基于MoS2量子点纤维忆阻器的物理储层计算技术实现多模态睡眠监测

研究人员针对可穿戴睡眠监测设备能耗高、计算效率低的问题，创新性地提出基于MoS2量子点纤维忆阻器（MoS2 QDs fiber memristor）的物理储层计算（RC）系统。该技术通过16个脉冲可编程电导态实现EEG和鼾声信号的高维映射，在睡眠分期、鼾声事件检测及多模态融合任务中分别达到95.4%、94.8%和93.5%的准确率，其皮瓦级能耗为下一代居家睡眠监测提供了织物嵌入式智能解决方案。

　　

随着可穿戴健康监测技术的快速发展，实时分析睡眠生理信号成为改善睡眠障碍诊疗的关键。然而传统系统面临严峻挑战：脑电图（EEG）和鼾声等多模态信号在时频特性上存在显著差异，而传统冯·诺依曼架构因存储与计算分离导致高能耗，难以满足24小时连续监测需求。更棘手的是，环境噪声干扰和信号维度差异使得实时分类准确率受限，现有刚性电子器件也无法兼容纺织品的柔韧性要求。

针对这些瓶颈，研究人员在《Research》发表了一项突破性研究。他们设计出全球首个基于二硫化钼量子点（MoS₂ QDs）纤维忆阻器的织物集成神经形态系统，通过物理储层计算（Physical Reservoir Computing, RC）原理，将生物信号直接转化为高维状态向量。这种Ag/MoS₂ QDs/Ag同轴结构在±1V、亚纳安电流下工作，其16个电导态可编程特性实现了94.8%的鼾声检测和95.4%的睡眠分期准确率。尤为创新的是，研究者用轻量卷积神经网络（CNN）替代传统线性读出层，使24小时EEG分析速度提升6倍，并在模拟降雨、交通噪声环境中仍保持93.5%的多模态分类精度。

关键技术包括：1）通过电化学沉积法制备柔性Ag/MoS₂ QDs/Ag纤维忆阻器；2）采用马尔可夫转移场（MTF）和梅尔频率倒谱系数（MFCCs）分别处理EEG和鼾声信号；3）结合导电原子力显微镜（C-AFM）验证纳米级导电细丝形成机制；4）使用t-SNE和主成分分析（PCA）可视化储层状态分离效果。

【纤维忆阻器设计与表征】

扫描电镜（SEM）和元素 mapping 证实MoS₂ QDs在纤维表面均匀分布。阻变测试显示器件具有稳定的双极性开关特性，20次循环后ON/OFF比仍保持10³量级。有限元模拟表明同轴结构在弯曲时应力分布均匀，支持可穿戴应用。

【多模态信号处理】

EEG信号经MTF转换为16×16状态矩阵，鼾声通过MFCCs提取40维特征。t-SNE分析显示储层响应形成明显聚类，证实信号分离有效性。在含噪声数据集中，CNN读出层通过类激活图（CAM）精准识别关键特征区域。

【实际场景验证】

模拟降雨环境下，系统对并发EEG和鼾声信号仍保持93.5%分类精度。24小时连续监测中，可清晰区分觉醒期、浅睡期和深睡期，与专家标注结果高度吻合。

这项研究开创性地将纤维忆阻器与物理储层计算结合，解决了可穿戴设备在实时性、能耗和柔韧性上的三重挑战。其皮瓦级功耗比传统数字系统降低3个数量级，MoS₂ QDs的量子限域效应更增强了器件稳定性。尽管在量产一致性和集成密度方面仍需优化，该技术为织物嵌入式智能医疗设备提供了新范式，未来可扩展至心电（ECG）、肌电（EMG）等多生理参数监测领域。