河北工业大学胡宁、赵丽滨和王子莹研究团队《Nano Energy》:水凝胶传感器助力步态分析,辅助诊断帕金森病与偏瘫


近年来,新兴的指纹、人脸等生物识别技术容易被掩盖和模仿,并且需要接触识别,增加了识别难度。步态特征不仅依赖于先天因素,还与后天的生活环境密切相关,难以改变或伪装。尽管在大雾、沙尘暴等复杂环境中,通过提取人体运动轮廓,可实现远距离、非接触的识别。步态识别系统在身份识别,体育锻炼和医学诊断领域中发挥着重要作用。特别地,步态分析可为诊断多种潜在疾病提供有用线索,实现早期诊断并指导患者康复治疗(如:偏瘫和帕金森氏病)。因此,迫切需要开发可移植的人机相交互系统来监测和识别这些症状。

目前,有两种主要的步态识别方法:基于穿戴式传感器的步态识别和基于机器视觉的步态识别。基于机器视觉的步态识别方法对数据收集的环境有更高的要求,还需要进行繁琐的操作,如:图像收集,处理和保存。然而,使用穿戴式传感器进行步态监测和识别是一种简单有效的方法,不受外部环境因素的限制。再结合不同的深度学习算法,提取生理参数的特征来进行步态识别和预测。

近日,河北工业大学的胡宁、赵丽滨和王子莹研究团队提出了一种基于氧化石墨烯-聚丙烯酰胺(GO-PAM)复合水凝胶的自供电式应变传感器(图1)。该传感器可用作摩擦纳米发电机(TENG)来收集人体运动机械能。基于0.02 wt%GO-PAM水凝胶的TENG输出功率高达26 mW,是纯态PAM水凝胶输出功率的2.2倍,可点亮353个发光二极管(LED)为电子温度计供电。此外,设计了可穿戴智能鞋垫,其中包括柔性鞋垫,数据处理模块和使用Python开发的PC接口。在三种不同深度学习算法模型中,基于人工神经网络(ANN)算法分别对正常人生活步态和病理步态的识别精度高达99.5%和98.2%。该系统可应用于早期诊断,康复评估和患者治疗,为人体步态监测和识别提供了更方便的选择。相关工作以“A flexible, stretchable and triboelectric smart sensor based on graphene oxide and polyacrylamide hydrogel for high precision gait recognition in Parkinsonian and hemiplegic patients”发表在《Nano Energy》上。

图1. 智能GO-PAM水凝胶应变传感器系统可实现步态的高精确识别

GO-PAM复合水凝胶设计为三明治夹层结构,由银纳米线作为上电极,可拉伸的GO-PAM水凝胶膜作为摩擦电层,铜作为下电极(图2)。该团队首先研究了GO的质量分数对GO-PAM水凝胶膜电输出性能的影响。与纯PAM相比,GO-PAM复合水凝胶膜的输出电压,输出电流和输出功率均增加。采用0.02 wt% GO-PAM水凝胶制备的TENG输出电压和电流最高(分别为990 V和63.84 μA),输出功率可达26 mW,是纯PAM水凝胶膜的2.2倍。

图2. 基于GO-PAM的摩擦纳米发电机(TENG)的示意图与输出的电学性能

研究组研究了0.02 wt% GO-PAM水凝胶的可拉伸和压缩性能。

0.02 wt% GO-PAM水凝胶在小拉伸应变范围(10-60%)和较大的拉伸应变范围(80-300%)表现出优异的机械稳定性(图3)。此外,还用GF(GF =(∆R/R0)/strain)来评价应变敏感性能。当应变范围为0~60%时,GF为2.13;当应变范围为60~200%时,GF从2.13增加到4.89。随着应变范围从200%增加到300%,GF达到7.97。当拉伸应变为20%时,应变响应和恢复时间分别为0.5 s和0.6 s。该传感器粘贴在人体不同关节处,如前额、手指、肘部、手腕等,不仅可以检测产生的电阻信号,还可识别手指和肘关节的弯曲程度。

图3. GO-PAM柔性应变传感器的应变性能

近年来,机器学习作为人工智能(AI)研究领域被广泛应用于数据分析和模式识别。将AI引入穿戴式传感器可以提高模式识别的准确性,并开发具有高精度和实时处理的智能可穿戴电子系统。本文设计了一款智能鞋垫,采集4个应变传感器产生的模拟电压信号,并将其经过A/D转换后,由单片机传输到PC机上(图4)。再对采集到的原始信号进行快速傅里叶变换(FFT)滤波和去噪,保留原始信号的有用特征。最后,构建神经网络模型、决策树模型和随机森林模型对步态数据进行精确识别和分析,用于人体日常行为步态识别和人体病理步态识别。

图4. 步态识别模型对人体步态识别的过程,实时采集监测五种不同人体日常行为步态的电压信号,三个模型的原理示意图和步态识别混淆矩阵以及三种算法对人体日常行为步态识别的准确性

基于步态识别模型,将机器学习方法扩展到特殊疾病的步态识别。该研究的三个机器学习模型成功地用于帕金森病,左偏瘫和右侧偏瘫步态的识别(图5)。总体识别精度均达到90%以上。经过500次对神经网络的训练,测试集的识别精度达到98.2%。此外,通过建立步态监测系统,在计算机上实时显示了患者的步态波形。当患者进行步行训练时,可以将患者的活动信息数字化存储在计算机上,例如步数,步行速度等(Video)。通过分析这些数据,可以及时调整患者的训练量和康复状况。该研究表明,引入机器学习辅助方法可以准确诊断疾病,提高康复训练的效率,并提供远程康复的治疗指导。

图5. 实时采集帕金森病、左偏瘫和右偏瘫患者步态的电压信号,三种深度学习算法对人体病理步态识别的精度比较

视频1. 实时采集帕金森病、左偏瘫和右偏瘫患者步态的电压信号

结论:在此项研究中,研究者开发了具有高可拉伸、可压缩、高粘附性和自我修复性的水凝胶。该水凝胶可以将其延伸至860%,具有良好的稳定性和耐用性,可以至少循环利用380次。其对各种材料具有较高的粘附性能,包括塑料,纸,金属,皮肤,木材和玻璃。另外,研究了基于水凝胶TENG的输出电性能,可以点亮353盏 LED灯并为电子温度计供电。设计了一款智能鞋垫,并基于三种算法构建了步态识别模型,该算法可用于正常和异常的步态识别。在这三个模型中,对正常步态和异常步态的ANN算法的识别精度分别达到99.5%和98.2%。

分享到