伦敦大学Hubin Zhao等：用于关节扭矩监测的AI压电可穿戴设备

研究背景

近年来，肌肉骨骼疾病患病率不断增加，尤其是在老年人和肥胖患者等高危人群中。关节相关疾病(如骨关节炎和类风湿性关节炎)会显著影响活动能力，因此，可靠的关节健康监测方法至关重要。关节健康评估的一个关键因素是量化关节扭矩的能力，关节扭矩受关节角度、运动速度、外部负荷和肌肉激活的影响，直接反映了关节内部应力。表面肌电图和力肌图被用于测量关节处的有效扭矩，然而，肌电图反映的是神经激活而不是直接的肌肉力量，并且容易出现伪影，而力肌图仅捕获所有肌肉的表面水平肌肉扩张。

可穿戴压电传感器为实时生物力学监测关节运动提供了一种很有前途的替代方案。压电材料具有高灵敏度、柔韧性和可拉伸性，适用于动态关节运动传感，将人工智能集成到可穿戴传感器件中，能够进一步提高对关节生物力学和损伤风险评估的能力。

AI-Enabled Piezoelectric Wearable for Joint Torque Monitoring

Jinke Chang, Jinchen Li, Jiahao Ye, Bowen Zhang, Jianan Chen, Yunjia Xia, Jingyu Lei, Tom Carlson, Rui Loureiro, Alexander M. Korsunsky, Jin-Chong Tan & Hubin Zhao

Nano-Micro Letters (2025)17: 247

https://doi.org/10.1007/s40820-025-01753-w

本文亮点

1. 材料新颖：提出了一种人工智能可穿戴设备，采用基于氮化硼纳米管(BNNT)的压电薄膜，用于精确的关节扭矩传感。

2. 结构优化：通过反向设计结构，优化了生物力学兼容性，增强了传感器对膝关节运动跟踪的能力。

3. 灵敏探测：制备了一种高灵敏度BNNT/聚二甲基硅氧烷复合材料可实现精确和动态的膝关节运动信号检测。

4. 算法精准：提出利用轻量级神经网络处理复杂信号，可实现准确的扭矩、角度和负载估计。

5. 实时监测应用：将可穿戴关节传感器与实时监测系统相结合，为日常运动、康复训练提供即时的膝关节扭矩评估，助力科学调整运动强度或康复方案。

内容简介

关节健康对于影响全球约三分之一人口的肌肉骨骼(MSK)疾病至关重要。关节扭矩监测可以为评估关节健康和指导干预提供指导。然而，没有技术可以同时满足精确、有效、低资源设置和长期可穿戴性，以同时实现快速和准确的关节扭矩测量，以及关节损伤的风险评估和在更广泛环境中长期监测关节康复。伦敦大学Hubin Zhao、牛津大学Jin-Chong Tan等人提出了一种基于压电氮化硼纳米管(BNNTs)的人工智能可穿戴设备，用于定期监测关节扭矩。作者首先采用迭代逆向设计来制备与膝关节生物力学精确匹配的可穿戴材料， 基于BNNT和聚二甲基硅氧烷构建了一种高灵敏度的压电薄膜，用于精确捕捉膝关节运动，同时实现自给自足的能量收集。在轻量级设备上人工神经网络的帮助下，所提出的可穿戴设备能够从复杂的压电输出中准确提取目标信号，然后将这些信号有效地映射到相应的物理特性，包括扭矩、角度和负载。作者构建了一个实时平台来演示精细实时扭矩估计的能力。本工作提供了一种成本相对较低的可穿戴解决方案，用于有效、定期的关节扭矩监测，可供发展水平不同的国家和地区的不同人群使用，对关节健康、肌肉骨骼状况、老龄化、康复、个人健康等领域具有广泛影响。

图文导读

图1. AI辅助膝关节监测示意图。a 设计、合成、制造和集成基于BNNT/PDMS的柔性传感器；b 基于动态关节信号的AI辅助估计关节损伤风险；c 装置的生长结构的逆向设计。

