《Technologies》：Low-Cost Smart Insole System for Evaluating Plantar Pressure Patterns Related to Diabetic Foot Risk Using Piezoresistive Sensors and Convolutional Neural Networks
编辑推荐：
糖尿病足溃疡（DFU）是糖尿病（DM）的一种严重并发症，影响全球数百万成年人，常导致住院和截肢。糖尿病神经病变（DN）增加了足底损伤的风险，而缺乏持续监测和延迟检测则促进了这些病变的进展。本研究提出了一种低成本智能鞋垫系统，用于连续监测足底压力并筛查与糖尿病神
糖尿病足溃疡（DFU）是糖尿病（DM）的一种严重并发症，影响全球数百万成年人，常导致住院和截肢。糖尿病神经病变（DN）增加了足底损伤的风险，而缺乏持续监测和延迟检测则促进了这些病变的进展。本研究提出了一种低成本智能鞋垫系统，用于连续监测足底压力并筛查与糖尿病神经病变相关的足底压力模式。该系统集成了分布在前足关键区域的压阻传感器，连接到低功耗ESP32微控制器进行数据采集。测量值通过蓝牙低功耗（BLE）传输至移动应用程序，该应用程序可实现实时可视化、用户管理，并将数据存储在MySQL数据库中用于历史数据查询。数据处理采用卷积神经网络（CNN）配置，用于在非糖尿病个体和出现神经病理性改变的糖尿病患者之间对足底压力模式进行分类。系统验证显示，在分类足底压力模式时准确率为88%，召回率为88%，F1-score为87%。结果证实，低成本硬件与开源软件的结合是筛查与糖尿病足并发症相关的生物力学改变的一种可行且可扩展的解决方案。
论文解读文章
**研究背景与问题**
糖尿病足溃疡（DFU）是糖尿病（DM）的严重并发症，影响全球数百万成年人，常导致住院和下肢截肢。糖尿病神经病变（DN）导致足部感觉丧失，增加无察觉损伤的风险，而缺乏连续监测和延迟检测是病变进展的关键因素。现有评估手段如Wagner量表依赖主观判断，且传统足底压力测量系统多基于实验室设备，成本高、便携性差。因此，需要开发低成本、可穿戴的智能解决方案，用于持续监测足底压力并早期识别与DN相关的异常模式，以降低DFU风险。本研究旨在构建一套集成压阻传感器与卷积神经网络（CNN）的智能鞋垫系统，实现对足底压力模式的实时监测与分类。
**研究内容与结论**
研究人员提出并验证了一套低成本智能鞋垫系统，用于评估与糖尿病足风险相关的足底压力模式。系统由8个FSR402压阻传感器、ESP32-C3 Mini微控制器、蓝牙低功耗（BLE）通信模块、Android移动应用及MySQL数据库组成。传感器分布在前足关键区域（足跟、中足、跖骨头MTH1-MTH5、拇趾），通过电压分压电路采集信号，并经由BLE传输至移动端进行实时显示与存储。数据处理采用一维CNN模型，对30秒时间窗口内的多变量信号进行二分类（非糖尿病个体 vs. 糖尿病神经病变患者）。系统在43名参与者（18名非糖尿病，25名糖尿病；墨西哥人群）的数据上进行训练与验证，采用subject-wise划分（70%训练，30%验证）。CNN验证准确率达92%，但完整系统在8名志愿者测试中准确率、召回率均为88%，F1-score为87%。结果表明，低成本硬件与开源软件的结合是筛查糖尿病足并发症相关生物力学改变的可扩展方案。论文发表在《Technologies》。
**关键技术与方法**
1. **传感器选择与布局**：选用FSR402压阻传感器（直径12.7mm，承重10kg），基于足底压力峰值（PPP）阈值（200-600 kPa）及墨西哥人群足部尺寸（女性24cm，男性27cm），在足跟、中足、5个跖骨头及拇趾处放置8个传感器。
2. **数据采集与传输**：采用ESP32-C3 Mini微控制器（12位ADC）配合74HC4051多路复用器顺序读取传感器；使用BLE 4.0协议传输数据（MTU 23字节，每对鞋垫发送两个16字节包）。
