ACS Sensors：基于全静电纺丝银纳米线/石墨烯/热塑性聚氨酯应变传感器的智能可穿戴呼吸监测系统

背景介绍

呼吸是一项基本的生理过程，其模式、频率和深度的变化为评估人体健康状况提供了关键参考。异常的呼吸行为与多种疾病密切相关，包括哮喘、心力衰竭和睡眠呼吸暂停综合征（SAS）。这些病症可能表现为气道阻塞、通气功能受损或呼吸调节失常；若未能及时发现并加以干预，可能会导致心肺功能逐渐恶化，并严重影响整体生活质量。因此，开发用于长期、连续且无创评估的穿戴式呼吸监测技术，对于健康管理和临床诊断均具有重要意义。

传统的临床呼吸障碍监测方法（如鼻气流检测）因长期佩戴舒适度欠佳而受到限制。为解决这一问题，通过监测胸部或腹部的扩张与收缩，已成为一种极具潜力的呼吸监测替代方案。然而，这些生理运动所产生的机械形变往往十分微弱，因此需要具备足够灵敏度的应变传感器，才能实现信号的精确捕捉。近年来，基于裂纹（crack-based）且采用二维（2D）导电纳米材料的传感器，在满足上述需求方面展现出了广阔的应用前景。例如，通过多种微裂纹工程策略——如对碳纳米管/热塑性聚氨酯（CNT/TPU）纤维进行预拉伸、构建脆韧双层结构，或开发仿珍珠母的多层结构——研究人员已成功实现了超高的灵敏度（即极高的应变灵敏系数）。尽管传统传感器追求极致的灵敏度以捕捉微弱的生理信号，但在实际穿戴场景中，它们往往面临感测范围有限或响应呈非线性的问题。对于呼吸监测而言，传感器既需在平静呼吸（通常应变 <20%）时保持良好的线性，又需在深呼吸或咳嗽等大幅度运动时提供足够的灵敏度。因此，开发一种简单且有效的制备策略来构建高灵敏度裂纹型传感器，并配套相应的系统集成方案，对于实现基于胸腹部扩张的实用化呼吸监测至关重要。

本文亮点

1. 本工作介绍了一种多功能柔性应变传感器，旨在实现多种场景下的全面呼吸监测。该传感器采用全纤维结构，由银纳米线（AgNWs）、石墨烯（GR）和热塑性聚氨酯（TPU）通过双通道混合静电纺丝工艺制备而成。

2. 该传感器具备双区间灵敏度特性：在低应变区间（0%–40%）内，其灵敏度系数（GF）稳定且呈线性，数值为133.3，非常适合高保真地进行日常呼吸监测；而在高应变区间（>40%）内，它则表现出更高的灵敏度系数，能够精确捕捉剧烈咳嗽或高强度运动等大幅度生理活动。

3. 这种多区间灵敏度特性，使得传感器既能高精度地感知微弱的生物信号，又能可靠地响应剧烈的生理事件；同时，它还具备出色的柔韧性、机械耐久性和佩戴舒适度。得益于高度互穿的三维导电网络，该传感器能够精准检测由呼吸引起的微小形变。

4. 此外，本文还开发了一套集成式呼吸监测系统，通过提取并分析特征信号，能够准确识别不同的呼吸状态。

图文解析

图1. 可穿戴呼吸监测系统的设计理念与工作原理。(a) 由呼气和吸气引起的胸腹壁生理形变示意图。(b) 柔性传感器的多层结构分解示意图，包含 TPU 封装层、粘合层以及 AgNWs/Gr/TPU（银纳米线/石墨烯/热塑性聚氨酯）传感层。(c) 传感器在不同机械形变（平整、拉伸、褶皱和扭曲）下的实物照片。(d) 无线信号采集单元的电路设计与元件布局，包括微控制器 (MCU)、电阻检测模块和电源模块。(e) 系统工作流程图，展示了从传感器电阻变化到分压、模数转换 (ADC)、蓝牙无线传输，直至最终模式识别的信号路径。

图2. AgNWs/Gr/TPU 应变传感器的制备及机电性能表征。(a) AgNWs/Gr/TPU 复合静电纺丝传感器的制备工艺示意图。(b) 传感层的微观结构扫描电镜 (SEM) 图像，显示 AgNWs 和 Gr 分布在 TPU 纳米纤维网络中。(c) 优化后传感器（1.0 wt%）的相对电阻变化 (ΔR/R0) 与拉伸应变的关系曲线。插图展示了在微小应变区间（0–10%）内的线性响应。(d) 该传感器与近期报道的其他柔性应变传感器在灵敏度系数（应变因子）和工作应变范围方面的对比。(e) 在 10%、20%、30% 和 40% 应变下进行阶梯式循环拉伸时的动态电阻响应。(f) 在固定应变下，频率分别为 0.2、0.5、1 和 2 Hz 时的频率响应特性。(g) 传感器的时间响应特性。(h) 经过 1,000 次拉伸-释放循环后的长期耐久性测试。放大插图展示了循环测试不同阶段的信号一致性。

图3. 实际性能评估与实时呼吸监测。 (a) 传感器在空气中与在水中浸泡 5 分钟后的机电响应（ΔR/R0）对比。插图展示了浸水测试过程。(b) 手腕伸展与放松循环过程中的动态响应曲线，体现了快速响应和低迟滞特性。(c) 在不同贴附部位（腹部、胸部及上胸部）监测到的呼吸信号对比。(d−i) 对多种呼吸模式的实时检测：(d) 正常呼吸，(e) 快速呼吸，(f) 缓慢呼吸，(g) 深呼吸，(h) 浅呼吸，以及 (i) 咳嗽。(j) 日常活动期间的长期连续呼吸监测（30 分钟）。放大插图展示了对应于 (k) 工作、(l) 交谈和 (m) 行走状态下的详细信号波形。

图4. 用于呼吸系统疾病监测的智能传感系统。(a) 基于物联网（IoT）的睡眠呼吸暂停检测无线监测系统的工作流程示意图。(b) 用于呼吸信号分类的 1D-CNN（一维卷积神经网络）框架架构。(c−e) 超参数优化研究，展示了 (c) 核数量、(d) 核大小以及 (e) 训练轮数（epoch）对分类准确率的影响。(f) 训练准确率和损失值随训练轮数的变化情况，表明模型已收敛。(g) 二维空间内特征分布的可视化，显示五种呼吸模式（正常、快速、深呼吸、中枢性睡眠呼吸暂停 [CSA] 和阻塞性睡眠呼吸暂停 [OSA]）之间具有明显的区分度。(h) 测试集分类结果的混淆矩阵，总体准确率达到 99%。

文章标题：Intelligent Wearable Respiratory Monitoring System Based on All-Electrospun Silver Nanowires/Graphene/Thermoplastic Polyurethane Strain Sensors

第一作者：Huijun Xiao，Aobo Cheng，Baoqi Wang

通讯作者：Tian-Ling Ren，Yi Yang，Lu-Qi Tao

通讯单位：清华大学

DOI: 10.1021/acssensors.6c01120