《SCIENCE ADVANCES》：Deep learning–integrated multilayer thermal gradient sensing platform for real-time blood flow monitoring
编辑推荐：
本刊推荐：研究人员针对传统血流监测方法无法同时量化血流速率与血管深度的难题，开发了一种集成多层热传感与深度学习算法的软电子平台。该平台通过分层布置的热敏电阻捕获皮肤表面不同高度的热梯度，利用深度学习实时解析热模式，实现了对血流速率（1-10 mm/s）和血管深度（1-2 mm）的同步连续测量（精度达±0.12 mm/s，深度分辨率±0.07 mm）。与光电体积描记法（PPG）结合后，连续血压监测误差较单一PPG方法降低9.54-72.6%，为个性化心血管监护、血流动力学事件早期预警及皮瓣存活监测提供了新技术路径。
在心血管健康评估和血管并发症诊断中，血流监测扮演着至关重要的角色。传统的多普勒超声技术虽然广泛应用，但依赖于笨重的设备和专业操作人员，难以实现便捷、连续的日常监测。近年来，基于热传感的微型化可穿戴设备为微流控通道中的流速测量提供了新思路，它们通过测量上下游热敏电阻之间的温差来推算流速。然而，当这种方法应用于人体皮下血流监测时，却面临一个根本性挑战：血管在皮肤下的深度是可变且未知的。这种深度差异会显著影响热敏电阻检测到的温度信号，导致传统的单层热传感器无法区分血流速率的变化和血管深度的影响，从而难以获得准确的血流测量值。现有技术或只能进行粗略的深度分类，或仅能定性判断血流状态（通畅、低流速、阻塞），都无法实现血流速率和血管深度这两个关键参数的同步、连续、定量测量。这一局限性阻碍了可穿戴血流监测技术在临床和日常健康管理中的精准应用。
为了解决这一难题，一项发表在《科学·进展》（SCIENCE ADVANCES）上的研究报道了一种创新的解决方案。研究人员开发了一种与皮肤贴合的软电子平台，它巧妙地将多层热梯度传感技术与深度学习算法相结合，首次实现了对血流速率和血管深度的无线、实时、同步连续测量。这项技术的核心在于其多层传感架构，该平台通过分层布置的热敏电阻来捕获皮肤表面不同高度的热梯度信息。当设备与皮肤接触时，其分层结构允许对不同血管深度进行全面的热分析。这些热图揭示了每个传感层独特的空间温度模式，提供了单层测量无法获得的互补信息。一个集成了蓝牙低功耗（BLE）片上系统（SoC）的无线系统将获取的热数据发送到用户界面（UI），深度学习算法在此处实时处理这些热模式，以提取血管深度和血流速率参数。
为了开展这项研究，研究人员主要运用了以下几项关键技术方法：通过有限元分析进行传感器设计优化与热传播模拟；采用柔性印刷电路板制作多层热传感模块，并集成无线通信单元；利用微流控器件模拟血管通道，结合注射泵进行系统的台式性能表征与优化；构建深度学习神经网络模型，用于实时处理多层热数据并同步输出血流速率和血管深度；通过人体试验，结合灌注指数和激光多普勒血流仪等参考方法，在呼吸调制、外部血管压迫和骑行运动等生理干预下验证设备性能；将热传感平台与光电体积描记法整合，并利用临床级血压监测仪作为参考，评估其在动态血压监测中的表现。人体试验获得了韩国科学技术院伦理委员会的批准。
多层热梯度传感器
研究团队设计了一个包含热执行器和两对上下游热敏电阻的传感器，这些热敏电阻分别位于顶层和底层传感层中。热执行器产生可控的热激发，而分层布置的热敏电阻则能捕捉到不同血管深度所对应的独特热分布模式。有限元分析结果直观显示，深度为1毫米的血管表现出更强的热吸收和更集中的热模式，而深度为2毫米的血管则由于通过组织的横向热消散增加，显示出吸收减少和温度分布更分散的特征。这两种情况都显示出沿血流方向的特征性下游偏斜。这种流动依赖性偏斜和深度依赖性吸收的结合，使得同时确定血管深度和血流速率成为可能。
集成深度学习推理的无线系统
该平台的核心是一个集成了蓝牙低功耗系统芯片的无线系统。热传感模块包含两层血流传感器和两层参考热敏电阻，采用惠斯通电桥配置和差分放大器，有效消除了环境温度变化的影响。测量数据经过模数转换和移动平均滤波后，通过蓝牙无线传输至智能手机。手机应用程序利用一个经过优化的深度学习神经网络模型对多层热模式进行分析，该网络以六个热敏电阻的输入数据作为特征，实时输出血流速率和血管深度两个参数。网络结构包含线性层、修正线性单元激活函数、批量归一化和丢弃正则化等技术。
系统性能表征与优化
研究人员通过详尽的台式研究，系统评估了热执行器直径、加热功率、执行器-热敏电阻距离和层间距等关键设计参数对测量精度的影响。结果表明，当执行器直径为3.5毫米、加热功率为56.7毫瓦、执行器-热敏电阻距离为3.5毫米、层间距为1.5毫米时，系统在血流速率1-10毫米/秒和血管深度1-2毫米的生理相关范围内表现出优异的性能。对9000个测量点的分析显示，血流速率和血管深度预测值与设定值之间具有极高的线性相关性。95%的数据点落在血流速率误差±0.12毫米/秒和血管深度误差±0.07毫米的范围内。此外，设备在不同环境温度下表现出稳健的性能，并能准确跟踪血流速率的阶跃变化。
人体受试者验证
在健康参与者身上进行的验证实验包括呼吸调制、外部血管压迫和骑行运动三种生理干预。结果表明，该平台测量的血流速率与作为参考的灌注指数变化呈现出高度一致的时间模式。在屏气、上肢加压和运动强度变化期间，血流速率和灌注指数同步下降或上升，显示出良好的相关性。与激光多普勒血流仪的并行对比实验进一步证实了该设备追踪相对血流变化的能力。热安全性评估表明，使用不同容量电池时，设备运行期间的皮肤表面温升均保持在安全范围内。
连续血压监测
为了展示该平台的集成潜力，研究人员将其与光电体积描记法结合，用于连续血压监测。在受试者进行瓦尔萨尔瓦动作以诱发快速血压变化时，对比了单一光电体积描记法和热传感-光电体积描记法整合方法的性能。结果显示，在血压动态变化的各个阶段，整合方法的预测值均能更紧密地跟随临床级参考血压计的测量值。布兰德-奥特曼分析表明，对于收缩压和舒张压，整合方法的95%一致性界限范围均显著窄于单一光电体积描记法，证明其具有更高的测量精度，尤其在血流动力学快速过渡期间优势明显。
综上所述，这项研究成功开发了一种新型的皮肤接口电子平台，通过多层热梯度传感与深度学习的融合，攻克了可穿戴血流监测中血管深度变异影响测量准确性的核心难题。该技术不仅实现了血流速率和血管深度的同步、连续、无线监测，其与光电体积描记法等现有技术的集成能力，更展示了其在提升心血管疾病管理、重症监护、术后监测以及个性化医疗等方面应用的巨大潜力。该平台为无袖带、可穿戴、连续精准的血流动力学监测开辟了新途径，标志着可穿戴健康监测技术向更高精度和更丰富功能迈出了重要一步。未来的工作包括在更广泛的人群和病理条件下进行验证，以及探索个性化校准策略以进一步提升性能。
