利用声纹特征和卷积神经网络（CNN）实现高频生成过程中无标记识别海藻酸盐微滴的大小和浓度

《Sensors and Actuators A: Physical》：Voiceprint features and CNN for label-free identification of na-alginate microdroplet size and concentration during high-frequency generation

微流控技术中基于声学指纹的非接触式监测方法，通过分析微液滴生成时发出的声音频谱特征，结合卷积神经网络模型实现Na-alginate浓度（0-2.0 wt.%）和直径（60-120 μm）的高精度（RMS误差0.1 wt.%）估计。该方案利用光谱能量、中心频率和带宽等特征参数，在1 kHz高频生成条件下，实现毫秒级检测速度，为生物微胶囊化和高吞吐量生产提供低成本解决方案。

　　

陈鹏年|蔡佳宏

台湾新竹国立阳明交通大学机械工程系

摘要

本文开发了一种基于声纹的方法，用于在高频（1 kHz）条件下，利用简单的麦克风装置实现无标记、非接触式地识别海藻酸钠微滴的属性。海藻酸钠微滴的生成在药物输送和细胞封装等应用中可以实现大规模生产，但对其属性的监测仍然具有挑战性。传统的基于标记或电学的方法可能成本高昂且具有侵入性。本研究通过短时傅里叶变换（STFT）分析了同轴微流控装置发出的声音，并将频谱特征输入卷积神经网络（CNN）以估计微滴浓度。实验结果表明，当微滴直径从60微米增加到120微米时，声音的频谱能量增加了1.5倍，这归因于内毛细管直径从10微米增加到30微米的变化。海藻酸钠浓度从0.0%变化到2.0%时，频谱质心和带宽发生了系统性变化，反映了微滴粘度的变化。CNN模型的浓度估计均方根误差为0.1%。这些结果表明，所提出的基于声纹的方法提供了一种简单、准确且经济高效的微滴属性监测方案，其毫秒级的检测速度使其适用于快速微封装和其他高通量过程。

引言

海藻酸钠是一种广泛使用的生物材料，以其高生物相容性、可生物降解性和凝胶化能力而闻名[1]。通过微流控技术将海藻酸钠基材料分割成均匀的微滴，这些微滴可以作为功能性载体，实现可控释放和结构稳定性，支持细胞封装、药物输送和生物打印等应用[2][3]。海藻酸钠微滴的属性（如大小和粘度）直接影响其形成动态和应用性能。在药物输送中，交联后的海藻酸钠珠子的大小和形状对药物动力学起着关键作用[2][4][5]。在基于海藻酸钠的生物打印中，精确控制微滴体积和生物墨水的成分对于制造具有稳定支架和活性细胞的组织至关重要[6][7][8][9]。因此，在生成过程中监测海藻酸钠微滴的属性至关重要，尤其是在需要一致性和可靠性的高通量生产系统中[10][11]。

本研究旨在通过分析来自声学信号的声纹特征变化来估计生成过程中海藻酸钠微滴的大小和浓度。图1概述了所提出的基于声纹的方法用于识别微滴属性。声纹是从使用同轴毛细管生成微滴过程中记录的声音中提取的。通过卷积神经网络（CNN）框架识别海藻酸钠浓度，而微滴直径则根据声纹的频谱能量进行估计。

微流控技术可以实现快速和可控的操作，如微滴生成、混合、封装和反应处理，允许在紧凑的流体架构中进行高通量处理[12][13][14]。最近的观点和综合综述还概述了微流控技术的更广泛发展和未来方向，包括在材料加工、生物技术和芯片实验室系统中的应用[15][16]。同时，基于表面声波（SAW）的声流控方法等声学方法展示了声场在微尺度传输和控制中的强大作用[17]。这些研究共同反映了将声学技术与微流控技术结合的日益增长的兴趣，但大多数先前的工作集中在主动声学操控上，而非被动传感。这一背景突显了需要像本研究中开发的基于声纹的无标记监测策略。

