搜索:  
中山大学周建华/乔彦聪团队、清华大学任天令团队 NML综述:机器学习辅助软体电子用于健康监测
2023-03-16  来源:高分子科技

图1机器学习辅助软体电子。


  由于能够反映人体的健康状况,各种生理信号被广泛地应用于疾病的诊断与预防。然而,受到检测时间和场合的限制,短期检测具有很大的不确定性。因此,长时间实时的生理信号监测显得尤为重要。


  长期以来,受硬质基底、非应变、低生物相容性等限制,传统的刚性传感器并不适用于大应变、粗糙表面的场景。其刚性形态使其不仅极大地影响佩戴体验,而且无法与皮肤紧密贴合,导致实际测量中信号会引入不少伪影、噪音甚至淹没原始生理信号。而软体电子的出现能够解决这一问题,基于软体电子与皮肤相近的杨氏模量以及超薄可拉伸等特性,其与皮肤之间可以形成良好的界面,从而获得高质量生理信号。同时,高的人体相容性使得信号监测过程不会影响人们的日常生活,从而提高佩戴舒适度与用户体验,进而拓展了信号数据库的规模。大规模高质量的数据库对于提高机器学习算法的表现至关重要。另一方面,机器学习算法能够赋予软体电子器件“思考”的能力,使之不仅可以监测信号,而且可以诊断信号。因此软体电子与机器学习是相辅相成的关系。过去二十年间,各种新型材料的发现与应用为软体电子提供了高速发展的基础。软体电子的发展为各种数据集的建立、扩展、完善提供可靠的来源。同时,由于机器学习算法以及GPU硬件的快速发展,使机器学习在计算机视觉以及自然语言处理等领域爆发式增长。因此软体电子与机器学习的结合也就顺理成章,近几年来,科研工作者已经在这个交叉学科领域进行了广泛的研究。


  综上所述,软体电子与机器学习相辅相成,相关领域已经取得了丰富的成果。因此中山大学生物医学工程学院周建华/乔彦聪团队与清华大学集成电路学院任天令团队对该领域进行详细分析与总结,在国际著名期刊Nano-Micro Letters上发表题目为“Soft Electronics for Health Monitoring Assisted by Machine Learning”的综述论文,全文共86页,4万余词。本文第一作者兼共同通讯作者为中山大学乔彦聪助理教授,中山大学周建华教授与清华大学任天令教授为通讯作者。该工作得到了国家自然基金重点项目与青年项目,科技部项目,广东省自然科学基金项目,深圳市优秀科技创新人才培养项目以及广东省传感技术与生物医疗仪器重点实验室的支持。本文详细介绍了各种新型软体电子材料,随后回顾了基于这些软体电子器件检测的生理信号,并重点回顾了机器学习的各种算法在软体电子的应用。最后讨论了机器学习辅助的软体电子系统的展望、挑战和总结。


综述要点:


  1. 介绍了用于健康监测的机器学习辅助软体电子,并依次讨论了软体电子材料、生理信号、机器学习算法以及它们之间的关系;


  2. 通过在软体电子应用中的代表性例子,阐释并总结了经典机器学习算法和神经网络算法的原理;


  3. 概述了机器学习辅助软体电子在健康监测领域的潜在挑战,展望了未来研究方向。


  软体电子器件之所以在成本、舒适度、信号质量、系统性、持续性等方面展现出优势,关键在于各种新型软体材料。因此,文章介绍了应用于软体电子领域的各种纳米材料,包括碳纳米管、石墨烯、MXene、银纳米线、水凝胶、纳米织物以及液态金属。软体材料需要经常工作在弯曲和伸展环境下,所以需要经受大应变而不损坏。同时在应用于生理信号监测时,软体材料需要与人体形成良好的界面。在此要求下,需要设计材料结构、厚度、形貌、生物兼容性等多个参数,保证在各种可能出现的环境下能够正常工作。此外,为了实现软体材料的商业化应用,还要综合考虑制备效率和成本效益等问题。 


图2.石墨烯基软体电子的微结构和制备过程。


  人体在日常生活中会产生多种生理信号,文中详细介绍了软体电子用于监测脉搏、呼吸、人体运动、眼内压、发声、触觉、心音、脑电、心电、肌电、眼电等各种生理信号。针对以上信号的不同特点以及微弱、易受干扰、伪影及噪音多等通性,需要设计不同性能要求的软体电子器件。为了获得高质量生理信号,在检测过程中,软体电子与皮肤间的紧密接触对信号质量至关重要。 


图3.用于脉搏和呼吸的软体传感器。


  如前所述,软体电子发展带来的显而易见的优势是大大提高了生理信号数据库的数据量和质量,从而进一步优化了机器学习算法的表现。其中,经典算法以及神经网络算法都在其中扮演了重要角色。结合软体电子实例,本文首先讨论了降维算法包括主成分分析(PCA)、线性判别分析(LCA)、傅里叶变换和小波变换,以及经典的机器学习分类算法包括高斯朴素贝叶斯(GNB)、支持向量机(SWM)、动态时间校正(DTW)、kNN、K-Means和决策树等。另外,由于易于构建和功能强大的特点,神经网络算法也迅速得到了广泛的研究。文中详细回顾了全连接神经网络(FNN)、卷积神经网络(CNN)、循环神经网络(RNN)和脉冲神经网络(SNN)在软体系统中的应用。 


图4.软体系统检测并用主成分分析处理信号。 


图5.软体系统检测并用高斯朴素贝叶斯处理信号。


 图6.卷积神经网络、循环神经网络和脉冲神经网络的示意图。


  最后,文章列举了目前软体电子与机器学习领域仍待克服的挑战。在传感材料方面,重复性和良品率有待提升;软体材料的生物相容性以及其与皮肤或排泄物的相互影响也需要综合考虑。另外,在封装材料方面,大多仍然是基于高密度聚合物如PDMS和Ecoflex等,透气性、透水性不佳,限制了皮肤的新陈代谢。为了实现软体系统,电路和其他部分也有待发展为软体形态。


  对于软体电子与算法结合方面,作者在软硬件方面都提出了进一步优化的方案。在软体件方面,建立更多符合标准的软体电子器件采集的信号数据库,避免冗余工作并提供一个标准去判断器件和算法的表现;生理信号的测试方法也需要标准化;提出更符合软体电子器件的算法以进一步扩展机器学习在软体电子领域的应用;通过物理信号和化学信号相结合,挖掘更多生理信息;充分发挥Yolo、Faster R-CNN、transformer等新型神经网络的强大功能并与软体电子结合。在硬件方面,实现软体集成电路,增加软体系统中计算单元密度,实现大规模算法的原位运行;研究先进的软体材料与制备工艺,实现更强大的软体系统。


  综上所述,基于纳米材料的智能软体系统具有光明的应用前景。在机器学习算法的辅助下,软体电子有望在日常生活中实现疾病的实时诊断和预防,减轻医疗系统的负担。


  论文链接:https://link.springer.com/article/10.1007/s40820-023-01029-1 

版权与免责声明:中国聚合物网原创文章。刊物或媒体如需转载,请联系邮箱:info@polymer.cn,并请注明出处。
(责任编辑:xu)
】【打印】【关闭

诚邀关注高分子科技

更多>>最新资讯
更多>>科教新闻