UCLA陈俊课题组 ACS Nano：基于机器学习的自驱动辅助医疗设备

在全世界范围内，近10亿人正受到听力、视力、语言功能或身体残疾等疾病和残障的困扰。与此同时，随着老龄化进程的加剧，世界人口的22%将在2050年迈入60岁大关，为医疗系统带来严峻的挑战。在这种情况下，辅助物理治疗（APT）设备将会在他们的日常生活中发挥着至关重要的作用：作为一种适应性和康复性设备，APT旨在减轻残疾人在执行认知、沟通、识字和移动等任务方面的影响，针对每个人独特的健康状况来制定针对性的辅助服务，并基于贴身传感器的数据分析得出最优化的治疗方案，可以适应兼具多功能和便携性的应用市场需求。

随着世界进入物联网（IoT）和5G技术的时代，APT设备变得更加互动，并有可能以每人每天千兆字节的水平不断提供用户生成的数据。面对从如此宏大的数据体系中萃取有效参数的任务，机器学习（ML）或许可以大展身手。目前在人工智能技术领域，机器学习技术的前沿是深度学习，用于以对大量的传感器数据进行分类和处理。深度学习算法作为一种可以模仿人类认知过程的算法，可以从数据中学习规则，并自动改善学习过程。机器学习还可以优化传感器网络，监测随时间变化的动态信号。此外，基于人工神经网络（ANN）的机器学习算法可以为物联网和边缘计算系统压缩和恢复数据，从而提高传感器数据收集和处理的传输效率，由此可以通过不完整的信号为APT设备检索到最准确的信息。

此外，大多数传统的APT设备正在被为电池供电问题所困扰：由于电池的功率密度低、寿命有限、重量大且有可能被污染，它们不但会阻碍APT设备的小型化和便携性，反而会进一步增加残障人群的负担。此外，与电池有关的环境问题、电力成本、充电时间和节点维护也不容忽视。为了解决这些问题，自供电的电子APT设备提供了崭新的思路：利用生物力学的能量转换，通过产生的电信号来测量生物力学运动。它们可以通过使用电信号曲线来跟踪和记录生物标志物的动态变化，如声音振动信号、脉冲信号以及运动信号等。自供电的传感器，如压电、摩擦电、磁弹性和电磁传感器都可以实现规模化生产以降低成本。此外，一些自供电的传感器可以在恶劣的分布式环境中使用，从而减少更换电池的维护成本。由于这些原因，自供电的传感器非常适合机器学习的数据传输，为APT设备的发展提供了新的动力。

这篇文章首先介绍了不同类型的自供电APT设备的工作原理，包括压电、摩擦电、磁弹性和电磁传感器，并描述了APT设备中采用的机器学习算法，并从材料创新、功能系统设计和算法的角度强调了APT设备的每个自供电传感器类别。最后描述了未来APT设备的技术困扰和潜在的发展方向。这项工作于2021年12月16日以Machine-Learning-Aided Self-Powered Assistive Physical Therapy Devices为题，发表在了ACS Nano上。

原文链接：

https://pubs.acs.org/doi/abs/10.1021/acsnano.1c10676

作者团队简介：

相关进展

Sci. Adv. 封面：一种高性能、超细的锌锰电池纤维用于驱动智能织物

武汉大学刘抗课题组《Nano Energy》：可见红外双波段伪装织物

西南交大杨维清教授等CRPS：水蒸发诱导分子间作用力实现纳米褶皱聚合物薄膜合成

西南交大杨维清教授等Small：导电聚合物墨水——助力可穿戴储能器件的大规模制造

电子设备废热利用的新思路：热电水凝胶