呼吸監(jiān)測是評估人體健康狀況的關鍵手段，能早期預警感染、心衰、慢阻肺等疾病。然而，傳統(tǒng)呼吸傳感技術面臨兩大挑戰(zhàn)：人體呼出氣體相對濕度近100%，水汽會干擾壓電、電容、摩擦電等傳感機制的性能，而增加防水封裝層又會降低靈敏度并影響佩戴舒適性；此外，依賴外部電池供電的傳感器存在壽命短、發(fā)熱及化學污染等問題，制約了可穿戴設備的長期應用。

加州大學洛杉磯分校陳軍教授團隊開發(fā)出一種集成于口罩的自供電磁彈性傳感器網(wǎng)絡，通過巨磁彈性效應將呼吸氣流轉化為電信號。單個傳感器僅重3.2克，信噪比超過35分貝，響應時間低至80毫秒，可精準捕捉慢呼吸、快呼吸、咳嗽和噴嚏等模式。結合機器學習算法，該系統(tǒng)呼吸模式分類準確率達94.03%，并通過定制化手機應用實現(xiàn)實時診斷與醫(yī)療數(shù)據(jù)共享，為物聯(lián)網(wǎng)時代的個性化呼吸管理提供新方案。

系統(tǒng)設計與工作原理

研究團隊在口罩內表面部署了四個柔性磁彈性傳感器，構成空間監(jiān)測網(wǎng)絡（圖1b）。每個傳感器采用雙層結構：磁機械耦合層（MC層）由含釹鐵硼納米磁體的柔性復合材料構成，磁感應層（MI層）為方形銅線圈（圖1c）。當呼出氣流壓迫MC層時，其內部微磁體鏈結構發(fā)生形變（圖1d），引發(fā)磁通密度變化（圖1f），通過電磁感應原理在銅線圈中生成電流。這種基于波動鏈模型的巨磁彈性效應（圖1e），使傳感器兼具高靈敏度和本征防水特性。整個系統(tǒng)集成了信號處理單元、藍牙模塊及機器學習算法，實現(xiàn)呼吸信號的無線采集與實時分析（圖1g）。

圖1：用于可穿戴呼吸監(jiān)測的口罩磁彈性傳感器網(wǎng)絡概覽 (a) 磁彈性傳感器網(wǎng)絡附著于口罩的工作機制示意圖 (b) 口罩磁彈性傳感器網(wǎng)絡結構設計 (c) 柔性磁彈性傳感器結構 (d) 呼氣時柔性磁彈性傳感器結構變化示意圖 (e) 展示軟物質中巨磁彈性效應的波動鏈模型 (f) MC層壓縮/未壓縮狀態(tài)下的磁通密度分布圖（比例尺：0.5 cm） (g) 機器學習輔助呼吸傳感與監(jiān)測系統(tǒng)示意圖

傳感器性能優(yōu)化

通過力學模擬發(fā)現(xiàn)，傳感器在單點受壓時（如角落加載，圖2a）比中心均勻加載（圖2c）產(chǎn)生更顯著的磁通密度不對稱變化（圖2b,d），靈敏度提升約40%。團隊進一步優(yōu)化MC層：當微磁體濃度達70%時，磁通密度變化達12.2毫特斯拉（圖2e），同時材料斷裂伸長率超550%（圖2f），兼顧機械柔性與信號強度。選用20匝銅線圈的MI層后（圖2g），傳感器輸出電壓/電流隨壓力線性增長（圖2h,i），在6千帕壓力下經(jīng)歷5000次循環(huán)后信號穩(wěn)定性仍超95%（圖2j）。

圖2：單柔性磁彈性傳感器的靈敏度、機械響應及穩(wěn)定性特征 (a) 傳感器單角受力時的模擬應力分布 (b) 傳感器單角受力時的模擬磁通密度分布 (c) 傳感器中心受力時的模擬應力分布 (d) 傳感器中心受力時的模擬磁通密度分布 (e) 不同微磁體濃度下的磁彈性響應（隨壓力變化的磁通密度） (f) 不同微磁體濃度MC層的應力-應變曲線 (g) 不同匝數(shù)柔性線圈在壓縮應力下的電流輸出 (h) 不同壓縮應力下的開路電壓（VOC） (i) 不同壓縮應力下的短路電流（ISC） (j) 柔性磁彈性傳感器5000次循環(huán)穩(wěn)定性測試