已有多种方法用于监测生物材料应用中的微滴属性，例如荧光法、吸收光谱法、红外光谱法和电学方法。例如，基于荧光的检测方法通过测量标记微滴发出的荧光强度来高通量表征微滴属性[18][19]。这种方法可以实现高达几千赫兹的高检测通量和对微滴浓度的定量分析，以及可视化微滴的形态[20][21]。然而，基于荧光的方法的实际局限性在于标记过程可能会影响产品质量，以及高速成像装置的高成本和高能耗。其他光学方法，如吸收光谱法[23][24][25]和红外（IR）光谱法[26][27]，也实现了无标记、高通量的微滴属性测量[28]。由于这些方法需要微滴与传感器模块之间的精确对齐，因此其装置可能会受到设备几何形状的限制，或者增加嵌入传感器的难度。同样，电学检测方法（如电容式[29][30]、[31]和共振传感[32][33]）中对电极的图案化需求可能会限制其在不同材料、几何形状和尺度系统中的应用。因此，需要一种无标记且经济高效的微滴属性监测方法来提高大规模微滴生产系统的质量控制。

基于声学的检测方法，即使用麦克风[34][35][36]、水听器[37][38]或超声波换能器[39][40][41]，可以快速、低成本地识别各种流体和粘弹性介质的物理特性的细微差异。例如，微滴撞击表面产生的声音已被广泛用于表征微滴下落条件和表面属性[34][42][43]。通过对雨滴声学信号进行短时傅里叶变换（STFT）特征提取，并引入机器学习模型，可以使用小型轻量级记录设备高精度地定量估计降雨强度[43][44]。对于微流控系统，我们最近的工作表明，分析生成微滴过程中发出的声音的STFT声纹可以实现实时监测，检测范围从几百赫兹到几千赫兹，同时还能识别滴落-喷射模式的转变[36]。在此基础上，本研究进一步证明，对相同声学信号的分析还可以提取微滴的大小和浓度。这些发现突显了这种非接触式、经济高效方法在实时微流控监测中的更大潜力。

本文的其余部分结构如下：第2节描述了所提出的方法和实验设置。第3节展示了不同微滴大小和海藻酸钠浓度下的声纹分析实验结果。第4节讨论了不同物理条件下声纹特征与微滴系统力学之间的关系，旨在提供对所提方法更广泛适用性的见解。最后，第5节总结了主要发现和潜在应用。

方法概述

开发了一种基于声纹的框架，用于从声学信号中提取时频特征，并使用CNN回归模型估计微滴大小和浓度。在同轴微流控装置中生成微滴时产生声学信号，并使用麦克风捕获。记录的声音通过STFT处理以获得时频表示，从中提取关键频谱特征，如频谱能量、频谱质心和频谱带宽

声纹特征

图4展示了使用内管尖端直径分别为10微米、20微米和30微米生成微滴时记录的声音幅度波形。每个图表都附有相应同轴毛细管尖端的特写图像。初步测试使用蒸馏水进行，液体流速固定为1.5毫升/小时，氮气流速为0.05标准升/分钟。微滴生成频率的范围根据先前研究提出的方法估计为若干赫兹

讨论

本节解释了声纹特征如何反映生成过程中微滴的物理行为，检验了噪声鲁棒性，并与现有的高频微滴传感方法进行了比较。

结论

本研究展示了一种基于声纹的方法，利用空气传播声音的频谱特征和机器学习在高频生成过程中实现微滴属性的非接触式监测。实验结果表明，在千赫兹范围内的微滴生成过程中，将内孔直径从10微米增加到30微米会导致频谱能量增加1.5倍，微滴大小也随之增加。海藻酸钠浓度从0.0%变化到2.0%时，频谱质心也会发生变化

CRediT作者贡献声明

陈鹏年：撰写——审阅与编辑、原始草稿撰写、可视化、软件开发、方法论设计、数据分析、概念化。蔡佳宏：撰写——审阅与编辑、验证、监督、资源协调、项目管理、方法论设计、资金获取、数据分析、概念化。

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

感谢台湾国家科学技术委员会NSTC 111–2221-E-A49-122-MY3和114–2221-E-A49-136-MY2的财政支持。