综述：基于机器学习的智能水凝胶：应用与未来展望

《Materials & Design》：Machine learning–enabled intelligent hydrogels: applications and future perspectives

　　张楠|孟庆华|肖淼淼|周 Luxing|冷洪帅|鲍春宇|冯学全
天津体育大学，中国天津 301617

摘要
由于水凝胶具有类似组织的力学性能、高含水量、对刺激的响应性以及可编程的结构，它们在柔性电子、生物医学和软体机器人领域得到了越来越多的应用。同时，机器学习（ML）和深度学习（DL）正在加速水凝胶的设计、信号处理和智能控制的发展。本综述提出了一个集成框架，将水凝胶材料、柔性/可穿戴传感技术与基于ML的分析和优化相结合，这与以往关于一般水凝胶设计或孤立ML应用的综述有所不同。本文总结了最近在柔性传感、健康监测、药物递送、细胞行为分析和软体机器人方面的进展，并讨论了当前面临的挑战和未来的机遇，特别是在数据标准化、模型泛化能力、多模态融合和闭环智能系统方面。

1. 引言
水凝胶是一类由三维交联聚合物网络组成的软材料，具有高含水量，在柔性电子、智能医疗、组织工程和环境监测等领域受到了广泛关注[1]、[2]、[3]、[4]、[5]、[6]、[7]。由于其优异的柔韧性、生物相容性、可调的机械性能以及对刺激的响应行为，水凝胶表现出与生物组织相似的物理特性，包括低弹性模量、高保水率和可逆变形性[8]、[9]、[10]、[11]、[12]。这些特性使水凝胶成为下一代智能材料的有希望的候选者。随着智能制造和可穿戴技术的快速发展，对水凝胶的功能化、智能化和定制化的需求日益增加，应用于生理监测、人机交互、精准药物递送和仿生驱动等方面[13]、[14]、[15]。然而，这些不断增长的应用需求也暴露了传统水凝胶设计和优化策略的局限性。
尽管具有这些优势，水凝胶系统本质上仍然非常复杂，其性能受到多种耦合因素的影响，包括化学组成、网络结构、交联机制、环境条件和应用场景[16]、[17]。传统的水凝胶设计和优化主要依赖于经验性和实验驱动的方法，这些方法通常耗时且成本高昂，不足以揭示复杂的结构-性能关系[18]、[19]、[20]。在柔性传感、可控药物释放和软体机器人等应用中，水凝胶的行为往往是非线性的和时间依赖的，使用传统的理论模型难以准确描述或优化[21]、[22]。因此，建立高效的结构-功能关系和优化策略已成为水凝胶研究中的一个主要挑战。这些限制促使人们将基于人工智能的方法，特别是机器学习，引入到水凝胶研究中。
人工智能（AI）的最新进展，尤其是机器学习（ML），为水凝胶研究开辟了新的机遇[23]。ML可以直接从实验数据、模拟数据或应用数据中构建复杂的非线性映射，在特征提取、模式识别、性能预测、结构设计和动态行为建模方面具有强大的能力[24]、[25]、[26]。因此，ML正在逐步将水凝胶研究从传统的功能材料开发推向数据驱动和智能设计[27]。这种数据驱动的范式在水凝胶系统产生复杂、高维或时间依赖信号的应用场景中尤其有价值。
在柔性传感应用中，基于水凝胶的传感器可以连续输出生理和运动相关的信号，但这些信号通常包含噪声、漂移和复杂的时间特性。ML在信号去噪、特征提取和行为识别方面具有显著优势，从而提高了水凝胶传感器在心率监测、步态分析、姿势识别和健康评估等方面的性能[28]、[29]。深度学习（DL）模型，如卷积神经网络（CNN）和长短期记忆（LSTM）网络，可以直接从时间序列数据中学习代表性特征，实现更准确的运动识别和多参数生理监测[30]、[31]、[32]。在智能医疗和组织工程中，ML已被应用于药物释放预测、细胞行为分析、组织反应评估和3D生物打印参数的优化[33]、[34]、[35]、[36]。在软体机器人中，ML为建模非线性变形、执行器控制和基于水凝胶系统的逆向结构设计提供了新的策略[37]、[38]、[39]、[40]。这些新兴研究表明，ML不仅仅是一个辅助分析工具，而是整合水凝胶材料、设备和智能功能的关键推动者。
尽管已有几篇综述讨论了基于ML的水凝胶应用，但大多数集中在一般材料设计或孤立的应用场景上。相比之下，本综述强调了将水凝胶材料设计、柔性/可穿戴传感应用与基于ML的智能分析和优化相结合的集成框架。我们特别强调了ML如何在水凝胶基智能系统中桥接材料开发、设备性能和功能解释。这种定位使本综述区别于之前的调查，并为当前进展和剩余挑战提供了更系统级的讨论基础。
然而，基于ML的水凝胶研究仍处于早期阶段。现有研究主要集中在应用层面，而在集成材料-结构-功能设计、数据驱动的结构生成和多尺度建模方面仍有许多机会[41]、[42]。同时，诸如实验数据有限、缺乏标准化测试协议、实验室间差异以及描述复杂耦合机制的难度等问题继续阻碍了ML在该领域的更广泛应用[43]、[44]。因此，迫切需要系统地回顾最近的研究进展、主要挑战和未来方向。以下部分总结了代表性的进展，同时指出了未来发展必须解决的关键障碍。
在本综述中，我们系统地总结了基于ML的水凝胶应用的最新进展，特别关注柔性及可穿戴传感、智能医疗、组织工程和软体机器人领域。我们进一步讨论了这一新兴领域中的关键挑战和未来机遇，旨在为智能、高性能水凝胶系统的开发提供理论支持和实际指导。

2. 机器学习在水凝胶系统中的作用
2.1. 基于ML的水凝胶应用的背景和必要性
水凝胶在传感、生物医学、组织工程和智能系统中的应用持续扩展，其功能行为通常涉及强烈的多物理场耦合，包括机械变形、电化学响应、膨胀动力学和刺激响应驱动。因此，水凝胶在复杂应用场景中的性能表现为明显的非线性、多变量依赖性和时间动态性，使用传统的分析或现象学模型进行准确描述极具挑战性[45]、[46]、[47]、[48]、[49]。
同时，现代基于水凝胶的应用产生了大量异构数据，如来自传感器的电信号、细胞行为的显微图像、药物释放曲线和驱动变形轨迹。手动分析这些数据集效率低下且容易忽略潜在模式。在这种情况下，作为数据驱动的方法，ML能够自动提取特征、识别模式，并从高维数据中进行预测和优化，为智能水凝胶应用提供了强大的解决方案。
ML可以学习水凝胶系统的输入-输出关系，例如，从材料结构、环境条件或外部刺激预测应用行为；反之，它也可以指导水凝胶的功能设计和应用层级的优化。此外，ML非常适合处理多模态数据，能够将电信号与图像信息融合，或将仿真结果与实验数据集结合，从而显著提高对复杂系统行为的理解。因此，ML不仅加速了水凝胶应用研究，还推动了水凝胶向智能材料、智能设备和智能系统的进化[50]、[51]。
2.2. ML在基于水凝胶的柔性传感中的关键作用
基于水凝胶的柔性传感器广泛用于监测人体运动、心率、呼吸和其他生理信号。它们的输出信号通常包含噪声、基线漂移和复杂的时间变化。传统的信号处理方法通常依赖于手动设计的特征，而ML可以自动提取关键模式。例如，CNN可以识别局部信号特征，而LSTM可以有效捕捉时间序列数据中的长距离时间依赖性。这些方法使得手势识别、运动状态分类、语音感知和面部表情识别等任务成为可能，显著提高了智能可穿戴设备的分析能力[52]、[53]、[54]。
由于水凝胶的高柔韧性和环境敏感性，传感器信号经常受到温度波动、湿度和机械干扰的影响。ML可以用来构建非线性噪声学习模型，并使用自动编码器（AE）和混合小波-神经网络模型等技术有效抑制干扰或补偿信号漂移。这些方法显著提高了信号质量，并增强了水凝胶传感器在现实世界环境中的稳定性和可靠性[55]、[56]、[57]。
在高级应用中，水凝胶传感器经常以阵列配置部署，以捕获多维触觉或压力分布。ML可以实现降维、空间特征提取和从传感器阵列数据中行为分类，支持三维触觉感知和人机交互命令解码等功能。例如，图卷积网络（GCN）可以用于分析传感器阵列的空间拓扑结构，而深度神经网络可以实现复杂行为的高精度识别，从而将水凝胶传感系统提升为智能感知平台[58]。
2.3. ML在生物医学水凝胶应用中的作用
水凝胶被广泛用作药物递送载体，其释放行为受网络结构、环境刺激和扩散机制的控制，导致动力学非常复杂。ML可以根据有限的实验数据构建药物释放模型，例如，通过使用随机森林（RF）、支持向量回归（SVR）或神经网络来预测不同条件下的释放速率和累积释放量。这种方法减少了实验工作量，加速了参数优化，并实现了精准的药物递送策略[59]、[60]、[61]。
在组织工程中，水凝胶常作为三维细胞载体。细胞行为，如增殖、迁移和分化，通常通过显微成像进行分析。基于ML的图像分析技术，如U-Net和残差网络（ResNets），可以实现自动化细胞分割、增殖率预测和细胞-水凝胶界面的定量分析。这些工具显著提高了分析效率，并支持数据驱动的水凝胶微环境优化[62]、[63]。
当水凝胶用于皮肤传感或植入时，它们的界面粘附性、摩擦力和导电性会随时间变化。ML可以分析多参数数据集，以识别界面退化机制并确定影响长期粘附稳定性的关键因素。这些方法已应用于粘合水凝胶的开发、抗脱水策略和界面材料优化，为耐用和稳定的水凝胶-组织界面提供了理论指导。
2.4. ML在智能软体机器人中的作用
响应刺激的水凝胶在光、热、电场或化学刺激下会发生复杂的变形，其驱动行为难以用传统的机械模型准确描述。ML可以作为替代模型，学习驱动输入和变形输出之间的映射。例如，深度神经网络可以捕捉光响应水凝胶的弯曲行为，而高斯过程回归（GPR）可以模拟热诱导的膨胀-收缩动态，从而快速预测驱动性能并支持软体机器人系统的运动设计[64]、[65]、[66]。
ML还适用于水凝胶驱动的机器人结构的优化和逆向设计。通过利用遗传算法、贝叶斯优化或强化学习（RL），可以从庞大的设计空间中高效地识别最优设计。例如，为了实现更高效的抓取动作，ML模型可以逆向搜索最优的水凝胶执行器几何形状或刺激模式，使软体机器人具有自适应行为和更高的控制精度[67]、[68]、[69]。
作为ML的一个重要分支，RL在控制基于水凝胶的机器人方面表现出独特的优势。RL算法通过与环境的交互迭代优化控制策略，使得在未知或复杂环境中实现自主决策和路径规划成为可能。例如，基于水凝胶的行走机器人可以使用RL实现自适应步态优化，推动智能软体机器人向更高水平的自主性发展[70]。
2.5. 多模态ML在水凝胶应用中的新兴趋势
随着AI和材料科学的深入整合，多模态ML已成为智能水凝胶应用的新范式。多模态学习能够将不同类型的数据（包括电信号、图像、视频和仿真输出）融合到统一的预测模型中。例如，将水凝胶传感器信号与视觉信息结合可以显著提高运动识别精度，而将显微图像与膨胀或降解曲线结合可以帮助识别材料疲劳和老化机制。
多模态ML的结合增强了基于水凝胶系统的智能性和自动化，并为智能医疗、智能机器人和数据驱动材料科学之间的跨学科研究开辟了新的机遇[71]、[72]、[73]。

