全球老龄化人口的增加以及慢性病患者数量的上升,为健康监测技术创造了前所未有的机会。2020年,65岁及以上的老年人口为1.91亿,占总人口的13.5%。预计到2050年这一比例将上升至29.8%,几乎是当前水平(16.4%)的两倍。医疗负担的转变在很大程度上是由人口老龄化和与年龄相关的疾病增长所导致的[1]。与传统医疗设备(如心电图仪、血压计和血糖仪)类似,这些设备能够捕捉重要的生理参数,但由于测量方式的间歇性,无法进行连续动态监测。此外,它们的体积庞大、操作复杂且依赖专业操作人员,使得在日常医疗管理中极难使用[2]。这促使人们开发出灵活、可穿戴且高度敏感的创新健康监测系统,这已成为生物医学工程领域的重要研究课题。
传统的电子设备主要由基于硅的无机半导体和绝缘材料构成,由于其固有的刚性和脆性,不具备可穿戴性[3]。尽管在商用可穿戴设备(如智能手环)领域取得了显著进展[4],但由于其与皮肤的贴合性不足,这些设备在连续佩戴时容易出现信号干扰,并且用户佩戴体验不佳,从而降低了诊断准确性和用户依从性[5]。此外,现有设备通常仅限于监测身体的特定部位,大大限制了移动性[6]。
人体皮肤作为一种高度复杂的感官器官,具有多模式感知网络,能够同时检测温度、压力、湿度等多种因素,并具有出色的伸展性、自愈能力和机械强度[7]。基于这些特性,人们设计了仿生电子皮肤,模仿天然皮肤的特性(如柔韧性和生物相容性)[8],以响应外部刺激,为健康监测和个性化医疗提供变革性解决方案[9]。受人工智能和数字医疗技术的启发,电子皮肤能够通过机器学习(ML)算法合成多维生理数据,发现潜在的健康问题,从而创建出优于传统分析的预测模型[10]。所谓的“AI + 电子皮肤”范式的发展将催生智能医疗系统,显著提升健康管理效率。尽管电子皮肤技术具有巨大潜力,但由于一系列关键障碍,它们尚未在临床和日常生活中得到广泛应用。目前的研究主要集中在实验室环境中的概念验证上,尚未解决长期运行稳定性、多模态信号采集过程中的干扰消除、可扩展性和可重复性生产以及数据隐私和安全等问题[11]。这些持续存在的限制阻碍了电子皮肤系统从实验室原型向临床可行解决方案的转化。
本文首先探讨了长期连续临床监测的主要需求(如非侵入性、稳定性、实时性和用户依从性),并阐述了电子皮肤具备的关键材料属性,包括生物相容性、生物降解性、伸展性、透气性、自愈性、防水性和抗菌性,并明确指出了这些属性与信号采集质量之间的联系。具体来说,讨论了:(1)生物相容性和抗菌材料如何减少皮肤刺激和感染率,实现连续长期信号采集;(2)可伸展性、自愈性和防水性材料如何补偿皮肤变形、机械损伤和潮湿环境(如出汗/水上活动)带来的影响,减少运动干扰(MA)、信号漂移和设备故障;(3)透气结构如何防止因湿气和热量积聚导致的基线偏移;(4)导电材料(如MXene、银纳米线、液态金属(LMs)或生物亲和性功能材料如何优化传感灵敏度、特异性和低阻抗性能。随后,将传感机制分为电气、生物物理、光学、生化和超声波类别,强调了材料与传感之间的匹配逻辑,例如导电聚合物和液态金属如何提高心电图(ECG)、肌电图(EMG)和脑电图(EEG)信号的准确度;柔性压电/摩擦电材料如何实现体温、心率和人体运动的生物物理传感,同时减少干扰;光学材料(如有机光电二极管(OPDs)如何支持无创检测血氧饱和度(SpO2)和表面代谢物;生物亲和性材料(如分子印迹聚合物(MIPs)、酶修饰电极)如何提高汗液、唾液和伤口渗出物中生化标志物(如葡萄糖、乳酸、电解质)的检测精度;以及柔性压电传感器如何通过超声波传感实现深层组织监测(如心脏功能、血压(BP)。
文章进一步总结了可检测的生理指标(电化学信号、生物物理参数和生化标志物)及其对应的信号质量指标(如信噪比(SNR)、响应速度、长期稳定性、检测限),并详细介绍了基于人工智能的信号处理技术(如长短期记忆-卷积神经网络(LSTM-CNN)混合模型用于运动干扰抑制,Transformer用于长序列信号特征提取,ML用于多模态数据融合),这些技术可将原始信号处理为临床可解释的数据。通过“信号-临床价值”框架讨论了临床应用,例如高稳定性的ECG信号有助于早期筛查心律失常和心血管疾病监测;连续的葡萄糖和乳酸监测信号支持个性化糖尿病管理和运动表现评估;伤口温度/pH值信号有助于及时预警感染和评估愈合进展;呼吸频率(RR)/深度信号有助于诊断阻塞性睡眠呼吸暂停(OSA)-低通气综合征(OSAHS)。最后,提出了材料-传感-信号-临床链中的当前挑战(如材料降解引起的信号漂移、多模态传感中的干扰、不一致的信号-临床诊断标准、可扩展性制造障碍和数据隐私风险)以及未来的研究方向(如生物启发式的多维性能协同材料、AI驱动的信号解耦和临床校准、异质材料集成和环保可扩展制造、标准化临床验证和隐私保护的健康数据管理)(图1)。
总之,智能电子皮肤通过材料属性、传感机制和人工智能驱动的信号处理的协同优化,实现了对人体健康状况的连续、实时和高精度监测,为早期疾病诊断、针对性干预和个性化医疗奠定了基础。与传统方法相比,它在革新个性化医疗和提高人类福祉方面具有巨大潜力。