图1围绕柔性传感器设计、AI辅助风险评估以及结构优化过程三个方面，展示了基于人工智能的膝关节监测系统的设计与工作原理。图1a展示了氮化硼纳米管 / 聚二甲基硅氧烷(BNNT/PDMS)基柔性传感器的结构，BNNTs/PDMS复合材料是其关键组成部分，该传感器用于人体工程学膝关节适配和敏感动态运动捕捉。图1b为AI辅助的关节损伤风险评估，基于动态关节信号，通过AI对关节扭矩等参数进行估计，进而评估损伤风险。图1c显示了设备负泊松比结构的逆设计过程，目的是使其与膝关节生物力学一致，优化过程中通过调整结构参数，使泊松比趋近于-1，提升了传感器与关节运动的协同性，保障了信号采集的准确性。

图2. 柔性BNNTs/PDMS薄膜的制造和表征。a 纳米管均匀分散的BNNTs/PDMS薄膜的制备；b BNNTs/PDMS的红外吸收；c BNNTs/PDMS的近场光振幅图；d s-SNOM 红外图像；e BNNTs/PDMS表面的 NanoFTIR吸收光谱；f BNNTs/PDMS 的XRD谱图；g BNNT/PDMS的介电常数；h 电损耗；i BNNTs/PDMS的应力-应变曲线。

图2主要介绍了BNNTs/PDMS柔性复合薄膜的制备过程、材料表征及性能分析。作者共溶剂分散法和缓慢蒸发技术实现BNNTs的均匀分散，并通过定向浇铸诱导BNNTs平面排列，得到BNNTs/PDMS薄膜，并结合FTIR、AFM、s-SNOM、XRD等技术，对所得到的薄膜进行了全面的表征，充分说明了BNNTs/PDMS柔性复合薄膜的结构良好、表面均匀平整。此外，BNNTs/PDMS的介电常数高于纯PDMS，表明BNNTs引入了更多极化中心，增强电荷存储能力。同时，应力-应变曲线表明BNNTs显著增强材料延展性和抗断裂能力，降低了材料刚度，但提升了柔性适配性。

图3. BNNTs/PDMS在标准负载条件下的压电输出。A BNNTs/PDMS 、薄膜(12 wt% BNNTs，2 cm × 2 cm)在循环压缩载荷下不同频率的输出；b BNNTs/PDMS薄膜在循环载荷下的电压输出;c 0.1 s内负载与电压之间的详细关系;d BNNTs/PDMS薄膜在不同频率循环压缩负载下短路电流；e 压电BNNTs/PDMS薄膜在2 Hz循环压缩负载下20 s内电容器的充电曲线；f 在 2 Hz的恒定输入频率和11.5 N的峰值压缩负载下，由BNNT/PDMS薄膜供电的负载电阻器上的闭路峰值电压和功率密度。

图3展示了BNNTs/PDMS复合薄膜的压电性能和自供电能力。图3a、d为BNNTs/PDMS薄膜施加不同频率(2–10 Hz)的开路电压和短路电流，覆盖膝关节运动的主要频率范围(<10 Hz)，表明材料适用于动态关节信号捕捉。自供电测试中，2Hz、12N载荷下，薄膜20s内可将0.1μF电容充至 2.5V，外接3MΩ电阻时最大功率密度为1.47mW/m2，展现出良好的能量收集能力。此外，薄膜经30000次循环载荷后性能稳定，RH＜75%时电压输出可靠，证明其机械耐久性与环境适应性。

图4. 用于监测膝关节活动的基于分类的模型。a 膝关节上连接设备进行膝关节屈曲的插图和收集的数据集；b 响应参与者佩戴的柔性设备收集的不同动作的特色信号；c 膝关节运动信号的预处理路线；d 在9.8N载荷下记录膝关节弯曲的分段数据示例；e 示例数据的STFT频谱；f 分类模型的结构；g 训练和h验证准确率绘制超过100个时期；i T-SNE 算法处理的初始(epoch：1)和结束(epoch：100)的特征向量矩阵；j 不同膝关节扭矩预测精度的混淆矩阵；k 基于训练模型预测膝关节载荷；l 基于训练模型预测膝关节弯曲角度。

