王中林院士团队《AFM》：基于机器学习的传感鞋垫，用于腰椎退行性疾病诊断和术后评估！

腰椎退行性疾病（LDD）是指神经源性间歇性跛行、下肢疼痛等神经压迫综合征，其发病率随着年龄的增长而增加，扰乱了人们的日常生活。传统诊断通常采用磁响应成像或其他成像检查，但放射学数据具有不确定的临床相关性。最近的研究表明，LDD患者的步态与正常人不同。研究人员尝试设计基于足底压力辅助LDD诊断和康复的便携式设备。然而，由于传感器较少，数据的空间分辨率较低。个人步态是随时间变化的空间足底压力变化，因此需要更全面的数据分析方法，例如机器学习。

中国科学院北京纳米能源与系统研究所王中林院士、唐伟副研究员，北京大学第三医院李危石教授等人提出了一种用于LDD诊断过程的可穿戴鞋内有源矩阵传感阵列（AMSA），来测量步行期间的足底压力。结合机器学习算法，该系统对半蹲、蹲、跳、走、慢跑等常见人体运动进行分类，准确率高达99.2%，展现出了识别个人活动的能力。在62例LDD患者的临床样本中，该系统可以进行人工智能诊断并给出术后恢复评估，准确率达到100%。由于个人足底压力还可以指示其他疾病，例如糖尿病和筋膜炎，该系统可以扩展到其他医学方面，在生物医学工程中展现出巨大的应用潜力。该研究以题为“Active-Matrix Sensing Array Assisted with Machine-Learning Approach for Lumbar Degenerative Disease Diagnosis and Postoperative Assessment”的论文发表在《Advanced Functional Materials》上。

【AMSA的构成】

AMSA是由以100 μm厚的聚酰亚胺为基板的柔性印刷电路板（FPCB）和由具有压电特性的聚偏二氟乙烯（PVDF）组成的压敏点阵列组成。PVDF的顶面和底面都被银覆盖，然后使用两条导电胶带将其固定并电连接到FPCB，最后用皮革封装，形成总厚度为1.3毫米的鞋垫式结构。由于上述材料的柔韧性，整个AMSA可以高适应性地进行压缩、折叠和扭曲。AMSA可以实时感知足底压力变化，并通过基于蓝牙的后续电路传输数据。测试结果表明，AMSA在一步移动期间检测到的典型实时压力变化与行走过程中的人体工程学非常匹配，表明其具有人体足底压力感应的能力。带有定制APP的手机可以显示足底压力映射，以及每个点的特定压力曲线。数据可以上传到医疗云服务器上，供患者的医生在未来进行疾病评估或康复评估。

图1用于LDD诊断和恢复评估的AMSA设计

图2 AMSA的表征

【AMSA的人体运动分类】

作者使用AMSA对五种常见的人体运动进行分类：半蹲、深蹲、跳跃、步行和慢跑。信号的密集度和幅度表示运动的强度和频率，可用于对不同的运动进行分类。例如，半蹲和深蹲的电压约为1.15 V，压力出现在人站立或蹲下时的脚跟和前脚掌区域，深蹲由于向下运动更高而导致电压更高。跳跃瞬间出现瞬时峰值，发力位置在前掌区域。对于步行和慢跑运动，几乎所有传感器都有输出，但慢跑的频率明显高于步行。考虑到多维和海量数据，作者设计了SVM机器学习算法对上述运动进行分类。作者提取平均电压值作为特征值来训练机器学习模型，结果显示出接近100%的精度，这证明了基于机器学习的AMAS在感知和分类人体动作方面的可行性。

图3 AMSA结合机器学习检测和分类不同人体运动的能力

【LDD诊断和恢复评估】

由于该系统在识别人体动作方面表现出良好的效果，并且LDD的症状与足底压力有很强的关系，作者利用其对LDD患者进行了调查，以建立一种辅助工具，帮助医生进行诊断或评估患者的康复情况。作者选择来自患者的72个样本和来自正常人的73个样本作为模型训练和预测数据集，使用机器学习方法（SVM）来分析数据与症状之间的关系。基于多维空间的分布，该系统可以将患者与正常人区分开来，准确度高达100%。此外，作者利用该系统来评估患者的康复情况。根据对患者的随访，初步证实了该系统对患者康复评估的有效性。作者预计，随着为训练收集更多的患者数据，该系统的预测和评估准确性可以进一步提高，从而进一步分类更具体的症状。

图4机器学习区分LDD

总结：作者开发了一种能够实时监测个人足底压力的可穿戴鞋内有源矩阵传感阵列。对LDD患者的临床实验表明，该系统具有辅助诊断能力，经过125个个体样本的训练，预测准确率达到100%。由于个人足底压力还可以指示其他疾病，例如糖尿病和筋膜炎，该系统可以扩展到其他医学方面，在生物医学工程中表现出巨大的应用潜力。

--纤维素--

--帮测科技--

原文链接：

https://onlinelibrary.wiley.com/doi/10.1002/adfm.202113008

来源：高分子科学前沿

声明：仅代表作者个人观点，作者水平有限，如有不科学之处，请在下方留言指正！