精神疲劳监测——迁移学习增强的多模态超薄表皮电子系统

来源：上海幂方电子科技有限公司分类：应用方案

2025-05-29 08:00:20 10阅读次数

扫码分享

精神疲劳监测——迁移学习增强的多模态超薄表皮电子系统

英文原题：Machine-Learning Mental-Fatigue-Measuring μm-Thick Elastic Epidermal Electronics (MMMEEE)

论文链接：https://doi.org/10.1021/acs.nanolett.4c02474。

通讯作者：Gui-Shi Liu（刘贵师），Xingcai Zhang（张兴才）

第一作者：Haogeng Liu（刘皓耿），Haichuan Li（李海川），Yexiong Wang（王业雄）

研究背景

精神疲劳（Mental Fatigue, MF）是因长时间或高强度认知活动导致的心理和生理状态下降，表现为认知功能减退、反应迟缓、注意力分散和疲惫感。它会降低工作质量、增加错误率，尤其在需高度集中注意力的职业（如驾驶员）中，可能导致事故。长期精神疲劳还可能引发心理问题，如焦虑、抑郁，甚至慢性疲劳综合征。因此，及时识别精神疲劳对个人健康和生产安全意义重大。

穿戴式生理传感设备结合机器学习在精神疲劳检测中具有潜力，但现有设备存在体积大、运动伪影等问题，难以实现精神疲劳实时识别。为提升EP信号检测的稳定性，研究者发展了各种原位制备、Cut-and-paste、印刷、微加工等工艺来制造高性能超薄表皮电极。尽管电极性能已有显著提升，但现有方法往往不可扩展、过程复杂、难以与刚性设备进行集成、或难以兼顾各项电极性能。因此，亟需开发一种简单且可扩展的高性能表皮电极制备方法，构建集成式表皮传感系统。此外，通过结合SVM、随机森林、神经网络等机器学习模型，可在单个体数据上实现高精度疲劳状态识别。然而，传统机器学习模型在跨个体场景中面临显著泛化瓶颈，导致跨个体识别率下降，其主要原因是个体间生理差异与环境因素导致的数据分布偏移。

创新点

暨南大学刘贵师团队联合斯坦福大学Zhang Xingcai团队，在Nano Letters期刊上报道了迁移学习赋能的多模态超薄表皮生理传感系统，实现了跨个体精神疲劳监测的研究成果。研究团队提出了一种简便且可扩展的“印刷-焊接-转移”（PWT）策略，成功制造了超薄（2.5 μm）、高性能、图案化的焊接银纳米线（AgNW）/粘性聚二甲基硅氧烷（S-PDMS）电极（APE）。通过磁吸接口将APE与印刷电路板（PCB）集成，构建了一个即插即用的心电图（ECG）和加速度（ACC）传感系统。

由于静态精神疲劳更具有危害性，且为了避免可能的运动伪影干扰，该系统利用ACC信号和ECG中的呼吸信号识别人体运动状态，采集静态ECG信号并提取心率变异性（HRV），用于精神疲劳识别。该系统搭载无监督迁移学习（UTL）算法，在低算量、少标签的情况下，有效抑制了个体差异对分类器泛化能力的负面影响，实现跨个体精神疲劳高准确率识别（>95%）。

文章解析

图1.超薄表皮电极制备工艺、穿戴式多模态传感及其精神疲劳AI识别的示意图

高粘性、低模量弹性基底是表皮电极实现长时间、高稳定共形贴附的关键。本研究采用非离子含氟表面活性剂Zonyl FS-300的聚乙二醇链段与PDMS的铂催化剂结合，并有效抑制其扩散，从而形成具有异质交联网络的S-PDMS。所制备的S-PDMS膜具有超薄特性（2.5 μm）和皮肤穿戴所需的机械性能，如皮肤般模量（210 kPa）、强粘附力（1.71 N/cm）以及高断裂伸长率（320%），因而能够与多个皮肤部位实现共形贴附。此外，L929细胞对S-PDMS的体外细胞毒性测试表明其具有良好的生物相容性，适合长时间佩戴。

图2. S-PDMS优异的机械性能和生物相容性。

高电导率有利于降低电极-皮肤界面阻抗，进而提升信号信噪比。通过利用增强的等离子体共振效应结合助熔剂（DPIN）来焊接AgNW网络，有效提高其导电性。在365 nm紫外光照射下，AgNW结点处的局部电场得到了显著增强，产生了热点，从而触发了AgNW的等离子体焊接。在溶剂蒸发过程中，毛细管力诱导AgNW之间形成共形接触，使得结点处的局部电场强度和热生成分别增加了98.8%和280%。与此同时，DPIN改性的AgNW表面在光热作用下生成熔融盐，从而降低了AgNW的熔点。协同效应促使AgNW完全焊接，显著降低了薄层电阻（降至0.82 Ω/sq），实现了电导率的显著提升。

图3.等离子体焊接AgNW的原理和性能。

用于精神疲劳识别的表皮电子系统由APE、数据采集与无线传输PCB及手机应用程序组成。通过钕磁铁实现APE与刚性PCB之间的即插即用机电连接，并通过高模量聚氨酯膜提供接口处的应变隔离，从而提高互连的稳定性。

系统通过对心率变异性（HRV）特征进行分类来实现MF识别。研究团队提出了一种基于跨个体特征自适应的无监督迁移学习（IFA-UTL）算法，该算法将源域和目标域的HRV特征映射到共享的潜在空间中，并最小化领域间的概率分布差异。IFA-UTL在三分类和二分类（将疲劳与深度疲劳归为一类）任务中的平均识别率分别为87.8%和98.6%，表现出优异的准确性与泛化性。

图4.用于精神疲劳监测的表皮电子系统及UTL算法识别结果。

总结与展望

本研究通过“印刷-焊接-转移”策略制造了高性能、微米级厚度的弹性表皮电极，并构建了即插即用的多模态表皮生理传感系统，用于ECG和加速度的长期稳定监测。系统搭载了无监督迁移学习算法，凭借低计算复杂度和零目标用户标签信息，实现了高准确度的跨个体精神疲劳检测。该研究不仅提供了一种简便且可扩展的超薄表皮电极制造方法，还为解决由个体差异性引起的机器学习模型泛化性下降问题提供了新策略。

相关论文发表在Nano Letters上，共同第一作者为暨南大学刘皓耿、李海川、王业雄，通讯作者为暨南大学刘贵师副教授和斯坦福大学张兴才教授。