西北工业大学研究生吧(西北工业大学研究生吧百度贴吧)--无极考研网

西北工业大学研究生吧，西北工业大学研究生吧百度贴吧

近日，西北工业大学无人系统技术研究院的邵典副教授和吉博文副教授撰写题为“Smart epidermal electrophysiological electrodes: Materials, structures, and algorithms”论文，并以封面文章的形式发表在纳米技术与精密工程领域专业学术期刊Nanotechnology and Precision Engineering，全面综述了智能表皮电生理监测电极的材料、结构和算法三个关键方面。

同时，美国物理学联合会《科学之光》AIP Scilight专访了该论文的通讯作者吉博文副教授，并以“Advances point to promise for epidermal electrophysiological signal processing”（研究进展推动表皮电生理信号处理未来前景）为题对研究综述进行了报道。
报道链接：
https://doi.org/10.1063/10.0020096

文章深入地探讨了智能表皮电生理电极研究的最新进展，并特别关注了智能材料、智能结构、智能算法三个方面，如图1所示。近年来智能表皮电生理电极的出现，代表了电生理监测的一个未来发展方向，因为它在自稳定和解决诸如运动伪影和信号衰减等问题上具有独特优势。材料方面，电极中引入智能材料有助于其自适应、自感知和自修复；结构方面，微米、纳米和介观结构的应用有助于其适应不同的表面和环境条件；算法方面，以深度学习为代表的智能算法提高了信号处理的效率。

图1 智能表皮电生理电极：智能元件、功能到应用

在医学诊断和健康检测领域，表皮电生理信号在监测心跳、脑功能和肌肉收缩等电生理活动已变得不可或缺。然而，常见的电生理监测方法面临着运动伪影、皮肤刺激性和渗透性不良等问题，智能电极为解决这些问题提供了新的思路。

(一) 智能材料

通过智能材料的使用，智能电极实现了自适应功能，包括自粘附、自愈性和自感应能力。在自吸附材料中具体可分为由于模量调控得到的机械吸附、由于引入粘附性分子，形成化学键的化学吸附，以及多机理吸附（图2）。在化学自吸附材料中，由于化学键的设计，可以获得多功能材料，例如自愈合、防冻等。但是，自粘合材料存在透气性差、汗液堆积的问题，仍然需要进一步权衡。

图2 表皮电生理电极自粘材料设计（a）通过降低机械模量来改善附着力(上图)，CNT/aPDMS对皮肤皱纹的渗透，比例尺100 μm(下图)；（b）通过减少薄膜厚度来改善附着力(上图)，300 nm超柔性薄膜的形态与人造皮肤相似(下图)；（c）通过粘合剂、内聚力和混合力化学增强附着力

自愈合材料主要是水凝胶和弹性体材料。在水凝胶中，基体的自愈合功能来源于可逆键，导电网络是在基体的带领下进行愈合。在弹性体材料中，导电网络的存在方式有三种，分别为直接沉积在基体上，嵌入基体中，以及以金属液滴的方式分散在基体中（图3）。其中，后两种方式能够实现导电网络的自愈合，提升了材料的智能。但是，目前自愈合材料仍然存在愈合效率不理想以及愈合条件比较极端的问题，还无法投入实际应用。

图3 自我修复机制（a）基于分子间相互作用底物自愈；（b）基于可逆共价力基底自愈；（c）导电液态金属微通道自愈；（d）液态金属液滴原位自愈

自感知材料在本文中主要指的是压电材料。其有两种利用方式，一种是将采集到的机械声学信号通过傅里叶变换转换为对应的电生理信号，另一种是直接利用机械声学信号，在检测人体信号的时候作为电生理信号的辅助（图4）。

图4 基于压电材料的心血管监测电极（a）基于PVDF的SCG传感器结构及实测SCG与参考值的比较；（b）用于ECG和SCG记录的双PVDF传感器系统的结构与商用加速度计具有相同的灵敏度

