受cribellate丝的启发，瑞利不稳定性诱导纺锤结纤维被编织成可渗透和防潮的纺织摩擦电传感器，该传感器拥有51.2dB的信噪比，0.28秒的响应时间，以及0.46V kPa-1的灵敏度。在深度学习的帮助下，口罩上传感器网络可以实现呼吸模式识别，分类准确率高达100%，比单个呼吸传感器有很大提升。此外，还开发了一个定制的用户友好型手机应用程序，将处理后的呼吸信号连接起来，进行实时数据驱动诊断，并与临床医生一键共享健康数据。深度学习辅助的面罩传感器网络为物联网时代的个性化呼吸管理开辟了新途径。
图1：呼吸监测系统的设计。 a)人体呼吸系统及相关常见呼吸系统疾病示意图。b)在4m s-1 的正常呼吸速率下模拟面罩内表面的压力分布。 c)不同呼吸模式下的模拟峰值压力。d) 掩膜上传感器网络的设计。e) 显示纺织传感器结构的示意图。f) 传统呼吸传感器与面罩传感器网络的特性比较。g) 显示掩膜传感器网络可扩展性的照片。比例尺：5 厘米。h) 深度学习辅助自适应呼吸监测系统示意图。
图2：瑞利不稳定性用于制造受丝绸启发的摩擦电纤维。 a) 均匀、纺锤结和蛤壳结构的摩擦电纤维的可扩展制造。b) 显示摩擦电纤维线轴的照片。比例尺：2 厘米。c-e) 均匀 (c)、纺锤结 (d) 和蛤壳 (e) 构象的摩擦电纤维的 SEM 图像。比例尺：200 µm。f) 制造纤维的驼峰直径。g) 用于分析三种构象演化过程的准静态模型草图。L 和 h 分别为 PVDF 溶液液滴的长度和半径；b 为合金丝的半径；θ 是合金丝之间 PVDF 溶液的接触角（其中 x = h，φ = π/2，并且 x = b，φ = θ）。h）δ（ΔP）和n-θ之间的关系。i) 作为 n 和
θ 函数的相图，用于检查瑞利不稳定性确定的均匀和纺锤结构象。
图3：纺织摩擦电传感器的表征。 a) 摩擦电传感器的工作原理示意图。b) 摩擦电传感器在开路条件下的电荷分布模拟结果。c) 在 1 至 4 kPa 的变化负载压力下，纺织传感器的输出Voc分别具有 1 Hz 的恒定频率。d) 纺织传感器的输出 Voc 分别在 1/6 到 1 Hz 的不同频率下具有 4 kPa 的恒定负载压力。e) 三种基于构象纤维的纺织传感器的灵敏度和电输出比较。f）基于纺锤结的纺织传感器的τ和SNR。g) 纺织品传感器在 4 kPa 压力和 1 Hz 频率下的耐久性能。
图4：基于面罩上传感器网络的自适应呼吸监测系统的演示。a) 用于呼吸监测的面罩上传感器网络模型示意图。b) 显示深呼吸时面罩内表面压力分布的插值图像。c,d) 正常和深呼吸模式下不同通道Voc的振幅和频率（每分钟呼吸次数）。1类：正常呼吸；2类：深呼吸；3类：偶尔咳嗽；4类：正常声音；5类：呼吸衰竭。g) 构建的CNN模型的详细结构。h) 在200个历时中评估分类精度、学习率以及损失函数。目标类是指收集的五种呼吸信号类型，输出类是指在深度学习的帮助下识别的结果。） 使用定制的手机APP进行实时无线呼吸监测和管理的照片。比例尺。3厘米。
原文链接：
Y. Fang, J. Xu, X. Xiao, Y. Zou, X. Zhao, Y. Zhou, J. Chen*. A Deep-Learning-Assisted on-Mask Sensor Network for Adaptive Respiratory Monitoring. Advanced Materials, 34, 2200252 (2022)
https://doi.org/10.1002/adma.202200252