3. 水凝胶在多种场景中的智能应用进展
3.1. 结合ML的基于水凝胶的柔性传感器
基于水凝胶的柔性传感器由于其出色的顺应性、内在粘附性和离子导电性，已成为可穿戴电子设备和人机交互（HMI）设备的关键材料平台。然而，水凝胶在实际操作过程中产生的电信号或阻抗信号通常具有强烈的非线性、显著的噪声和复杂的时间动态性。在这样的条件下，仅使用传统的信号处理方法不足以完全提取这些信号中蕴含的丰富信息。机器学习（ML）的引入为基于水凝胶的柔性传感系统的发展开辟了新的途径。通过自动化特征提取、模式识别和数据驱动的模型构建，ML使水凝胶传感器从简单的信号输出组件发展成为能够进行高级行为解释的智能系统。近年来，大量研究将水凝胶传感器与ML算法相结合，以实现各种智能任务，包括运动识别、手势分类、手写轨迹解码、生理信号监测和触觉感知。特别是，在深度学习（DL）模型的帮助下，水凝胶传感器在解释复杂、噪声大和高维信号方面表现出显著的能力提升，在不同的工作环境中实现了高精度和强大的鲁棒性。代表性研究表明，这种“材料-传感-智能算法”的协同作用正在推动基于水凝胶的柔性传感器从功能性材料向实际智能系统发展，为可穿戴健康监测、人机界面（HMI）和智能机器人技术创造了新的机会。不同的ML模型根据基于水凝胶的柔性传感器的任务类型和信号特性展现出不同的优势。例如，支持向量机（SVM）、随机森林（RF）和k最近邻（KNN）等经典ML方法适用于基于手工特征的小型数据集的分类任务。相比之下，DL模型对于复杂和高维的传感器信号更为有效。卷积神经网络（CNN）特别适合提取局部空间或时间特征，因此在手势识别、手写解码和振动/语音相关模式感知方面具有优势。循环模型如LSTM和门控循环单元（GRU）更适合时间序列分析，因为它们可以捕捉连续的生理或运动信号中的时间依赖性。此外，当需要同时进行局部特征提取和时间序列建模时，CNN-LSTM等混合架构可以进一步提高性能。尽管当前文献中直接对同一水凝胶传感数据集上的不同算法进行定量比较的研究仍然有限，但现有研究表明，算法的选择通常由数据结构、时间依赖性、特征复杂性和数据集大小决定。为了明确不同模型在基于水凝胶的智能传感中的适用性，表1总结了代表性的ML模型及其典型应用场景。

表1. 基于水凝胶的柔性传感系统中代表性的ML模型及其适用场景
模型类别 代表性模型 适用的任务/数据类型 在水凝胶柔性传感器中的典型应用 主要优势 主要限制
经典监督学习 SVM、RF、KNN 基于提取特征的分类/回归 手势识别、信号状态识别、传感器性能预测 适用于有限的数据集；相对简单且易于解释 对高度复杂的非线性时间信号的能力有限
ANN/MLP ANN、MLP 提取的传感器特征与输出之间的非线性映射 信号分类、灵敏度预测、多参数映射 良好的非线性拟合能力 通常依赖于手动特征提取
CNN 1D-CNN、2D-CNN 从时间或阵列信号中提取局部特征 手势识别、手写解码、触觉模式感知、语音/振动相关模式识别 强大的特征提取能力；适用于复杂的高维数据 需要足够的训练数据
RNN RNN、LSTM、GRU 序列和时间序列数据 生理信号监测、运动序列识别、连续动态响应分析 对时间依赖性建模有效 标准RNN可能会遇到梯度消失问题；训练可能较慢
混合模型 CNN-LSTM、CNN-GRU 具有局部和时间特征的组合信号 动态手势识别、多模态可穿戴传感、连续行为监测 结合了空间/局部和时间学习的优势 模型复杂性较高
基于变换器的模型 Transformer、Temporal Transformer 长距离序列依赖性、多模态序列 复杂时间序列解码、多模态运动分析 强大的全局依赖性建模 计算和数据需求较高

3.1.1 基于水凝胶的柔性传感器与ML结合在手势识别和运动监测中的应用
近年来，随着智能可穿戴设备、软体机器人和HMI技术的快速发展，基于水凝胶的柔性传感器在手势识别和运动监测方面显示出了巨大潜力。由于其高顺应性、强粘附性、生物相容性和可调电导率，水凝胶能够与人体皮肤紧密贴合，并实时获取多维的机械和电生理信号。然而，人类运动信号具有高度非线性，受到个体差异的强烈影响，并且通常分布在宽动态范围内。在这些条件下，仅使用传统的信号处理方法无法实现准确和可靠的识别。ML的引入通过实现从复杂信号中自动提取区分性特征，将基于水凝胶的柔性传感器从被动传感组件转变为智能识别系统。因此，越来越多的研究将水凝胶材料设计、传感器优化和基于ML的信号解释结合起来，形成集成智能系统。这些系统可以处理应变、压力和肌电图（EMG）等多模态信号，并将手势识别从传统环境扩展到潮湿、水下和极端条件。得益于材料创新和算法发展，包括CNN、MLP、混合融合模型和EMG分类器，基于水凝胶的智能传感系统实现了95-100%的一致高识别精度。为了系统地概述基于水凝胶的柔性传感器在手势识别和运动监测方面的最新进展，本节总结并比较了近年来报道的十二项代表性研究。比较涵盖了水凝胶材料系统、关键传感性能、应用的ML算法和识别结果。这些研究的全面总结见表2。

表2. 基于水凝胶的柔性传感器与ML结合在手势识别和运动监测方面的最新进展
水凝胶系统 关键材料属性和功能特性 数据来源/信号类型 机器学习算法/模型 任务/识别目标 关键结果/性能
Alginate/PVA + 软磁颗粒 + MXene 多模态传感（磁/温度/压力）、高稳定性、多孔结构 磁/温度/压力信号 ML分类模型 手势识别和机器人控制 98.5%的识别精度 [74]
碳纳米管（CNT）+ 镀镍石墨复合水凝胶 高机械强度、抗疲劳性、高EMI屏蔽（58 dB） 应变/传感器输出信号 ML分类模型 手势识别和远程控制 100%的识别精度 [75]
PAM/CMC/还原氧化石墨烯（rGO）三元水凝胶 高灵敏度（GF = 8.18）、高弹性、优异的耐用性 机械/应变信号 CNN 一手键盘输入/手势识别 98.13%的识别精度 [76]
表面活性剂辅助的疏水关联水凝胶 抗膨胀（-2.3%）、断裂应变高达3594%、优异的水下稳定性 水下传感器信号 ML分类模型 水下手势识别 98.3%的识别精度 [77]
PEDOT:PSS + 瓜尔胶水凝胶 高粘附性、自愈合能力、组织匹配的机械性能、优异的电生理信号获取 电生理/运动相关信号 ML用于手语识别 高精度（未定量指定）[78]
PVA + 芳纶纳米纤维 + 聚苯胺（PANI） 高强度（2.22 MPa）、抗冻（-30°C）、抗膨胀、高灵敏度 传感器输出信号 MLP 手势识别 约100%的识别精度 [79]
MXene + 多巴胺修饰聚吡咯（PSDM水凝胶） 高延展性（1235%）、高导电性、自愈合、长期稳定性 EMG信号 ML用于EMG信号识别 约100%的识别精度 [80]
PAT-NWs高粘附导电水凝胶 粘附力>100 kPa、延展性>2581%、自愈合、光学透明 双模态传感器信号 CNN（双模态信号融合） 手势识别和身份识别 98.33%的识别精度/100%的身份识别 [81]
SiO2纳米颗粒交联聚（丙烯酸-丙烯酰胺）水凝胶 低滞后（电1.6%、机械<7%）、高耐用性、保水、抗冻 应变/手语相关传感器信号 基于ML的手语识别系统 手语识别（15类） >98%的识别精度 [82]
裂纹工程水凝胶纤维（超高GF传感器） 超高灵敏度（GF = 3930）、宽检测范围（0.02–80%）、快速响应 无线应变信号 基于ML的无线手语识别 98.1%的识别精度 [83]
基于MXene的生物粘附水凝胶 自粘附、UV防护、高SNR电生理监测、抗菌和止血性能 EMG信号 基于ML的EMG手势识别 高精度 [84]
自愈合MXene水凝胶（Ti3C2Tx网络） 高机械强度、高电导率、强自愈合能力、EMI屏蔽 EMG信号 基于ML的EMG信号分类 手指手势识别 99.5%的识别精度 [85]

