基于压阻式足底压力传感器(PPS)与卷积神经网络(CNN)的人体负重动态监测系统研发及临床验证

为精准监测骨折康复患者的体重及负重状态（避免不当负重延缓愈合或引发二次骨折），研究人员创新性地开发了集成96个压阻式力传感器的足底压力监测系统(PPS)，结合卷积神经网络(CNN)模型，通过采集107名受试者在步行/站立状态下0-15kg梯度的负重数据，实现静态无负荷时R2=0.9997、动态负重时R2=0.8857的高精度预测，为智能化康复监护提供了新范式。

　　

在骨折康复医学领域，实时监测患者体重及外部负重（afforded load）堪称"黄金指标"——不当的力学负荷如同隐形杀手，既会拖慢愈合进程，又可能引发灾难性的再骨折。近年来，智能鞋垫传感器系统在步态参数（gait parameters）监测领域大放异彩，其中足底压力（plantar pressure）因其与体重的强相关性，成为预测力学负荷的明星指标。

科研团队这次祭出"双剑合璧"方案：96个压阻式力传感器（piezoresistive force sensors）编织成精密监测网络，配合卷积神经网络(CNN)的"最强大脑"，对107名受试者展开多场景测试——从静态站立到动态行走，负荷梯度覆盖0kg到15kg。实验结果令人振奋：在"立正不背包"的理想状态下，系统预测精度近乎完美（R²=0.9997，相对误差仅0.0027）；即便在"负重行走"的复杂场景下，预测性能仍保持高水平（R²=0.8857）。这项研究如同给康复医学装了"力学雷达"，让看不见的负重风险无所遁形。