《Biosensors and Bioelectronics: X》：Multidomain Signal-Driven Endoleak Detection Using a Self-Powered Piezoelectric Smart Stent
编辑推荐：
研究人员开发了一种自供电压电智能支架（Smart Stent），用于移植物内的连续血流动力学监测；研究人员将柔性25 wt.%钛酸钡（BTO）-聚二甲基硅氧烷（PDMS）纳米复合材料集成于三维（3D）打印支架上；通过自供电血流动力学转换，该支架在119.9 m
研究人员开发了一种自供电压电智能支架（Smart Stent），用于移植物内的连续血流动力学监测；研究人员将柔性25 wt.%钛酸钡（BTO）-聚二甲基硅氧烷（PDMS）纳米复合材料集成于三维（3D）打印支架上；通过自供电血流动力学转换，该支架在119.9 mmHg压力下产生186.8 mV的电压；在I型和III型内漏（Endoleak）条件下，电压显著衰减（65–77%），而II型内漏呈现明显的不规则信号模式；多域信号分析与机器学习相结合，可实现自动化且准确的内漏分类。
腹主动脉瘤（abdominal aortic aneurysm, AAA）是一种严重威胁生命的血管疾病。血管内动脉瘤修复术（endovascular aneurysm repair, EVAR）因创伤小、恢复快已成为首选治疗，但术后内漏（endoleak）——即移植物腔外、动脉瘤囊内持续存在的血流——是主要并发症，可导致动脉瘤持续受压甚至破裂，因此需要终身监测。目前主要依赖计算机断层扫描血管造影（computed tomography angiography, CTA）和双功能超声等影像学手段，但这些方法均为间歇性，存在辐射暴露或操作者依赖性，且主要反映形态学变化，难以捕捉早期压力和血流动力学异常。因此，临床上迫切需要一种能够连续、实时监测移植物内血流动力学的植入式传感平台。
针对这一需求，研究人员开发了一种自供电压电智能支架（Smart Stent）。该智能支架以三维（3D）打印尼龙支架为骨架，表面涂覆柔性25 wt.%钛酸钡（BTO）-聚二甲基硅氧烷（PDMS）纳米复合压电材料，并溅射银电极层。该复合材料具有低弹性模量，可随血管变形而应变，通过直接压电效应将脉动血流引起的血管壁形变转换为电压信号，从而实现无需外部供电的连续监测。研究人员将其部署于仿真的AAA体外循环模型中，验证了其压力传感性能，并引入多域信号分析结合机器学习（machine learning, ML）的框架，实现了对内漏类型的自动分类。该研究证明，基于柔性压电材料的自供电智能支架结合多域信号分析与机器学习，能够有效检测并区分不同类型的内漏，为EVAR术后监测提供了新的技术方案，建立了从材料、器件到智能化信号分析的转化路径。
关键技术方法方面，研究人员使用25 wt.%的BTO纳米颗粒（约500 nm）分散于PDMS基体中，经旋涂成膜、直流溅射银电极、高压极化等步骤制得智能支架。机械性能依据ISO 25539-2:2020验证，并进行了约7800次循环加载的长期稳定性测试。体外血流动力学实验采用3D打印弹性树脂制成的AAA模型，配合双泵脉动循环系统，使用人造血液，模拟80次/分心率和约60–120 mmHg生理压力范围。研究人员在模型中人为制造I、II、III型内漏，同步采集智能支架电压和参考压力、流量信号。机器学习分析基于两个独立完整试验的数据；生物相容性使用NIH 3T3成纤维细胞系（ATCC来源）进行活/死染色评估。
研究结果包括以下几个部分。
3.1 自供电血流动力学转换与内漏检测
研究人员通过体外AAA循环模型证明，智能支架电压信号与脉动波形同步，在收缩压约120 mmHg时产生约186.8 mV峰值电压，且输出电压与流量（1–5 L/min）和出口压力呈强线性相关（R
2 ≈ 0.998）。长期循环测试表明，约7800次加载后电压幅值保持为初始值的约79%，验证了机电稳定性。在内漏条件下，I型内漏导致电压幅值和基线降低约65.2%，III型内漏导致幅值降低约77.5%，而II型内漏表现为波形不规则和幅值波动。这些结果表明，智能支架能够将血流动力学改变转换为特征电信号，实现实时内漏识别。
3.2 多域信号分析与机器学习内漏分类
该部分包含多个子分析。
3.2.1 多域信号表征
研究人员使用时域波形、矩阵谱（matrix profile）异常检测和短时傅里叶变换（short-time Fourier transform, STFT）时频分析提取内漏特征。正常阶段信号呈稳定周期振荡；内漏发生后，I型出现中等幅度衰减，II型显示出多重分布的异常峰和频谱展宽，III型则表现出高密度大幅异常峰和显著频谱衰减，从而实现了多域特征区分。
3.2.2 基于SVD的特征空间判别与异常检测
研究人员对STFT谱图进行奇异值分解（singular value decomposition, SVD）降维，取前三个（SVD-3）和前五个（SVD-5）奇异分量。散点图显示正常、I、II、III型内漏形成不同簇，其中II型离散度最大，III型聚集于低幅区域，证明SVD特征可有效区分内漏类型。
3.2.3 内漏分类性能
比较了支持向量机（support vector machine, SVM）、随机森林、决策树、逻辑回归和多层感知机（multilayer perceptron, MLP）等模型。插值验证中多个模型接近完美；跨试验外推验证中，SVM结合SVD-3特征表现最稳定，准确率达0.81（插值0.84），而随机森林和MLP外推精度下降明显。这表明紧凑的SVD-3特征保留了稳定的血流动力学信息，更适合实际应用中的跨时相可靠性。
3.2.4 STFT参数敏感性分析
研究人员系统改变窗长和重叠率后发现，窗长≥3 s才能充分分辨1.33 Hz和2.6 Hz主导频带；最佳折中为5 s窗、90%重叠、SVD-3特征，准确率0.81，F1分数0.80。较长窗长适合稳定分类，但不利于精确定位内漏起始时刻。
3.3 生物相容性评估
NIH 3T3成纤维细胞与BTO-PDMS薄膜及完整智能支架共培养5天后，活/死染色显示大量绿色荧光、极少红色死细胞，细胞黏附与增殖情况与对照组相当，证明材料体系和器件结构具有良好的细胞相容性。
在讨论部分，研究人员指出，当前数据集规模有限，体外模型无法完全模拟天然血管的粘弹性和非牛顿流体特性，机器学习模型的泛化能力仍需更大规模、更多样化的数据以及在体验证来提升。未来将引入可调流变学血液替代物、更逼真的血管模型以及动物实验。研究结论可译为：本研究表明，自供电压电智能支架能够通过直接机电转换，无需外部电源即可对EVAR术后内漏进行连续实时检测。该支架在生理条件下产生显著信号，并与压力和流量强线性相关；I型和III型内漏引起显著的基线电压衰减（分别为65.2%和77.5%），II型内漏则表现出升高而不规则的信号模式。多域信号分析和机器学习实现了对内漏状态的自动、客观分类，为改善EVAR术后监测和内漏早期检测提供了临床可行的途径，并确立了自供电植入式连续血流动力学监测平台的技术基础。