随着智能可穿戴系统和人机交互（HMI）技术的快速发展，基于水凝胶的柔性传感器在运动监测和手势识别方面得到了广泛探索（见图1）。一项代表性研究开发了一种多功能藻酸盐/聚乙烯醇（Alginate/PVA）水凝胶海绵，其中包含了软磁颗粒和Ti3C2Tx MXene导电网络。该材料表现出优异的磁性、应变和压力传感性能，与ML算法结合后，实现了98.5%的手势识别精度和实时机器人控制能力（图1①）[74]。基于水凝胶的柔性传感器在呼吸监测应用中的总结

**水凝胶系统**
**关键特性**
**呼吸监测模式**
**机器学习（ML）方法**
**主要成果**

1. **PAAm/CS双网络水凝胶与c-MWCNTs**
- 高灵活性、自修复能力、强粘附性，能够检测微弱应变
- 胸部变形和呼吸节律感知

2. **CNNA**
- 准确捕捉包括呼吸、发声和脉搏在内的微弱生理信号

3. **水解角蛋白–PAM复合水凝胶**
- 高透明度、强粘附性、宽温度适应性
- 呼吸模式记录

4. **RNN**
- 低模量和高皮肤贴合性，实现精确呼吸监测

5. **SPAH（PAM/藻酸盐）皱褶离子水凝胶**
- 高灵敏度（<25 Pa），可编程皱褶结构
- 检测细微的胸压变化

6. **SVM**
- 稳定采集微弱呼吸信号，适用于复杂运动下的监测

7. **CCNF + PEDOT:PSS + PAAm水凝胶**
- 高湿度响应性、可拉伸且透明
- 非接触式呼吸湿度监测

8. **LSTM**
- 实现呼吸湿度变化和呼吸强度的监测

9. **MXene多网络水凝胶**
- 自修复、强粘附性、长期保湿
- 检测由呼吸和吞咽引起的细微变形

10. **Transformer**
- 在空气和水下环境中稳定监测，兼容无线传输

11. **多层石墨烯薄膜压力传感器**
- 高灵敏度（52.36 kPa–1），快速响应
- 胸压波动监测

12. **柔性光纤–水凝胶传感器（综述）**
- 高拉伸性、抗电磁干扰（EMI）能力，稳定的光学信号
- 呼吸频率和胸部变形监测

13. **ML + 物联网（IoT）（系统综述）**
- 基于光纤的传感实现实时、高精度呼吸监测

**代表性研究**
- 一项研究开发了一种由聚丙烯酰胺（PAAm）-壳聚糖（CS）双网络组成的导电水凝胶，其中疏水相互作用和羧基化多壁碳纳米管（c-MWCNTs）协同诱导离子交联，形成具有优异能量耗散能力的动态交联结构（图3①）。该水凝胶具有高灵活性、抗穿刺性、自修复能力和对各种基底的强粘附性，能够稳定附着在皮肤上，并在不同幅度下高保真地监测生理活动。特别是在呼吸和微弱脉搏检测中，传感器能够准确捕捉细微的胸腔变形和血管脉动，为连续可靠的呼吸监测系统提供了坚实的材料基础[86]。
- 另一项研究开发了一种水解角蛋白改性的聚丙烯酰胺复合水凝胶，实现了低模量、高光学透明度和超高拉伸性的结合。这些特性显著提高了可穿戴应用的长期佩戴舒适性和信号稳定性。由于其强皮肤粘附性，这种多功能水凝胶传感器能够识别关节运动、发声和面部表情，同时实现精确的呼吸模式监测。值得注意的是，即使在低至-20°C的温度下也能保持稳定的传感性能[87]。这项工作为设计低刺激、类似皮肤的呼吸传感器提供了有效策略[87]。
- 表面皱褶的离子导电水凝胶在呼吸监测中也表现出显著优势。研究人员采用“拉伸–坐标–释放”策略，制造了一种具有可编程皱褶结构的PAAm/藻酸盐水凝胶。得益于这种结构，传感器实现了低于25 Pa的超低压力检测，并在高达20,000 Pa的宽范围内保持线性响应。当附着在胸部或颈部时，该传感器能够实时记录呼吸节律和气道振动，为复杂运动条件下的多维监测提供了新的可能性[88]。
- 一种通过将羧基化纤维素纳米纤维（CCNF）分散到聚（3,4-乙烯二氧噻吩）：聚（苯乙烯磺酸盐）（PEDOT:PSS）基质中制成的透明导电水凝胶，表现出宽湿度响应范围（0–85%）和出色的非接触式气流检测能力。在呼吸监测中，该传感器对呼吸引起的湿度波动表现出高灵敏度，并能区分不同的呼吸强度，显示出其在湿度驱动的呼吸监测平台中的潜力。此外，该水凝胶还表现出宽范围的应变响应性，能够同时监测机械信号，如胸部扩张[89]。
- 另一项研究通过多网络设计结合MXene、苯硼酸和PAAm制备了纳米复合水凝胶，赋予材料强粘附性、长期保湿性和出色的自修复能力。由这种水凝胶制成的表皮传感器在大范围和细微变形下都能稳定运行，能够准确记录呼吸、吞咽和脉搏信号，并支持无线数据传输。这些特性使该系统特别适合个性化健康监测应用[90]。
- 基于层状石墨烯结构的压力传感器也被用于呼吸监测。通过自组装和空气干燥策略制备的石墨烯薄膜表现出高灵敏度（52.36 kPa–1）和宽压力检测范围。当佩戴在胸部时，该传感器能够快速捕捉呼吸压力变化，并在行走和跑步等动态活动中有效跟踪呼吸节律[91]。
- 最后，一项综合综述系统总结了柔性光纤可穿戴传感器在呼吸监测中的应用。研究表明，如水凝胶、聚二甲基硅氧烷（PDMS）和聚甲基丙烯酸甲酯（PMMA）等柔性材料为光纤传感器提供了高拉伸性和优异的光学透明度，实现了高精度的呼吸频率监测、运动中的呼吸节律检测和实时健康评估[92]。此外，机器学习（ML）和物联网（IoT）的集成显著提高了呼吸信号处理效率和系统智能。尽管在成本、长期稳定性和系统集成方面仍存在挑战，但这一方向显示出未来临床应用的强大潜力[92]。

**心率监测应用**
心率是一个反映心血管功能和自主神经系统调节的关键生理参数。长期、连续和高保真的心率监测对于早期疾病预警、运动和健康评估以及个性化医疗保健具有重要意义。由于水凝胶基柔性传感器具有出色的皮肤贴合性、低界面阻抗和稳定的电生理信号采集能力，在心率监测和脉搏监测方面表现出明显优势。近年来，研究人员通过调整水凝胶的导电网络结构、机械匹配特性和环境稳定性，显著提高了在静息、动态运动甚至极端环境条件下的心率信号采集可靠性。此外，机器学习方法的集成进一步增强了心率特征的提取和生理状态识别的准确性，实现了对复杂生物信号的更稳健和智能的分析。表4系统总结了近年来基于水凝胶的柔性传感器在心率监测方面的代表性研究，比较了它们的材料系统、传感机制、监测目标和智能数据分析方法[93–99]。

**表4. 基于水凝胶的柔性传感器在心率和脉搏监测应用中的总结**
| 水凝胶系统/材料组成 | 关键材料特性/功能特性 | 数据来源/信号类型 | 机器学习算法/模型 | 任务/监测目标 | 关键成果/性能 | 参考文献 |
|------------|-----------------|-------------|------------|------------|-----------|---------|
| **两性离子导电水凝胶** | 抗拉伸性达2003%，导电性190 mS·m–1，强粘附性 | 心电图（ECG）信号/心率变异性（HRV）相关信号 | 数据分析/可视化 | 心率变异性分析 | [93] |
| **MXene–PVA–TOCNF双网络水凝胶** | 长期稳定性（35天），抗菌活性，GF=7.79 | 运动/极端条件下的心率信号 | 心率监测 | 在马拉松条件下持续6小时以上的心率稳定记录 | [94] |
| **PTCCG–Na+（PAA + TA@CNF）水凝胶** | 抗拉伸性>1300%，热稳定性-40至80°C，导电性增强 | 脉波/心率信号 | 脉波和心率监测 | 适用于柔性心率传感器的的高循环稳定性 | [95] |
| **PVA–HA–TA–硼砂动态网络水凝胶** | 强组织粘附性，导电性0.62 S·m–1，稳定电信号 | 可植入心脏电信号 | 在动物模型中成功追踪快速心率变化 | [96] |
| **自粘附水凝胶结合超声阵列** | 声学阻抗匹配，带宽47% | 超声波信号 | 超声心动监测 | 心率、血压和血管硬度的连续监测 | [97] |
| **VGtn粘弹性水凝胶** | 粘弹性与心率匹配，可调机械性能 | 机械/心脏运动相关信号 | 心脏机械支持/心肌修复 | 在动物模型中改善心肌应力环境 | [98] |
| **水凝胶传感器阵列结合ITO纳米线突触晶体管** | 神经形态学信号处理，对微弱刺激高灵敏度 | 脉波信号 | 神经形态计算 | 脉波信号处理/模式识别 | [99] |
| **PH-TENG（PVA + HEC水凝胶** | 灵敏度0.543 kPa–1，响应时间41 ms | 多点脉搏监测/状态区分 | 在运动前后区分心率的100%准确性 | [100] |
| **基于PA的可生物降解水凝胶** | 高机械强度，抗冻能力（-36.7°C），导电性1.7 S·m–1 | 心电图和脉波信号 | 使用可生物降解材料的高质量ECG和脉波信号采集 | [101] |

**结论**
由于水凝胶基柔性传感器具有类似组织的机械性能、优异的电导率和强皮肤粘附性，它们在持续监测心率和心血管功能方面显示出巨大潜力（见图4）。一项代表性研究开发了一种两性离子导电水凝胶，其抗拉伸性约为2003%，导电性为190 mS·m–1，同时对各种基底具有强粘附性。由这种水凝胶制成的可穿戴设备能够连续采集健康个体和糖尿病患者的5分钟静息心电图（ECG）信号。随后，在时域、频域和非线性域中提取并分析了心率变异性（HRV）参数。结果表明，糖尿病患者的HRV指数始终低于健康对照组，验证了该系统用于非侵入性评估自主神经系统功能和早期筛查糖尿病相关的心脏自主神经病变（CAN）的潜力。此外，分析结果可以通过移动应用程序进行可视化和交互式显示，突显了其在数字健康平台中的转化价值[93]。