呼吸監(jiān)測實戰(zhàn)表現(xiàn)

多物理場模擬顯示，口罩在呼吸壓力下呈中心梯度形變（圖3a,b），因此傳感器網(wǎng)絡布局于口罩內表面四角。測試中，傳感器在1-5赫茲頻率范圍內輸出電流隨頻率上升而增強（圖3c），響應時間在3赫茲時縮短至80毫秒，信噪比達35分貝（圖3d,e）。在濕潤環(huán)境下，電流峰峰值僅波動4%（圖3f,g），驗證其防水可靠性。實際應用中，網(wǎng)絡成功區(qū)分慢呼吸（低頻長波）、快呼吸（高頻短波）、咳嗽（單峰高幅）和噴嚏（雙峰脈沖）四種模式（圖3h），并量化了口罩內呼吸壓力的空間不對稱分布（圖3i）。

圖3：柔性磁彈性傳感器連續(xù)呼吸監(jiān)測特性 (a) 呼吸沖擊力與口罩內部壓力分布的模擬（用于優(yōu)化傳感器布局） (b) 呼吸壓力與口罩形變的三維模擬（用于傳感器布局優(yōu)化） (c) 不同頻率下傳感器信號波形 (d) 響應時間隨應力頻率的變化關系 (e) 信噪比隨應力頻率的變化關系 (f) 快速呼吸時干/濕環(huán)境下的信號波形對比 (g) 干/濕環(huán)境輸出電流水平對比 (h) 傳感器采集的四種呼吸模式波形（左下位置）：慢呼吸、快呼吸、咳嗽、噴嚏 (i) 四種呼吸模式在口罩四個位置（左下、左上、右下、右上）的信號幅度差異

智能診斷與系統(tǒng)集成

基于支持向量機（SVM）的機器學習算法對1000余組呼吸信號進行訓練（圖4a），在四類呼吸模式識別中整體準確率達94.03%（圖4b）。該系統(tǒng)還能以97.33%準確率分類呼吸頻率，以86.66%準確率識別壓力強度（圖4c,d）。集成定制手機應用"Breathing Smart Manager"后（圖4f），用戶行走、奔跑時的呼吸狀態(tài)可實時可視化（圖4e），數(shù)據(jù)同步云端并支持一鍵分享至醫(yī)療端。

圖4：機器學習輔助口罩磁彈性傳感器網(wǎng)絡的實用呼吸監(jiān)測 (a) 呼吸模式分類的機器學習流程：數(shù)據(jù)預處理→特征提取→模型訓練→評估 (b) 四類呼吸模式在訓練集/測試集的準確率分布 (c) 五類呼吸頻率識別的混淆矩陣 (d) 十類呼吸壓力強度的混淆矩陣 (e) 運動場景下的呼吸監(jiān)測示例：1-行走（慢呼吸） 2-奔跑（快呼吸） 3-咳嗽 4-噴嚏（圖中人物為第一作者） (f) 移動呼吸監(jiān)測系統(tǒng)：用戶界面實時顯示波形與結果

總結與展望

該研究首創(chuàng)的口罩集成磁彈性傳感網(wǎng)絡，攻克了傳統(tǒng)呼吸監(jiān)測技術面臨的水汽干擾、舒適度不足與外部供能限制三大瓶頸。其自供電特性、94%的AI識別精度及輕量化設計（單傳感器3.2克），為居家遠程醫(yī)療和臨床連續(xù)監(jiān)測提供了可擴展的解決方案。未來，這項技術有望成為物聯(lián)網(wǎng)健康管理的核心組件，推動呼吸系統(tǒng)疾病的個性化防控。

審核編輯 黃宇