(二) 智能结构

在介观尺度上，主要采用的智能结构包括分形结构、剪纸结构、以及折纸结构（图5）。分形结构具有自相似特点，包括Peano线、Moore环、希腊十字等构型，能自发面外弯曲和扭曲以适应大的应变；剪纸结构通过引入不同的切割设计，可实现结构的三维弯曲和扭曲，对机械刺激做出可逆反应；折纸结构具有三维折叠的特征，常见的设计策略包括直接折叠、优化刚度和引入剪纸结构进行增强。分形结构和剪纸结构有更为广泛的应用，然而，与皮肤的稳定接触和制造等方面仍存在挑战。

图5 用于表皮电生理电极的智能结构。(a)分形结构；(b)剪纸结构；(c)折纸结构

在微观尺度上，智能结构多为仿生结构。受章鱼吸盘和甲虫前腿的启发，凸杯和皱纹微沟的智能结构赋予了电极自吸附能力；受水鸟喙、树蛙足以及甲虫前腿的启发，锥形通孔结构、六边形微沟结构以及皱纹微沟大大提升了电极对水分和汗液的垂直传输和表面传输，增强了电极的稳定性以及环境适应性（图6）。

图6 用于表皮电极的仿生智能结构

(三) 智能算法

智能算法在信号处理中发挥着重要作用，主要包括以下步骤：信号采集；预处理；特征提取；特征优化；特征分类（图7）。

信号采集后，应用预处理算法来消除噪音。在特征提取方面，深度学习框架已被广泛用于提取空间-时间特征的准确性和速度。对特征的进一步优化有助于简化特征向量，这主要涉及特征选择和降维。最终，根据具体任务的要求进行分类，以更好地服务于实际场景，如疾病诊断、手势识别和情感识别分类等。

图7 电生理信号处理的步骤

滤波的主要目的是去除信号中的噪声和伪影，这是信号分析前的一个必要步骤。最初，带通滤波器通常被应用于预处理阶段，以减弱肌肉噪声、由电极运动引起的伪影、PCI、基线漂移、高低频噪声信号。基于比例归一化最小均方（PNLMS）算法的心脏信号增强自适应滤波器，循环泄漏自适应算法，以及低阶移动平均（MVA）滤波器等被用于改进。深度学习技术也被应用于去噪过程，一种方法基于去噪自动编码器（DAE），另一种基于寻找最高的Akaike's信息准则（AIC）权重和最佳的神经元数量的方法也被证明可以有效地减少计算负担。

时域分析、频域分析和时-频域分析是常用的特征提取方法，根据应用的要求，可以利用不同类型的特征向量。近年来，随着深度学习的发展，使用神经网络（NNs）的特征提取及其改进方法有着广泛应用。

特征通常被编码为高维向量。当分类器使用大量的特征进行分类时，存在高计算成本和低效率的问题，因此特征选择和降维十分必要。其中，遗传算法（GA）和主成分分析（PCA）是常用的方法。

许多算法被设计用来预测和分类信号，从传统的算法，如时频域变换，到机器学习算法，如支持向量机（SVM），贝叶斯分类器（BC）、线性判别分析（LDA）、随机森林（RF）、多层感知器（MLP）、K近邻（KNN），以及更流行的基于深度学习的算法，如卷积神经网络（CNN）、循环神经网络（RNN）、图卷积网络（GCN）等。深度学习算法（DL）在三个方面与传统技术不同：首先，它同时优化了特征的表示和分类；其次，深度神经网络有很大的潜力来处理复杂的数据；最后，深层特征捕捉到了数据的更高层次的变化。深度学习已经成功地应用于如生物识别应用、物体检测、图像分类、情感识别、睡眠监测和计算机视觉（CV）技术。本文将ECG、EEG、EOG和多模态融合信号的应用情况进行了总结，并将其与算法模型、数据来源和性能结果进行了横向和纵向比较，具体参见文中列表。

总之，达成材料和结构的稳定性、适应性仍存在挑战，相关算法仍缺乏解释性，同时智能表皮电生理电极的系统集成问题仍需相关领域加强合作。通过将智能算法与人机交互设备集成，结合更高性能的智能电极材料和结构设计，表皮电生理信号监测电极将在未来不断得到优化和更为广泛的应用。

本论文共同第一作者为西北工业大学2020级本科生叶元茗和王昊超，共同通讯作者为无人系统技术研究院邵典副教授和吉博文副教授。

作者简介：