为了解决高强度运动条件下的生理监测问题，另一项研究开发了一种基于MXene的双网络导电水凝胶，由聚（乙烯醇）（PVA）、TEMPO氧化纤维素纳米纤维（TOCNF）、MXene纳米片和硼砂通过协同交联制成。该水凝胶在4°C和30%相对湿度条件下保持稳定性能长达35天，并在800%应变下仍保持高应变灵敏度（量规因子为7.79）。此外，它还表现出超过99%的强抗菌活性。当作为可穿戴传感器在模拟马拉松条件（38°C，52%相对湿度）下使用时，该设备能够连续可靠地运行6小时，实现心率和呼吸信号的同步监测。这项工作为耐力运动期间的心肺异常早期检测提供了可行的策略，并为在极端环境下运行的长期水凝胶传感器提供了设计思路[94]。

为了实现机械强度、电化学性能和环境适应性的平衡，提出了一种基于盐诱导的氢键复合策略，构建了分层结构的聚（丙烯酸）–TA@CNF水凝胶系统（PTCCG–Na+）。单宁酸涂层的纤维素纳米纤维（TA@CNF）与甘油和聚（丙烯酸）（PAA）形成动态氢键网络，赋予水凝胶超过1300%的抗拉伸性、超过2000次的循环耐久性和-40至80°C的宽工作温度窗口。NaCl和碳纳米管（CNTs）的加入通过物理增强和导电渗透进一步提高了电导率。得益于这些集成特性，该水凝胶能够在复杂环境中长期稳定监测脉率和心率信号，同时作为柔性储能组件，为集成生物电子系统提供了新的范例[95]。

为了满足自修复、自粘附和高灵敏度心率监测的需求，另一项研究构建了一种基于聚（乙烯醇）（PVA）、透明质酸（HA）和硼砂的动态可逆水凝胶网络。经过NaCl处理后，该水凝胶的导电性约为0.62 S·m–1，在高达约941%的应变下仍保持优异的弹性。该材料对干燥和湿润的猪皮模型都有强粘附性，并在500次加载循环后仍能传递稳定的电信号。当制成应变传感器并植入兔子心脏模型中时，该水凝胶能够在快速身体运动和心脏跳动下有效实时监测心率变化，显示出其在可植入心脏监测应用中的潜力[96]。

除了电阻和应变基传感机制外，水凝胶还被集成到超声换能器阵列系统中用于心血管监测。通过在设备-皮肤界面引入自粘附水凝胶中间层，实现了优异的声学阻抗匹配和可靠的贴合接触。由此产生的可穿戴超声阵列能够在多个部位连续测量动脉血压波形，并在日常活动中动态跟踪心率和血压。结合成像和信号处理技术，实现了对动脉硬度等血流动力参数的临床验证评估。这种水凝胶辅助的超声平台为早期心血管疾病筛查和长期随访提供了新的非侵入性方法[97]。

在心血管干预层面，基于粘弹性明胶的水凝胶已被探索用于机械支持和心肌梗死后的心率匹配修复。使用基于硼酸盐的动态共价化学，开发了一种可注射的心率匹配粘弹性明胶水凝胶（VGtn），其凝胶化和应力松弛行为可以调节以匹配不同物种的心脏跳动频率。小型动物和大型动物（猪）的研究表明，VGtn贴片有效抑制了心室扩张，减轻了梗死边缘的应力集中，并促进了血管生成。尽管这项工作主要集中在机械环境调节和心肌重塑上，但它为功能性水凝胶在心血管修复中的临床应用提供了关键证据（图4⑥）[98]。为了解决与微弱脉冲信号和复杂触觉信息处理相关的挑战，提出了一种神经形态生理信号处理平台，该平台将高灵敏度水凝胶传感器阵列与氧化铟锡（ITO）纳米线突触晶体管集成在一起。该系统将外部触觉刺激（包括微妙的脉冲波信号）转换为电信号，通过突触加权和处理来实现复杂生理信息的精细感知和分析。除了在盲文识别和触觉交互中的应用外，该平台还为心率相关信号的实时采集、预处理和智能解释提供了多功能解决方案（图4⑦）[99]。对于无创心血管监测，开发了一种基于高弹性聚（乙烯醇）/羟乙基纤维素（PVA/HEC）的水凝胶摩擦电纳米发电机（PH-TENG），用于动脉脉波检测和心血管评估。该设备具有0.543 kPa-1的高灵敏度和约41 ms的快速响应时间，能够准确识别特征脉冲波形峰值。通过将多部位动脉信号整合到健康监测系统中，并应用逻辑回归（LR）模型对运动前后的心率状态进行分类，该系统实现了100%的分类准确性，展示了其在个性化心血管风险评估和智能运动监测中的价值[100]。最后，受人类皮肤分层结构的启发，通过胶束共聚作用制备了一种双重物理交联导电水凝胶，并用植酸进行了增强。所得水凝胶表现出优异的机械强度（约437 kPa）、大的断裂应变（约990%）、显著的抗冻能力（-36.7°C）和高电导率（约1.7 S·m-1，规格因子=1.16）。这种灵活的传感矩阵能够区分大规模肢体运动和微妙的生理信号，并有效作为高灵敏度触觉传感器和心电图电极，用于稳定采集心脏信号。重要的是，其可生物降解的特性减轻了与传统电子设备相关的环境问题，为下一代可穿戴心血管监测系统提供了可持续的材料解决方案[101]。

3.1.2.3. 出汗监测应用
汗液作为一种非侵入性且可连续获取的生物流体，富含多种生物标志物——包括电解质、代谢物和激素——可以实时提供关于代谢状态、压力水平和整体健康状况的见解。基于水凝胶的柔性传感器得益于其高含水量、优异的皮肤贴合性和高效的离子/电子导电性，成为构建高度贴合和敏感的出汗监测系统的理想材料平台。近年来，通过合理设计水凝胶微结构、优化皮肤-传感器界面稳定性以及集成多参数传感能力，取得了实质性进展。这些进步使得能够准确稳定地实时检测关键汗液分析物，如葡萄糖、乳酸、电解质、pH值和其他小分子代谢物。此外，结合机器学习（ML）技术从复杂的汗液信号中提取特征和进行模式识别，进一步增强了汗液监测系统的分析鲁棒性和智能性，尤其是在动态和可变的生理条件下。表5总结了近年来关于基于水凝胶的柔性汗液监测传感器的代表性研究，从传感材料、目标分析物、系统集成策略和数据分析方法等方面进行了系统比较。

表5. 基于水凝胶的柔性汗液监测传感器应用总结。
| 水凝胶系统/材料组成 | 关键材料特性/功能特性 | 数据来源/信号类型 | 机器学习算法/模型 | 任务/监测目标 | 关键结果/性能 |
| --- | --- | --- | --- | --- | --- |
| PDN（PVA增强型AgNPs） | 高弹性、超灵敏SERS响应、均匀纳米粒子分布 | 汗液衍生的SERS信号 | 特征重要性分析 | 尿素和尿酸监测 | 可检测低至10 pM的尿素；在复杂汗液pH条件下表现稳健[102] |
| ASP水凝胶（Au@Ag NRs + S-CNF + PAA/PAAm） | 高灵活性、抗菌活性（99%）、长期稳定性（60天） | 汗液衍生的SERS信号 | 基于SERS的ML分类 | 三种刺激物（HCTZ、TMZ、SAL）的100%分类准确性，用于非侵入性汗液刺激物检测[103] |
| 抗污肽复合水凝胶（Au-PdNPs/rGO + 亲水性肽） | 信号损失仅8.3%，优异的亲水性 | 电化学/汗液生物标志物信号 | 尿酸监测 | 在动态条件下高准确性（R2 = 0.9989），与ELISA相当[104] |
| 双层PVA / PVA-蔗糖比色水凝胶 | 440%的弹性、弹性模量157 kPa | 比色汗液信号/智能手机图像数据 | RF、CNN | 汗液中的pH和葡萄糖分析 | 基于智能手机的实时AI比色分析，R2 = 0.99[105] |
| 按需抗菌水凝胶电极（封装的表皮葡萄球菌） | 82%的抗菌效率，信噪比为22.2 dB | 汗液环境中的生物电信号 | 基于ML的EMG解码 | 在汗液干扰条件下的手势识别 | 95%的手势识别准确性，实现机器人手部控制[106] |

可穿戴汗液传感器能够无创且连续地分析生物流体生物标志物，已成为健康监测和早期疾病诊断的重要技术方向。然而，传统的汗液监测设备通常受到灵敏度不足、机械顺应性差以及长时间佩戴时不适的限制（见图5）。为了解决这些挑战，一项研究通过在可拉伸的聚（乙烯醇）（PVA）增强网络中原位嵌入银纳米粒子（AgNPs），开发了一种等离子体双网络（PDN）水凝胶传感器，从而实现了高灵活性和高表面增强拉曼散射（SERS）灵敏度的结合。AgNPs在水凝胶中的均匀分布不仅提高了检测稳定性，还显著增强了尿素和尿酸的超低浓度检测能力，检测限分别达到10 PM和1 NM。该传感器在广泛的pH范围内保持稳定性能，基于ML的特征重要性分析进一步验证了其识别汗液生物标志物的能力。这项工作为可穿戴汗液监测和早期疾病筛查提供了可行的途径（图5①）[102]。

下载：下载高分辨率图像（670KB）
下载：下载全尺寸图像

图5. 基于水凝胶的传感器在汗液监测中的应用
（①改编自参考文献[102]；②改编自参考文献[103]；③改编自参考文献[104]；④改编自参考文献[105]；⑤改编自参考文献[106]；⑥改编自参考文献[107]），经各自版权所有者许可。

