基于单换能器的可穿戴回声肌电图系统

电气工程 神经病学 信息科学 人工智能 工程学 呼吸系统 生物工程 生命科学 医学 医学影像
可穿戴设备 回声肌电图 单换能器 深度学习 肌肉活动监测 无线电路 超声波

穿戴式单一声波肌电图系统的创新突破：从肌肉动态监测到复杂手势跟踪

学术背景与研究意义

近年来，穿戴式电子设备因其在健康监测和人机交互领域中的巨大潜力而备受关注。其中，表面肌电图（Electromyography，EMG）作为一种能够测量肌肉活动的技术，已成为研究的热点。然而，EMG 信号存在诸多限制：信号强度弱且不稳定，空间分辨率较低，且信噪比不佳。其随机性和低同步性的问题导致测量结果的不一致，使得难以实现对特定肌肉纤维贡献的有效分离。此外，为提高信号质量所采用的大型电极会进一步降低空间分辨率。

相比之下，超声波肌电图（Echomyography，ECMG）是一种利用超声波来测量肌肉活动的技术，具有安全、稳定、灵敏度高等特点。然而，目前依赖刚性或柔性传感器阵列的 ECMG 系统需要复杂的线路结构、高功耗以及较大的体积限制了其实用性和用户的移动性。因此，开发一种小型化、低功耗、易佩戴的 ECMG 系统成为当前研究的关键切入点。

研究来源及发表信息

这项具有突破性意义的研究——“A wearable echomyography system based on a single transducer”，由University of California San Diego（UCSD）的多学科团队合作完成。主要作者包括 Xiaoxiang Gao、Xiangjun Chen 和 Sheng Xu 等。该论文于2024年11月发表于国际顶级期刊《Nature Electronics》（Volume 7, November 2024, Pages 1035-1046）。这一研究的核心是设计并验证了一种基于单个传感器的穿戴式 ECMG 系统。

研究流程与技术细节

a) 研究流程与系统设计

作者构建了一种创新性的 ECMG 系统，实现了超声波肌肉活动监测和动态手势追踪。该系统由单一压电传感器（Piezoelectric Transducer）、无线电路模块、可充电电池及柔性封装材料组成。系统设计和实验大致包含以下步骤：

  1. 单一传感器的设计：传感器由压电层（lead zirconate titanate 1–3 复合材料）和后背层组成。压电层既负责超声波发射也负责接收反射信号。通过对不同几何形状的传感器结构进行优化，该研究同时为胸腔（主要监测膈肌）和前臂（追踪手势）设计了特定的传感器。

  2. 电路设计：采用柔性印刷电路板（Flexible Printed Circuit Board, FPCB），结合模拟前端（AFE）和数字前端（DFE）实现高效的信号采集和无线数据传输。该系统通过 Wi-Fi 模块将信号传输到外部计算机，结合深度学习模型进行后续的模式识别。

  3. 深度学习算法：在手势追踪部分，通过构建基于 1D 卷积网络的神经网络，将射频（Radio-Frequency, RF）信号与对应的前臂肌肉分布进行关联分析，从而实现复杂手势的预测。

创新性：这种通过单一超声波换能器实时监测深层肌肉动态的设计，替代了传统体积大、结构复杂的超声传感器阵列。同时，该设备的自主研发电路板和最低仅 1.7 MHz 的功耗水平为持续佩戴和移动场景提供了可能。

b) 实验研究与主要结果

研究通过以下两方面验证了设备的性能：

  1. 膈肌监测与呼吸模式识别：

    • 实验通过将设备附着在右边第九至第十肋骨区域，连续采集膈肌厚度变化数据。
    • 系统与传统线性阵列超声探头数据的一致性得到了验证，膈肌厚厚变分率（Diaphragm Thickening Fraction, DTF）通过 >95%的 Bland-Altman 分析置信区间表明其准确性。
    • 除常规的吸气呼气监测外，单一传感器还有效区分了腹式呼吸和胸式呼吸模式。13名参与者数据中的显著统计差异表明，设备能够高效检测不同的呼吸模式。

  2. 动态手势追踪：

    • 前臂手势训练与验证数据集的采集利用商用手套式设备完成，涵盖 10 个手指/关节角度及腕部3维旋转角度，数据对照分析表明手势预测误差平均仅 7.9°。
    • 利用单一传感器信号实时控制虚拟飞行物及机械臂操作（如夹取与转动操作），设备灵活性、连续性和低功耗优势得以体现。

研究意义与潜在价值

本研究的创新性与广泛适用性体现在以下几个方面：

  1. 突破性算法与硬件结合：重新定义了 ECMG 的技术路径，通过局部声波反射而非阵列成像来实现超清监测。单一传感器的可穿戴设计兼顾了用户的舒适性与长时间佩戴可能性。

  2. 临床与健康领域：

    • 呼吸模式监测为慢性呼吸道疾病（如COPD）患者提供连续诊断手段。
    • 手势追踪不仅为健康人机交互开辟了新应用，还为肢体残疾患者提供更精准的义肢操控方案。

  3. 未来发展方向：

    • 在诊断疾病的应用中，提出自动图像分割与机器学习算法结合的可能性，加强数据的自主实时分析。
    • 提到的低功耗高采样率、高度集成化芯片开发将进一步拓展设备的功能概览和实际应用场景。

研究亮点

  1. 单一传感器架构设计：颠覆传统 ECMG 和超声阵列系统，极大简化系统结构和操作流程。
  2. 深度学习与医学影像结合：实现了多维度复杂数据关联分析，与真实手势数据的高一致性令人瞩目。
  3. 适配多场景的可扩展性：通过佩戴膈肌和前臂的两种实验，展示了设备同时适配运动和静息场景的潜力。

总结与展望

穿戴式 ECMG 系统的成功实现代表了“智能化”、“便携化”在健康监测设备中的深度应用。本研究不仅解决了传统 EMG 的技术局限，还拓展了 ECMG 的新边界，在呼吸疾病监测、人机交互以及康复医学领域揭示了无尽的可能性。同时，未来的关键技术突破还可能包括更多硬件整合、自主学习算法开发以及实时边缘计算等。该项研究充分展现了健康科技领域的多学科交叉与融合对推动真实世界应用的革命性影响。