基于深度学习与激光散斑成像技术的水凝胶非接触流变学评估新方法

【编辑推荐】本研究创新性地将深度学习（3DCNN/CNN-LSTM等）与激光散斑成像（LSI）技术结合，通过分析水凝胶时空散斑模式预测其粘弹性模量，相比传统机械流变仪（GSER算法）实现非接触式快速检测，为生物组织（如血管/皮肤）力学特性研究开辟新路径。

　　

Highlight

本研究开发的人工智能模型作为传统方法的有效替代方案，能够快速处理大量散斑图像数据，实现粘弹性特性的高效评估。通过对比流变仪测量、基于CNN-LSTM的深度学习框架以及广义斯托克斯-爱因斯坦关系（GSER）解析的激光散斑成像结果，证实AI预测的模量能可靠反映水凝胶的机械特性，且在多任务学习（MTL）模式下展现出更优性能。

Discussion

AI模型的发展为传统流变学测量提供了革命性突破：

1. 1.

   效率提升：CNN-LSTM框架处理5000帧/样本的散斑视频仅需毫秒级，较GSER算法提速3个数量级

2. 2.

   精度验证：在10-100 rad/s角频率范围内，预测模量与机械测量结果的MAPE（平均绝对百分比误差）<8.5%

3. 3.

   应用扩展：该方法特别适用于易变形生物样本（如离体组织），避免接触式测量导致的机械损伤

Conclusion

通过系统比较3DCNN、CNN-LSTM等模型对聚丙烯酰胺（PA）凝胶散斑图像的时空特征提取能力，我们证实：

1. 1.

   采用空间卷积（CNN）与长短期记忆网络（LSTM）级联的架构，在MTL模式下对粘弹性模量预测表现最优（MAPE_50rad/s=5.2%）

2. 2.

   散斑图像的空间均匀性特征使时间序列建模成为关键，ConvLSTM在单一频率预测任务中表现突出

3. 3.

   该技术为活体组织力学监测（如创面愈合评估）和药物缓释水凝胶开发提供全新无创检测范式