综述：人工智能赋能的自供电声学传感：从能量收集到健康监测

本综述系统阐述自供电声学传感技术（SPAS）在医疗健康监测领域的突破性进展，涵盖声信号特征参数（相位/振幅/频率/谐波/信噪比(SNR)）分析、机器学习(ML)算法集成及多领域应用（从声带疾病早期筛查到心血管疾病（如主动脉瓣狭窄）智能诊断），为构建非侵入式连续监测系统提供关键技术路径。

　　

Abstract

声信号因其包含相位、振幅、频率、谐波、信噪比(SNR)、波形、频谱密度、混响和调制模式等关键特征参数而成为信息的重要载体。近年来，信号处理与机器学习(ML)技术的飞跃显著拓展了声学应用边界：从声带疾病的早期筛查到通过声纹生物特征识别增强生物计量技术。自供电声学传感器实现了非侵入式连续监测，助力哮喘、支气管炎、主动脉瓣狭窄和充血性心力衰竭等众多肺与心血管疾病的识别。超越医疗领域，该技术更在环境监测、工业诊断与结构健康监测中发挥核心价值——通过捕捉分析自然事件、机械运转和基础设施的声学特征，实现早期异常检测与主动干预。本文全面综述声学传感与能量收集方法论、核心参数及多种机器学习算法，结合典型案例论证人工智能融合声学传感器跨领域应用的潜力，并提出系统开发中的误差抑制策略。

Conflict of Interest

作者声明无利益冲突。