河北工業大學胡寧、趙麗濱和王子瑩研究團隊《Nano Energy》:水凝膠傳感器助力步態分析，輔助診斷帕金森病與偏癱

?

近年來，新興的指紋、人臉等生物識別技術容易被掩蓋和模仿，并且需要接觸識別，增加了識別難度。步態特征不僅依賴于先天因素，還與后天的生活環境密切相關，難以改變或偽裝。盡管在大霧、沙塵暴等復雜環境中，通過提取人體運動輪廓，可實現遠距離、非接觸的識別。步態識別系統在身份識別，體育鍛煉和醫學診斷領域中發揮著重要作用。特別地，步態分析可為診斷多種潛在疾病提供有用線索，實現早期診斷并指導患者康復治療（如：偏癱和帕金森氏病）。因此，迫切需要開發可移植的人機相交互系統來監測和識別這些癥狀。

目前，有兩種主要的步態識別方法：基于穿戴式傳感器的步態識別和基于機器視覺的步態識別。基于機器視覺的步態識別方法對數據收集的環境有更高的要求，還需要進行繁瑣的操作，如：圖像收集，處理和保存。然而，使用穿戴式傳感器進行步態監測和識別是一種簡單有效的方法，不受外部環境因素的限制。再結合不同的深度學習算法，提取生理參數的特征來進行步態識別和預測。

????

近日，河北工業大學的胡寧、趙麗濱和王子瑩研究團隊提出了一種基于氧化石墨烯-聚丙烯酰胺（GO-PAM）復合水凝膠的自供電式應變傳感器（圖1）。該傳感器可用作摩擦納米發電機（TENG）來收集人體運動機械能。基于0.02 wt％GO-PAM水凝膠的TENG輸出功率高達26 mW，是純態PAM水凝膠輸出功率的2.2倍，可點亮353個發光二極管（LED）為電子溫度計供電。此外，設計了可穿戴智能鞋墊，其中包括柔性鞋墊，數據處理模塊和使用Python開發的PC接口。在三種不同深度學習算法模型中，基于人工神經網絡（ANN）算法分別對正常人生活步態和病理步態的識別精度高達99.5%和98.2%。該系統可應用于早期診斷，康復評估和患者治療，為人體步態監測和識別提供了更方便的選擇。相關工作以“A flexible, stretchable and triboelectric smart sensor based on graphene oxide and polyacrylamide hydrogel for high precision gait recognition in Parkinsonian and hemiplegic patients”發表在《Nano Energy》上。

圖1. 智能GO-PAM水凝膠應變傳感器系統可實現步態的高精確識別

GO-PAM復合水凝膠設計為三明治夾層結構，由銀納米線作為上電極，可拉伸的GO-PAM水凝膠膜作為摩擦電層，銅作為下電極（圖2）。該團隊首先研究了GO的質量分數對GO-PAM水凝膠膜電輸出性能的影響。與純PAM相比，GO-PAM復合水凝膠膜的輸出電壓，輸出電流和輸出功率均增加。采用0.02 wt% GO-PAM水凝膠制備的TENG輸出電壓和電流最高(分別為990 V和63.84 μA)，輸出功率可達26 mW，是純PAM水凝膠膜的2.2倍。

圖2. 基于GO-PAM的摩擦納米發電機（TENG）的示意圖與輸出的電學性能

研究組研究了0.02 wt% GO-PAM水凝膠的可拉伸和壓縮性能。

0.02 wt% GO-PAM水凝膠在小拉伸應變范圍（10-60%）和較大的拉伸應變范圍（80-300%）表現出優異的機械穩定性（圖3）。此外，還用GF(GF =(?R/R0)/strain)來評價應變敏感性能。當應變范圍為0~60%時，GF為2.13；當應變范圍為60~200%時，GF從2.13增加到4.89。隨著應變范圍從200%增加到300%，GF達到7.97。當拉伸應變為20%時，應變響應和恢復時間分別為0.5 s和0.6 s。該傳感器粘貼在人體不同關節處，如前額、手指、肘部、手腕等，不僅可以檢測產生的電阻信號，還可識別手指和肘關節的彎曲程度。

圖3.?GO-PAM柔性應變傳感器的應變性能

近年來，機器學習作為人工智能（AI）研究領域被廣泛應用于數據分析和模式識別。將AI引入穿戴式傳感器可以提高模式識別的準確性，并開發具有高精度和實時處理的智能可穿戴電子系統。本文設計了一款智能鞋墊，采集4個應變傳感器產生的模擬電壓信號，并將其經過A/D轉換后，由單片機傳輸到PC機上（圖4）。再對采集到的原始信號進行快速傅里葉變換(FFT)濾波和去噪，保留原始信號的有用特征。最后，構建神經網絡模型、決策樹模型和隨機森林模型對步態數據進行精確識別和分析，用于人體日常行為步態識別和人體病理步態識別。

圖4.?步態識別模型對人體步態識別的過程，實時采集監測五種不同人體日常行為步態的電壓信號，三個模型的原理示意圖和步態識別混淆矩陣以及三種算法對人體日常行為步態識別的準確性

基于步態識別模型，將機器學習方法擴展到特殊疾病的步態識別。該研究的三個機器學習模型成功地用于帕金森病，左偏癱和右側偏癱步態的識別（圖5）。總體識別精度均達到90%以上。經過500次對神經網絡的訓練，測試集的識別精度達到98.2%。此外，通過建立步態監測系統，在計算機上實時顯示了患者的步態波形。當患者進行步行訓練時，可以將患者的活動信息數字化存儲在計算機上，例如步數，步行速度等（Video）。通過分析這些數據，可以及時調整患者的訓練量和康復狀況。該研究表明，引入機器學習輔助方法可以準確診斷疾病，提高康復訓練的效率，并提供遠程康復的治療指導。

圖5.?實時采集帕金森病、左偏癱和右偏癱患者步態的電壓信號，三種深度學習算法對人體病理步態識別的精度比較

視頻1. 實時采集帕金森病、左偏癱和右偏癱患者步態的電壓信號

結論：在此項研究中，研究者開發了具有高可拉伸、可壓縮、高粘附性和自我修復性的水凝膠。該水凝膠可以將其延伸至860%，具有良好的穩定性和耐用性，可以至少循環利用380次。其對各種材料具有較高的粘附性能，包括塑料，紙，金屬，皮膚，木材和玻璃。另外，研究了基于水凝膠TENG的輸出電性能，可以點亮353盞 LED燈并為電子溫度計供電。設計了一款智能鞋墊，并基于三種算法構建了步態識別模型，該算法可用于正常和異常的步態識別。在這三個模型中，對正常步態和異常步態的ANN算法的識別精度分別達到99.5%和98.2%。