为了应对竞技体育中兴奋剂滥用的监测挑战，另一项研究设计了一种基于水凝胶的柔性、皮肤粘附型SERS传感器，用于非侵入性检测汗液中的兴奋剂。在该设计中，使用磺化纤维素纳米纤维（S-CNFs）稳定Au@Ag纳米棒，然后将其嵌入聚（丙烯酸）/聚（丙烯酰胺）（PAA/PAAm）双网络矩阵中，形成ASP水凝胶。所得水凝胶表现出优异的机械弹性（176.6%应变）、强吸汗能力、长期储存稳定性（长达60天）和强大的抗菌性能（99%抑制率），确保在实际使用条件下的信号一致性。多种刺激物的检测限达到了10^-9至10^-13 M的超低水平。通过应用基于ML的分类对SERS光谱进行分类，该系统实现了100%的识别准确性，显示出在运动医学和公共卫生监测中的强大潜力（图5②）[103]。

在现实世界的可穿戴场景中，像汗液这样的复杂生物流体常常会导致传感器表面污染，从而降低检测准确性。为克服这一关键瓶颈，第三项研究提出了一种结合抗污材料工程和基于ML的动态补偿的协同策略。构建了一种由Au-Pd纳米粒子/还原氧化石墨烯（Au-PdNPs/rGO）纳米杂化物和亲水性肽组成的复合水凝胶，在高亲水性界面上的信号损失仅为8.3%，同时对尿酸具有特定的催化活性。使用在1217个实验数据集上训练的人工神经网络（ANN）来解耦和补偿温度、盐浓度和流速等动态生理因素。在实际汗液测试中，该系统实现了高决定系数（R2 = 0.9989），与酶联免疫吸附测定（ELISA）结果非常接近。这项工作有效解决了可穿戴汗液传感器在真实条件下的可靠性下降问题（图5③）[104]。

此外，还提出了一种可拉伸且粘附性的双层水凝胶贴片，用于智能手机辅助的、基于AI的连续汗液pH和葡萄糖监测。底部的PVA水凝胶层通过比色试剂和葡萄糖氧化酶实现化学检测，而顶部的PVA-蔗糖层提供了增强的皮肤粘附性并防止脱水。该贴片表现出优异的机械性能（最高应变达440%，弹性模量为157 kPa），并形成了稳定的皮肤界面。通过应用RF和CNN模型分析比色图像，pH（3-9）和葡萄糖（0-0.5 mM）的预测准确率约为R2 ≈ 0.99，其可靠性通过高效液相色谱（HPLC）进一步得到验证。这项工作为低成本、智能的汗液监测系统提供了实用途径（图5④）[105]。

在出汗条件下进行生物电信号检测时，水凝胶电极常常因皮肤微环境的变化而遭受炎症和信号不稳定。一项研究通过在水凝胶电极中封装皮肤共生细菌表皮葡萄球菌（Staphylococcus epidermidis）引入了一种按需抗菌策略。细菌的代谢活动消耗了汗液中的营养物质并产生了抗菌物质，在24小时内对金黄色葡萄球菌（Staphylococcus aureus）的抑制率达到82%。该电极还表现出低界面阻抗、强粘附性和高信噪比（附着12小时后为22.2 dB）。当与ML模型结合用于肌电图（EMG）信号解码时，该系统实现了95%的手势识别准确性，并实现了稳定的机器人手部控制。这种方法为在富含汗液的条件下进行可靠的生物电监测提供了新解决方案（图5⑤）[106]。

最后，为了进一步提高汗液分析的智能性和自动化水平，开发了一种可解释的DL辅助比色水凝胶平台，用于检测关键汗液生物标志物，包括Zn2+、葡萄糖和Ca2+。该系统将酶/指示剂固定的比色水凝胶与吸收性膨胀基底集成在一起，并使用DL模型对5625张比色图像进行分类和量化训练。CNN对所有三种离子实现了100%的识别准确性，而对真实汗液样本的预测与紫外-可见（UV-Vis）光谱的结果有97.2%的一致性。通过结合类别激活映射（CAM），可视化了模型的内部特征提取过程，增强了DL方法在生物传感中的可解释性。这项工作为未来智能健康监测系统的算法设计提供了明确的指导（图5⑥）[107]。

3.2. 基于ML的水凝胶生物医学应用新范式
为了系统地概述基于水凝胶的生物医学应用与ML相结合的研究领域，本节分为两个互补的主题：（4.2.1）用于可编程药物递送的ML预测和优化框架，以及（4.2.2）基于DL的细胞-水凝胶界面行为的表征。前者侧重于药物释放动力学、刺激响应系统和混合载体平台的ML建模和配方优化，强调数据驱动方法如何实现复杂递送行为的准确预测和合理设计。后者强调使用DL技术——特别是计算机视觉和空间组学方法——来分析细胞形态、机械响应、免疫调节以及细胞-水凝胶界面处的组织级重建。

为了促进对本节讨论的代表性研究的材料系统、算法策略和关键贡献的全面理解，表6提供了相关工作的综合总结。关于机器学习（ML）与水凝胶在生物医学应用中整合的代表性研究

研究对象/系统：多种聚合物药物输送系统（PDDS），包括片剂、微球、植入物、水凝胶、薄膜和3D打印制剂
数据来源/信号类型：药物释放曲线数据
机器学习算法/模型：人工神经网络（ANN）、集成学习
任务/应用目标：预测药物释放行为
关键成果/性能：ANN和集成模型在多变量释放行为预测方面表现出优越性能[108]
功能性水凝胶用于3D打印、组织工程、环境传感和伤口愈合
材料组成/结构-性能数据集：ML、深度学习（DL）
应用领域：水凝胶组成筛选、结构设计和性能预测
重点趋势：智能水凝胶开发中的AI驱动趋势[109]
刺激响应型水凝胶（pH值、酶、温度、光等）
材料响应和治疗设计数据：ML辅助设计
精准药物输送/癌症治疗：提出基于ML的肿瘤微环境响应型输送系统设计[110]
纳米粒子-水凝胶复合系统：结构-性能和释放数据
数据驱动建模/ML：结构-性能建模和药物释放优化
强调ML辅助的刺激响应型释放行为优化[111]
CaCO3颗粒和CaCO3-水凝胶混合系统：多晶型、药物装载和释放数据
ML + XAI：药物释放行为预测及可解释性分析；利用XAI辅助解释预测的多晶型、装载和释放行为[112]
人工黏液-水凝胶模型：微流变参数和粒子扩散数据
监督学习（例如梯度提升）：黏液模型分类和扩散预测；针对黏膜输送研究的独特黏液模型和预测的粒子扩散[113]
3D生物打印水凝胶支架与细胞：OCT成像数据；深度分割网络实现细胞活力和形态量化；非侵入性量化，分割准确率约为88.96%[114]
藻酸盐水凝胶微珠与HEK293FT细胞：显微镜/图像数据；浅层CNN + YOLOv4实现闭环微珠生成和球体分析；可调硬度控制和高通量球体分析[115]
可注射水凝胶输送CAR-T细胞与BC1618：基于DL的药物筛选和免疫功能分析；抗肿瘤治疗优化；在TNBC模型中识别BC1618并增强CAR-T疗效[116]
细胞在不同基底（培养皿、水凝胶、微槽、微柱）上的行为：成像和原子力显微镜（AFM）机械测试数据；预训练视觉模型 + 自动化AFM；高通量细胞识别和机械特性分析；实现实时识别和自动化细胞机械测试[117]
携带嗅觉受体细胞的形状编码水凝胶颗粒：基于CNN的形状分类；多重嗅觉感知和响应解码；实现可扩展的粒子识别和嗅觉响应反卷积[118]
miLab?固体水凝胶染色与血涂片制备：显微镜图像数据；CNN和DL分类器；疟原虫检测/红细胞（RBC）分类；在RBC分类中达到98.86%的准确率[119]
基于PEG水凝胶的原位受限空间等温扩增（iSCIA）平台：基于DL的多重成像分析；病原体检测和自动多目标识别；检测限低至1个拷贝/10平方厘米，具有自动识别功能[120]
水凝胶嵌入和扩展的脑组织（LICONN）：基于DL的分割和连通性分析；神经网络重建/连接组学；实现带有分子标记的突触级网络重建[121]
水凝胶中的3D培养间充质干细胞（MSCs）与空间转录组学：3D成像 + 空间转录组数据；图自动编码器（3D-spaGNN-E）；亚细胞基因邻近性和细胞-细胞通信分析；在3D培养系统中区分出显著的免疫抑制模式[122]
血管芯片（VOoC）水凝胶中的血管网络：光学成像/透明组织成像数据；DL + TOC + 光学成像；3D血管重建和定量分析；总结基于DL的血管结构定量分析[123]
水凝胶敷料与慢性伤口组织切片：组织学图像数据；pix2pix图像转换 + CNN；虚拟染色和病理特征识别；识别出与传统染色高度一致的八个病理特征[124]

3.2.1 基于ML的预测和优化框架用于可编程药物输送
随着精准医疗的不断发展，聚合物药物输送系统（PDDS）已成为现代治疗策略的重要组成部分，因为它们能够实现时空可控的药物释放，提高治疗效果并减少副作用（见图6）。然而，由于PDDS的结构复杂性以及影响释放动力学的多种因素（如聚合物网络架构、交联密度、药物的物理化学性质和外部刺激），传统的数学模型和经验方法往往无法准确预测药物释放行为，也不足以支持复杂系统中的配方优化。因此，将ML引入PDDS领域被视为克服这些限制的关键策略。

最近的系统研究表明，基于大规模实验数据集训练的ML模型能够高精度预测药物释放曲线，显著优于传统的经验方程、近似分析模型和一些替代的ML方法。相关综述总结了ML在七种主要缓释剂型中的应用，包括基质片剂、微球、植入物、水凝胶、薄膜、三维（3D）打印制剂和其他新兴输送平台（见图6①）[108]。在各种算法中，ANN因其卓越的非线性拟合能力而表现出特别强的性能，非常适合捕捉PDDS中的多变量耦合。此外，集成学习方法在涉及高维输入和多个输出的系统中显示出明显优势，为同时多参数预测提供了新的视角。

专注于水凝胶基药物输送系统的研究也从ML的整合中受益匪浅。水凝胶具有优异的生物相容性、可调的机械性能和可编程的多孔结构，成为刺激响应型、定位和精准药物输送的多功能平台。然而，水凝胶组成的多样性和结构变量的复杂性使得传统的实验筛选效率低下。近年来，AI越来越多地应用于水凝胶设计、性能预测和结构优化，特别是在3D打印、组织工程、环境传感和伤口愈合等领域。这些研究表明，ML可以加速材料发现、优化交联架构、预测机械行为，并推动多功能水凝胶向智能材料系统的演变[109]。

