM）的混合模型。
ResNet-BiLSTM 的设计优势在于通过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，并提升了对复杂空间特征的识别能力。在包含 2708 例样本的测试中，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准确率达到 100%。相比之下，仅使用 BiLSTM 的模型准确率为 99%，在识别慢呼吸时误差率高达 3%，充分体现了 ResNet 优化的有效性。
临床验证：实验室成果向实际应用的转化
在圣保罗大学的临床验证中，13 名志愿者佩戴该系统进行不同呼吸状态的监测。测试结果显示，相较于传统呼吸传感器，该系统在呼吸频率识别方面表现出更强的适应性：当志愿者从每分钟 6 次的慢呼吸过渡到 30 次的快速呼吸时，ResNet-BiLSTM 模型在 2 个呼吸周期内即可完成状态识别，而基于阈值法的传统方法常出现误判。
系统在复杂呼吸状态下的稳定性同样令人印象深刻。在对 6 名志愿者连续 300 秒的监测中，该系统对混合呼吸模式的识别准确率保持在 100%。而商用设备在呼吸状态突变时的误差率则超过 15%。此外，该传感器的检测区域大小为 5.5 mm × 24.8 mm，覆盖了 92% 人群的脉搏分布区域，无需专业人员精准定位，极大地提升了日常使用的便捷性。
未来趋势：重新定义可穿戴医疗范式
这项研究不仅提供了一种全新的呼吸监测解决方案，更重要的是建立了一种“脉搏波—呼吸信息”的直接解码范式。目前，研究团队已开发配套的移动应用程序，支持实时数据展示与历史趋势分析，为个性化健康管理与群体健康监测提供了完整的技术平台。
尽管目前设备续航能力仍受限制，制约了在大面积监测中的应用，但研究团队正通过空气动力学优化延长工作时长，计划将其提升至 2 小时以上，并在亚马逊雨林等复杂环境中开展应用试点。随着柔性电子技术与人工智能算法的不断演进，这种将呼吸“听”进脉搏信号的创新方案，可能正在重塑未来可穿戴医疗设备的设计理念——让健康监测更自然地融入日常生活。
期刊参考
Zhang, X. 等.（2025） Using a finger-like flexible pressure sensor system to extract respiratory information from the pulse wave. Microsystems & Nanoengineering. doi.org/10.1038/s41378-025-00924-4.