图4聚焦于基于机器学习模型的膝关节运动监测与评估，展示了从信号采集到扭矩预测的全流程。作者将BNNTs/PDMS传感器采集到的信号进行分段和归一化，并对每个数据进行短时傅里叶变换(STFT), 提取频率分量的均值作为输入特征(图4e)，将时域信号转换为包含运动模式的频域特征。之后利用采用三层密集连接网络，前两层使用ReLU激活函数，第三层通过Softmax输出9类扭矩等级的概率(对应3种载荷×3种角度组合)，训练准确率达97.5%，验证集与训练集趋势一致，无过拟合(图4g-h)。通过加权概率将分类结果转换为连续值，膝关节载荷与角度预测的均方根误差(RMSE)分别为4.87 N和5.36°，显示较高精度(图4k-l)。

图5. 基于回归的模型和实时膝关节扭矩估计。a 分类模型的路线图；b T-SNE算法处理的epoch 1 和epoch 100的特征向量矩阵；c 基于回归的膝关节扭矩预测;d 膝关节弯曲角度的预测和e膝关节负荷的预测;f 实时信号收集及分析的思路图，包括实时信号捕获、监控接口和实时数据处理;g 90 s实时捕获和声明的示例数据以及膝关节扭矩实时估计的准确性。

图5主要介绍了基于回归模型的连续生物力学参数预测及实时膝关节扭矩监测系统。作者采用回归模型扩展分类模型的能力，其架构含两层 ReLU 激活密集层与单一输出层，可预测连续扭矩、角度和载荷。训练中，特征聚类从分散趋向关联，模型对扭矩、角度、载荷预测的皮尔逊相关系数分别达 0.9567、0.9470、0.9118，高扭矩时因肌肉疲劳等因素预测方差略增。实时监测系统通过 3 秒滑动窗口处理数据，结合 MATLAB GUI 实时显示信号、频谱与扭矩值，预设 30 Nm 阈值触发警报，对 5 种扭矩等级的实时预测准确率为 77.5%。通过采集新用户少量数据微调模型，可提升跨用户适配性。图 5 展现了从离散到连续参数预测的升级，为可穿戴设备在个性化康复等场景的应用提供了技术路径。

总结

在这项研究中，作者介绍了一种专为连续关节扭矩监测而设计的人工智能可穿戴设备。作者采用反向迭代设计方法，制备了具有负泊松比(-0.94，a=10 mm，b=3 mm和θ=175°)的可穿戴材料，以匹配膝关节的生物力学特性。此外，作者通过将 BNNT 均匀分散到 PDMS 矩阵的方式，开发了一种基于压电氮化硼弹性体材料的高灵敏度的压电薄膜，并展示出准确捕捉膝关节运动的能力，同时实现最大功率输出为 1.47 mW m⁻2的自供电能力。为了处理运动过程中产生的复杂压电信号，作者将压电传感器集成为一个轻量级的设备，并结合AI系统成功地从复杂的数据输出中提取了目标信号(分类率高达 97.5%)，并将它们映射到扭矩、角度和负载等参数。最后，作者构建了一个关节活动实时监测平台，展示了在动态条件下使用可穿戴设备进行实时扭矩估计的强大能力。

作者简介

关于我们

Nano-Micro Letters《纳微快报(英文)》是上海交通大学主办、在Springer Nature开放获取(open-access)出版的学术期刊，主要报道纳米/微米尺度相关的高水平文章(research article, review, communication, perspective, highlight, etc)，包括微纳米材料与结构的合成表征与性能及其在能源、催化、环境、传感、电磁波吸收与屏蔽、生物医学等领域的应用研究。已被SCI、EI、PubMed、SCOPUS等数据库收录，2023 JCR IF=31.6，学科排名Q1区前3%，中国科学院期刊分区1区TOP期刊。多次荣获“中国最具国际影响力学术期刊”、“中国高校杰出科技期刊”、“上海市精品科技期刊”等荣誉，2021年荣获“中国出版政府奖期刊奖提名奖”。欢迎关注和投稿。

Web: https://springer.com/40820

E-mail: editor@nmlett.org

Tel: 021-34207624

如果文章对您有帮助，可以与别人分享！：Nano-Micro Letters » 伦敦大学Hubin Zhao等：用于关节扭矩监测的AI压电可穿戴设备