在癌症治疗背景下，能够响应外部刺激（如pH值、酶、光和温度）触发药物释放的智能响应型水凝胶已成为靶向和局部治疗的理想载体。然而，它们的设计涉及高度复杂的刺激-响应行为。最近的研究表明，ML可以定量建模这些刺激-响应关系，从而准确预测水凝胶对肿瘤微环境的适应性，并改善抗癌药物释放的时间和剂量精度。因此，ML已成为开发个性化治疗策略的重要工具（见图6②）[110]。

同时，通过将纳米材料整合到水凝胶中形成的混合输送系统为控制药物释放提供了更大的设计自由度。含有纳米粒子的水凝胶系统表现出增强的刺激响应性、生物活性和协同治疗效果，但它们也严重依赖于精确的建模来解决控制释放行为的多种因素。新兴研究表明，ML可以用于预测纳米粒子分布、界面相互作用、释放动力学和生物安全性，从而逐步重塑纳米复合水凝胶输送平台的设计逻辑（见图6③）[111]。此外，关于CaCO3-水凝胶混合载体的研究突显了ML在无机/有机复合药物输送系统中的价值。基于ML的CaCO3多晶型、药物装载能力和释放行为的预测可以显著提高载体的可控性，并促进可持续和可扩展输送平台的发展（见图6④）[112]。ML与XAI的整合进一步加深了对结构-性能关系的理解，从而加速了配方优化。

值得注意的是，ML还成为模拟生理屏障（如胃肠道黏液层）的强大工具。最近一项关于人工黏液-水凝胶模型的研究结合了微流变参数和ML分类算法，成功区分了不同黏液模型的微观结构特征并预测了粒子扩散行为。结果表明，梯度提升实现了最佳的分类性能，而粘弹性参数（如蠕变顺应性）被确定为最具影响力的特征（见图6⑤）[113]。这一框架为设计更准确的体外模型和预测黏膜输送效率提供了新方法。

总体而言，ML技术正在推动PDDS从经验驱动的方法向可编程、可预测和可优化的智能系统发展。在水凝胶设计、纳米载体工程、肿瘤响应控制和复杂生物环境中的扩散预测方面，ML显著提高了研究效率和预测准确性。未来，大规模数据集、XAI和多尺度模拟技术的整合预计将实现真正智能的药物输送框架，从而加速精准医疗的临床转化。

3.2.2 基于DL的细胞-水凝胶界面行为表征
随着DL技术在生物医学图像分析中的快速发展，基于图像的细胞行为表征已成为阐明细胞-水凝胶界面相互作用的关键工具。依赖于手动检查或基于阈值的分割的传统方法通常具有低通量、强主观性和处理三维（3D）结构的有限能力。相比之下，DL模型可以从复杂图像中自动提取多级特征，实现高通量、准确和非侵入性的细胞行为分析。基于代表性研究，本小节总结了DL在细胞活力、形态、迁移、机械响应、微环境相互作用和多模态成像分析中的最新应用（见图7）。

在生物打印和组织工程中，准确表征水凝胶支架内的细胞活力和3D形态至关重要。一项研究结合了光学相干断层扫描（OCT）和基于DL的分割模型，建立了一个能够自动量化细胞伸长、平坦度和表面粗糙度的分析工具箱。该方法实现了平均88.96%的分割准确率，并能够在不进行染色或侵入性操作的情况下快速监测3D培养细胞，为再生医学中的非破坏性细胞行为评估提供了重要支持[114]。

滴液微流控技术可以生成含有不同浓度细胞或化学成分的微反应器；然而，传统的控制策略难以适应动态实验变化。相关研究开发了一个基于DL的闭环控制系统，其中使用浅层CNN实时识别共流界面的位置，实现流速的自动调节和具有可调硬度（50 Pa–1 kPa）的藻酸盐微珠的稳定制备。随后，YOLOv4被用于自动识别和筛选微珠和多细胞球体，建立了水凝胶硬度与细胞生长之间的相关性，并为理解细胞-材料机械生物学相互作用提供了高通量数据支持[115]。

在癌症治疗中，水凝胶被广泛用作细胞或药物的局部输送平台。最近的研究表明，嵌合抗原受体T（CAR-T）细胞在实体肿瘤微环境中往往由于渗透不足和代谢耗竭而表现出较低的治疗效果。通过基于DL的分子筛选，研究人员发现了线粒体吞噬激活剂BC1618，显著恢复了CAR-T细胞的功能。通过将CAR-T细胞和BC1618共同封装在可注射水凝胶中，实现了受控释放和增强的局部抗肿瘤免疫反应。这一策略显著改善了三阴性乳腺癌（TNBC）小鼠模型的治疗结果，展示了ML辅助药物筛选与水凝胶基输送系统的强大潜力（见图7①）[116]。

细胞在不同水凝胶基底上的机械行为对于理解细胞-细胞外基质（ECM）相互作用至关重要。传统的原子力显微镜（AFM）力谱学受到低通量和依赖手动定位的局限。为了解决这个问题，研究人员提出了一个结合基于DL的视觉模型的智能AFM系统，其中预训练的网络从光学图像中自动识别单个细胞并执行压痕测试。该平台在多种生物界面（包括培养皿、水凝胶、微槽和微柱）上表现出高效和稳定的测量准确性，为推进水凝胶机械生物学研究提供了强大的新工具[117]。

在基于细胞的生物传感器中，区分共存传感细胞的来源仍然具有挑战性。一项研究使用不同形状的水凝胶颗粒对细胞类型进行编码，并应用CNN实现了高精度的粒子几何形状分类，从而建立了可扩展和多模态的嗅觉识别系统。这一策略实现了对特定气味剂诱导的细胞反应的自动区分，为开发紧凑的多模态活体传感器奠定了基础（见图7②）[118]。

疟疾的显微镜诊断严重依赖于血涂片制备的质量和染色的一致性。研究人员开发了一种固体水凝胶染色模块miLab?，该模块使用可变形的染色垫确保在不同血细胞比（hematocrit）水平的样本上获得高质量的血液涂片。结合基于DL的模型进行全自动寄生虫检测，该系统在非洲的临床环境中实现了98.86%的感染红细胞分类准确率，突显了水凝胶辅助数字诊断的强大潜力[119]。

由于核酸在水环境中的高扩散性，传统的原位扩增方法常常丢失空间信息。为了解决这个问题，研究人员开发了一种基于水凝胶的原位空间受限界面扩增（iSCIA）方法，能够在20分钟内实现超高灵敏度成像（检测限：每10平方厘米1个拷贝）。通过整合DL模型，该系统实现了多个成像目标的自动识别和分析。这项技术已成功应用于植物和食品样本中的原位病原体监测，展示了将水凝胶与人工智能（AI）结合用于复杂表面生物分析的优势（见图7③）[120]。在神经科学领域，使用光学显微镜进行突触级网络重建受到成像分辨率的限制。LICONN框架通过水凝胶嵌入和扩展来提高组织尺度和分辨率，随后通过基于深度学习（DL）的方法进行精确的突触分割和连接性提取。这种方法使得分子标记信息可以直接整合到神经网络重建中，为光学连接组学研究提供了新的途径（见图7④）[121]。空间转录组学为研究细胞通信开辟了新的维度。3D-spaGNN-E流程将3D成像与图自动编码器结合，以识别水凝胶内单个细胞RNA信号之间的空间邻近关系，并解码细胞间通信模式。该方法能够区分不同细胞类型之间的抑制性相互作用强度，并已成功应用于干细胞-免疫细胞共培养系统以及MERFISH组织成像数据集，为理解水凝胶微环境中的细胞通信提供了先进的计算工具[122]。芯片上的血管（VOoC）系统通常依赖水凝胶来构建血管化微环境，但强烈的光散射限制了光学成像的深度。相关综述总结了结合组织光学透明化（TOC）、光学成像和DL的方法，用于血管网络表征，实现了3D重建、血管分支分析和灌注评估。深度学习的引入显著增强了VOoC模型的定量分析能力[123]。在慢性伤口分析中，传统的组织学染色耗时且依赖于敏化化学物质。研究人员开发了一种虚拟染色技术，通过将水凝胶敷料与pix2pix图像到图像的转换模型相结合，实现了无需化学染色的组织病理图像的准确重建。虚拟染色图像在细胞结构和组织特征方面与真实染色高度一致，并能够自动识别八种病理类别，为智能伤口评估和个性化治疗提供了有效的工具[124]。

3.3. 与机器学习（ML）集成的水凝胶驱动软体机器人的应用
近年来，水凝胶——这种结合了柔软性、可伸展性、生物相容性和可编程响应性的智能材料——逐渐成为软体机器人和新兴AI系统的核心构建模块。从医疗辅助、康复设备、极端环境传感到可编程执行器、神经形态触觉系统以及多模态人机交互（HMI）平台，水凝胶材料的引入显著扩展了软体机器人的功能边界。同时，机器学习（ML）、深度学习（DL）和数据驱动方法（如有限元仿真）的整合赋予了基于水凝胶的软体机器人新的能力，包括自主感知、行为学习、路径优化、智能控制和受大脑启发的信息处理。这些进展共同推动了该领域向一个新阶段的发展，其特征是“材料-智能-行为”之间的高度耦合。
本节讨论的代表性研究表明：（1）水凝胶软体机器人正从“柔性结构”演变为“智能执行器、环境适应性载体和闭环控制系统”；（2）机器学习在信号识别、材料状态预测、可编程驱动优化和神经形态计算中发挥着越来越重要的作用；（3）基于水凝胶的人工触觉系统、电子皮肤和逻辑元件开始展现出替代传统刚性电子设备的潜力；（4）多模态数据融合和可重构结构设计正在推动更先进的仿生交互和自主智能行为。
为了系统地介绍本节讨论的基于水凝胶的软体机器人的代表性研究轨迹，这些研究的材料系统、核心机制、ML参与模式和主要应用场景在表7中进行了总结。

表7. 基于水凝胶的软体机器人与机器学习集成研究的概述

研究方向 | 材料系统 | ML核心功能与应用 | 参考文献
|-------------|-----------------|------------------|-----------|
| PD辅助康复软体机器人 | 水凝胶可穿戴单元 + 软体机器人 + AR/AI系统 | 用于运动监测和自适应调节的ML | PD康复辅助，增强人机交互[125] |
| 胃肠道磁性多层软体机器人 | 可打印水凝胶墨水，多层蝎子启发结构 | 通过ML实现自适应导航 | 多模态运动，靶向药物输送[126] |
| MXene复合水凝胶压力传感器 | AM/CMC/DA/MXene复合水凝胶 | 用于压力信号解释和机器人控制 | 运动监测，HMI，信号编码[127] |
| 抗冻离子水凝胶智能传感器 | AM/HEC/LiCl离子水凝胶 | 基于CNN的对象分类（98.8%） | 极端温度下的机器人动作识别[128] |
| 可重构模块化水凝胶软体机器人 | 光控金属-聚合物粘合剂 + 刺激响应水凝胶 | 通过ML辅助的结构优化 | 可编程变形，可拆卸和可重构结构[129] |
| 高强度导电水凝胶传感薄膜 | PVA/NaDa，PVA/NaLa水凝胶 | 通过ML增强的动作模式识别 | 电子皮肤，手写识别，人机接口[130] |
| 抗菌/抗紫外线导电水凝胶传感器 | LGS@PANI-Ag-PVA | 通过ML辅助的信号模式分析 | 健康监测，可穿戴AI接口[131] |
| 自修复/塑料纳米复合水凝胶 | PAA/CSH（原位形成的C-S-H） | 用于建模传感行为 | 压力/运动传感，软体机器人反馈[132] |
| 神经形态水凝胶逻辑元件 | 不对称离子水凝胶 | 受神经元启发的逻辑计算 | 机器人臂控制，受大脑启发的计算[133] |
| 光热双稳态可编程执行器 | PVA/MXene形状记忆水凝胶 | 通过ML + 有限元分析（FEA）进行变形预测 | 可折叠翅膀，顺序驱动，可重构电路[134] |
| 水凝胶忆阻式触觉神经元 | 淀粉基忆阻器 + 碳纳米管 + 水凝胶传感器 | 突触可塑性学习机制 | 人工触觉，智能假肢，柔性机器人[135] |
| AI协调的双受体电子皮肤 | 微锥离子水凝胶 + 摩擦电纤维 | 通过AI实现材料识别（99.3%） | 智能手套，手语识别，触觉认知[136] |
| 水凝胶电子皮肤和电子纺织品的综述 | 多功能水凝胶/纤维网络 | 机器学习驱动的闭环触觉控制 | 假肢，柔性机器人，触觉反馈系统[137] |
| 丝纤维柔性传感系统的综述 | 丝素纤维 + 多功能涂层 | 通过AI辅助的健康监测和行为识别 | 智能纺织品，可穿戴设备，机器人传感[138] |
| 适用于极寒环境的自修复弹性水凝胶传感器 | P(HEA-AA)/PEI/Gly | 用于信息编码和极端环境交互 | 低温通信，电子皮肤，软体机器人[139] |

3.3.1. 智能医疗和人机交互中水凝胶软体机器人的综合进展
近年来，随着软体机器人、机器学习和可编程功能材料的快速发展，基于水凝胶驱动的驱动和传感单元的智能系统在医疗康复、仿生导航、人机交互（HMI）和智能诊断方面展示了巨大潜力。由于其柔软性、生物相容性、多刺激响应性和微结构调节的便利性，水凝胶材料已成为可穿戴系统、植入式设备和自主移动机器人的核心组成部分。本节总结了九项代表性研究，突出了水凝胶在与ML集成的软体机器人系统中的关键作用（见图8）。

帕金森病（PD）是一种进行性神经退行性疾病，严重损害运动功能和生活质量。最近的一项研究提出了一种创新的管理框架，深度融合了软体机器人、基于水凝胶的可穿戴设备、AI辅助系统和增强现实（AR）技术。水凝胶材料赋予机器人出色的顺应性和人体贴合性，使其能够作为辅助运动的机械调节单元。AI模块实现患者运动状态的实时监测和自适应调整，而AR进一步增强了患者与康复设备之间的人机交互。这种多学科方法为PD康复提供了个性化、微创和可持续的智能支持系统，展示了将软体机器人与智能医疗结合的巨大潜力（见图8①）[125]。
磁性多层软体机器人由于其形状变化能力和任务可编程性，已成为靶向胃肠道药物输送的有希望的候选者。然而，传统的制造方法难以实现具有自感知功能的高度复杂架构。为了解决这一挑战，一项研究引入了一种与立体光刻兼容的可打印水凝胶墨水，能够制造出具有集成磁驱动、自感知层和药物储存层的蝎子启发多层软体机器人。传感层采用仿生岛屿-桥梁结构来提高应变敏感性，而驱动和药物储存层模仿蝎子尾巴实现可控的药物装载和输送。该机器人能够在模拟的胃环境中进行多模态运动，如爬行和滚动，并预计在与ML结合时实现自适应导航，推动软体机器人向闭环智能的进化（见图8②）[126]。
由AM/CMC/DA/MXene复合水凝胶制成的柔性压力传感器具有自粘性、高灵敏度、宽检测范围（0–500 kPa）、快速响应和优异的韧性，适用于捕捉复杂的运动信息。这些传感器可以监测关节运动和敲击动作，甚至可以通过特定的压力模式（例如摩尔斯电码）编码信息。当与机器人系统集成时，压力信号可以作为控制输入来驱动机器人运动，为未来的可穿戴HMI、触觉接口和智能机器人提供可靠的传感基础[127]。
AM/HEC/LiCl离子水凝胶表现出出色的机械性能、超高的可伸展性（>1776%）、抗冻能力（-60°C）和快速响应，能够在极端温度环境下监测柔性机器人的姿态。通过将这些传感器与CNN结合，可以高精度（98.8%）分类不同的抓取对象，展示了“材料+DL”在工业自动化中的协同优势，并为恶劣环境中的人机交互和智能设备提供了新的解决方案（见图8③）[128]。
为了实现更高的结构可编程性，另一项研究提出使用光控金属-聚合物粘合剂将各种刺激响应水凝胶单元组装成模块化机器人。这些结构可以在不同刺激（例如pH值和温度）下产生特定运动，并且可以在光照下拆卸和重新配置。这种策略为创建具有可重构逻辑、可编程变形和用户定义功能的软体机器人提供了新途径（见图8④）[129]。
PVA/NaDa和PVA/NaLa水凝胶具有高机械强度、快速响应和良好的电导率，可以制成柔性薄膜传感器，用于监测人体运动，甚至可以在智能手机屏幕上模拟手写文本输入。它们出色的综合性能使其非常适合智能机器人、仿生电子皮肤和AI驱动的人机交互系统[130]。
LGS@PANI-Ag-PVA导电水凝胶结合了高强度、自粘性、紫外线防护、抗菌活性和宽的应变检测范围。在ML模型的帮助下，其信号处理和模式识别能力可以得到进一步增强，从而在智能可穿戴设备、健康监测和HMI系统中得到广泛应用[131]。
通过使用原位形成的钙-硅酸盐-水合物（C-S-H）纳米颗粒作为物理交联点，PAA/CSH水凝胶同时表现出塑性、可逆性、自修复能力和高机械稳定性。这些水凝胶可以用作压力或运动传感器，实现更复杂的触觉获取和行为反馈，使其成为AI驱动软体机器人中感知模块的理想候选者（见图8⑤）[132]。
受神经元信号整合机制的启发，研究人员开发了在水力刺激下产生不同极性和幅度离子尖峰信号的水凝胶逻辑单元。通过构建串联-并联配置，可以实现信号加法和减法等逻辑运算。该系统已成功应用于控制机器人臂，为开发超低功耗、受大脑启发的智能机器人提供了突破性的基础（见图8⑥）[133]。

3.3.2. 基于水凝胶的智能驱动和神经形态触觉系统的最新进展
随着柔性电子、软体机器人和神经形态AI的快速发展，导电水凝胶——具有可变形性、电化学可调性和多刺激响应性的特性——正成为构建下一代AI驱动软执行器、人工触觉系统和自适应电子平台的关键材料。本小节总结了九项最新的代表性研究，全面展示了水凝胶材料如何在软体机器人系统中支持智能驱动、触觉感知、可编程变形和环境适应性（见图9）。

形状记忆导电水凝胶（Shape-Memory Conductive Hydrogels, SMCHs）作为智能材料受到了广泛关注，因为它们可以在永久状态和临时状态之间可逆切换。然而，大多数SMCHs仅在其临时状态下可编程，这限制了它们的实际应用。最近的一项研究报道了一种光热响应的PVA/MXene双稳态可编程水凝胶，其中永久状态和临时状态由MXene-PVA超分子相互作用调节，而形状转变可以通过电信号实时监测。有限元多物理模拟证明了精确可控的局部变形、可调展开角度和近红外（Near-Infrared, NIR）照射下的顺序驱动。这种水凝胶实现了复杂功能，如可折叠翅膀、微夹持器和可部署的能量单元，并允许通过结构重构实现电子电路拓扑的自适应重构。这种策略为可编程水凝胶执行器和智能材料系统提供了新的范式（见图9①）[134]。
人工触觉神经元对于推进神经形态机器人和交互式AI系统至关重要。在一项研究中，淀粉被用作忆阻器的活性层，并结合了碳纳米管以提高切换比和稳定性，同时构建了一个可伸展的水凝胶触觉传感器（量规因子，GF = 2.05）。该系统不仅能够检测外部触觉刺激，还能模拟关键的生物突触功能，包括配对脉冲促进、尖峰时间依赖的塑性和频率依赖的记忆。这类人工触觉神经元能够实现触觉信号的采集、存储和学习，为未来的柔性机器人、人机交互平台和智能假肢提供了仿生计算基础（图9②）[135]。传统的电子皮肤往往无法满足智能机器人在系统集成和实际应用中对多维触觉感知的需求。为了解决这一限制，研究人员开发了一种基于人工智能辅助的仿生双受体电子皮肤，将静电纺丝摩擦电单元（类似于快速适应的受体）与微金字塔状离子水凝胶单元（类似于慢速适应的受体）相结合。该离子电子单元在30千帕的压力下表现出172千帕^-1的线性灵敏度和11.2毫秒的快速响应时间。基于这一系统的智能手套能够实现高精度的手语识别和机器人触觉交互。当与智能算法结合使用时，机器人手可以从单次触摸中准确识别材料的多种属性，触觉认知准确率达到99.3%。这项工作为开发类似人类的触觉智能系统奠定了坚实的基础（图9③）[136]。触觉感知是智能机器人与环境互动的核心能力。最近的一项综述指出，基于水凝胶的电子皮肤和功能性纺织品可以同时作为传感和执行单元，具有柔软性、生物相容性和多响应特性。随着信号处理算法的进步，这些系统可以实现闭环触觉反馈，包括刺激感知、信息解释和运动响应。这样的架构正在重塑人工智能和传感系统的集成，并有望对假肢康复、柔性机器人技术和人机交互产生深远影响（图9④）[137]。与传统水凝胶相比，丝纤维和纺织结构具有更高的机械灵活性、生物降解性和可持续性，使其成为柔性传感器的有希望的替代品。一项综合综述总结了基于丝的纺织传感器的制造方法、性能调节策略和多样化应用，包括健康监测、软体机器人驱动和智能服装。该综述强调了多维结构设计和功能性掺杂在提高传感性能中的关键作用，并讨论了它们在人工智能驱动的可穿戴生态系统中的未来潜力（图9⑤）[138]。一种基于P(HEA-AA)/PEI/Gly的多功能弹性水凝胶具有高伸展性（1427%）、优异的自修复效率（95%）以及在-35°C下的稳定传感性能。用这种水凝胶制成的传感器能够准确识别来自不同方向的人体运动，并在机械损伤后迅速恢复功能。基于此构建的低温可穿戴通信设备可以在极寒环境中传输特定命令，如“警告”和“危险”，为极端条件下的智能交互提供了新的解决方案，并为未来的电子皮肤、智能机器人和人工智能驱动的传感网络提供了坚固的材料平台（图9⑥）[139]。

4. 挑战与未来方向
4.1. 不明确的多尺度耦合机制限制了智能水凝胶的可预测性和解释性
尽管在材料表征和机器学习技术方面取得了持续进展，但水凝胶系统的多尺度耦合机制尚未完全阐明[140]。水凝胶的宏观机械性能、电化学行为、离子传输、膨胀动力学和生物响应受到微观网络拓扑、交联密度以及纳米填料之间相互作用等因素的共同影响，导致结构-性能关系高度复杂和非线性。大多数现有的机器学习模型仍然主要是经验性和数据驱动的，缺乏明确的物理约束。这限制了其解释能力和泛化能力，使其不足以用于逆向材料设计。未来的研究应侧重于开发结合分子动力学、有限元模拟和XAI的多尺度集成框架，以在基础层面上揭示结构-性能映射，并为智能水凝胶的预测设计建立坚实的理论基础[141]、[142]、[143]。
4.2. 数据稀缺性和异质性阻碍了模型训练和跨场景转移
水凝胶研究对实验条件非常敏感，前体纯度、环境湿度、样品制备协议和不同实验室之间的表征技术的显著差异导致数据分布高度异质[144]、[145]。当前的公共材料数据库通常提供的水凝胶的机械、电化学和生物性能记录不完整，限制了机器学习模型在不同系统间的泛化能力。此外，体内的生物数据本质上具有噪声、偏差，并且存在较大的个体间变异性，进一步复杂化了模型训练。为了克服这些挑战，未来的研究应强调标准化实验协议、高通量自动化实验平台以及联邦学习和迁移学习策略的采用。这些方法可能从根本上缓解数据稀缺性和分布不匹配的问题，使智能水凝胶建模从实验室研究过渡到实际应用[146]、[147]。
4.3. 稳定性、可靠性和环境适应性不足限制了实际工程应用
大多数水凝胶仍然存在脱水、机械降解、抗菌能力有限和温度敏感性强的问题，这阻碍了它们在长期佩戴、体内环境、极端条件或高频动态载荷下的稳定性能[148]。此外，水凝胶容易受到汗水、盐分和生物酶等环境因素的影响，从而影响其电学和机械稳定性。这些限制对可穿戴传感器、植入式设备和软体机器人的应用构成了重大挑战[149]、[150]。未来的研究应优先开发具有抗冻、抗干燥、抗疲劳、自修复和抗生物污染特性的功能水凝胶。同时，应利用机器学习来预测材料在复杂环境下的老化行为和界面失效机制，从而实现材料寿命管理的新范式。
4.4. 软体机器人中缺乏真正的闭环智能控制，限制了其对复杂环境的适应性
尽管基于水凝胶的软体机器人在变形性、仿生学和安全性方面取得了显著进展，但大多数系统仍处于单一模态传感、基于规则的控制或单任务运动的水平，缺乏高维信息融合和自主策略生成[151]、[152]。这种“材料驱动但决策智能受限”的范式限制了它们在体内导航、软体手术、智能假肢和自适应抓取等场景中的应用。未来的发展应侧重于建立集成的“材料-传感-控制”架构，利用强化学习、模仿学习和多模态融合模型来实现具有环境理解、自主规划和实时响应能力的闭环智能软体机器人系统[153]、[154]。
4.5. 智能水凝胶的生物医学转化面临安全、可控性和监管方面的挑战
尽管基于水凝胶的药物输送系统、智能创可贴、免疫细胞输送平台和多模态治疗系统在实验室环境中表现出色，但其在临床上的转化仍面临挑战。关键问题包括降解产物的生物安全性、长期植入后的免疫反应、复杂体内微环境引起的机制偏差，以及缺乏可追溯和可审计的AI辅助诊断和治疗标准[155]。未来的工作应建立系统的生物安全性评估框架，提高机器学习模型的可解释性和可审计性，并通过大型动物研究和临床前试验验证智能水凝胶的有效性和稳定性，以确保其在精准医疗中的可持续应用。
4.6. 从材料到算法和系统的深度整合将定义未来的发展趋势
展望未来，智能水凝胶将不再仅仅是被动的“材料”，而是逐渐演变为具有集成“传感-计算-执行”能力的软智能代理。随着离子电子学、类脑计算、分布式传感网络和机器学习的持续融合，水凝胶系统有望实现材料级别的计算，从而产生具有自主学习、自修复和适应行为的柔性智能系统。未来的基于水凝胶的机器人不仅会对刺激作出反应，还会解释环境、预测需求并调节自身行为，推动智能材料向真正自主的系统发展。
4.7. 智能水凝胶系统的多模态数据融合挑战
需要注意的是，目前报道的大多数“多模态”水凝胶系统仍然主要依赖于异构传感通道的并行集成，而不是真正的多模态融合与深度跨模态特征对齐和协作建模。同时，不同算法（例如CNN、LSTM和RF）在同一水凝胶传感数据集上的直接定量比较仍然很少见，这反映了当前文献中的一个重要空白。在大多数现有研究中，模型性能是在独立收集的数据集和特定任务的实验设置中评估的，通常具有不同的预处理程序、特征提取策略和评估指标，使得跨研究比较变得困难。几个技术瓶颈仍然限制了进一步的进展。首先，多模态水凝胶信号在时间分辨率、空间尺度、噪声水平和采样频率上存在显著差异，使得特征对齐变得困难。其次，水凝胶的固有柔软性、粘弹性、水合依赖行为和环境敏感性可能在长期运行过程中引入信号漂移和不稳定。第三，缺乏标准化的多模态数据集限制了鲁棒融合模型的训练、验证和定量基准测试。此外，该领域的当前融合策略大多改编自通用的多模态学习框架，尚未建立专门针对软质和水凝胶材料系统的专用融合架构。未来的进展将需要任务导向的融合模型，明确考虑动态变形、界面不稳定性和水凝胶传感系统中的多物理场耦合，以及支持更严格算法选择和比较评估的基准数据集和统一评估协议。

5. 结论
由于水凝胶的灵活性、生物相容性、刺激响应性和可调结构，它们已成为智能医疗、人机交互和软体机器人领域的重要材料。本综述总结了基于水凝胶的系统在柔性传感、健康监测、药物输送、细胞行为分析和智能软体机器人方面的最新进展，强调了机器学习在材料设计、信号处理、行为预测和智能控制中的关键作用。在这些应用中，机器学习提高了复杂传感信号的解码能力，支持药物释放预测和细胞-水凝胶分析，并增强了基于水凝胶的软体机器人的适应性。总体而言，水凝胶和机器学习的集成正在推动从被动功能材料向具有传感、预测和适应能力的智能系统的转变。尽管仍存在数据资源有限、长期稳定性不足、多尺度机制不明确以及转化障碍等挑战，但可解释的人工智能、高通量表征、计算建模和多模态数据融合的持续进步预计将加速更可靠和自主的基于水凝胶的智能系统的发展。

数据和材料的可用性
本研究生成和分析的数据集可根据相应作者的要求提供。

作者贡献声明
张楠：撰写 - 审稿与编辑、撰写 - 原稿、可视化、验证、监督、软件、资源、数据管理、概念化。
孟清华：撰写 - 审稿与编辑、撰写 - 原稿、可视化、验证、资金获取、形式分析、数据管理。
肖淼淼：撰写 - 审稿与编辑、撰写 - 原稿、软件、资源、项目管理、数据管理、概念化。
周 Luxing：撰写 - 原稿、可视化、验证、监督、软件、资源、数据管理、概念化。
冷宏帅：验证、监督、软件、资源、数据管理、概念化。
鲍春宇：撰写 - 审稿与编辑、撰写 - 原稿、可视化、资金获取、形式分析、数据管理、概念化。
冯学全：验证、监督、资金获取、形式分析、数据管理、概念化。

资助
本研究得到了国家自然科学基金（11372223,11102135）、天津市自然科学基金（17JCZDJC36000,18JCZDJC35900）、中国体育总局的科学研究项目（22KJCX077,2022pqky-01,24ZDKJCX11）以及天津市重点医学学科建设项目（授权号TJYXZDXK-3-002A-3）的支持。

伦理声明
本文是一篇综述文章，不涉及作者进行的任何涉及人类参与者或动物的研究。因此，不需要伦理批准和知情同意。