3. **CNN配置**：输入为16通道（左右脚各8传感器）30秒时间序列（20 Hz采样），经网格搜索确定最优超参数（5个卷积层，核大小11，64-128个滤波器，引入MaxPooling层），并使用检查点策略保存验证准确率最高的权重。
4. **软件架构**：移动应用采用Android (Kotlin) 客户端-服务器架构，通过PHP和Python API与MySQL数据库交互，实现用户管理、实时可视化及历史数据查询。
**研究结果**
**3.1 系统构建**
研究人员将8个FSR402传感器集成到商业PVC鞋垫中，用尼龙莱卡层覆盖，并连接至50mm×100mm穿孔板上的数据采集电路（包含MCU、多路复用器、电阻等）。传感器连接采用柔性扁平电缆，确保与不同鞋类的兼容性。
**3.2 卷积神经网络验证**
通过网格搜索发现核大小11且滤波器数超过64时模型准确率最高。最佳配置中引入MaxPooling层以减少空间冗余。由于数据集规模有限，采用检查点策略进行5轮训练，每轮30 epochs，保存验证准确率最高的权重。模型在30%验证集上准确率、召回率、F1-score均达92%。分析假阴性案例发现，部分糖尿病受试者因传感器放置或解剖差异导致中足或MTH4传感器读数异常低，引发分类错误。
**3.3 系统性能评估**
在8名志愿者（非糖尿病及确认DN的糖尿病患者）上进行验证，采用30秒20 Hz采样，参与者以自选速度在平坦路面行走。试验包含600次有效读数。实时显示界面采用颜色代码（灰：<77.5 kPa，蓝：77.5-250 kPa，黄：250-400 kPa，红：>400 kPa）。系统诊断准确率88%，召回率88%，F1-score 87%。混淆矩阵显示存在1例假阳性，该受试者BMI>30且鞋码较小（25 MX），导致前足压力增高与糖尿病组重叠。对比非糖尿病与糖尿病组足底压力分布，糖尿病患者前足（MTH1-MTH4）及拇趾压力显著升高（MTH1增加36%，MTH2增加41%，拇趾增加44%），表明前足高负荷是DN的特征模式。
**3.4 原型成本**
每对原型鞋垫硬件成本约48美元（含MCU、多路复用器、FSR传感器），不包括计算资源。该成本在墨西哥约34.5%人口最低工资标准内（530-542美元/月），具有经济可行性。
**讨论与结论**
讨论部分指出，系统实现了低成本硬件与CNN的有效集成，能够捕获DN相关的足底压力异常模式。与仅实验室评估的系统不同，本研究在真实环境（办公室、家庭）中测试，且未报告不适（除2名受试者因小腿围过大反馈外壳问题）。传感器选择FSR402能满足200-600 kPa压力范围，离散布局可提供代表性信息。CNN性能（88%准确率，87% F1-score）与文献相当，但BMI和鞋履类型是重要干扰变量——高BMI非糖尿病个体可能产生类似糖尿病患者的压力分布导致假阳性。系统通过BLE通信稳定，每日平均压力值有助于识别长期趋势。成本优势（48美元/双）使其适用于资源有限地区。
结论部分翻译：本研究介绍并验证了一套用于足底压力测量及自动分析与糖尿病神经病变相关压力模式的智能鞋垫系统。该系统集成了分布在足部关键解剖区域的FSR402力敏电阻、基于ESP32-C3 Mini微控制器的数据采集系统，以及使用蓝牙低功耗的无线传输方案，实现了适合日常使用的便携式实时监测。实验结果表明，所设计仪器能够在DN患者临床相关范围内可靠捕获足底压力值，并在步态中保持稳定的数据采集与传输。从生物力学角度，收集数据的分析揭示了非糖尿病与糖尿病参与者之间可区分的压力模式。糖尿病受试者在前足区域（特别是MTH1-MTH4和拇趾）表现出持续较高的足底压力，表明前足高负荷是与DN相关的特征标志。实施的卷积神经网络取得了具有竞争力的性能，平均准确率和召回率为88%，F1-score为87%，证明了其区分非糖尿病和糖尿病个体足底压力模式的能力。这些结果表明，低成本传感硬件与深度学习技术的结合可以有效识别相关生物力学模式，支持其作为筛查工具的应用。然而，分析也揭示某些人体测量和外部变量显著影响系统性能。特别是，体重指数（BMI）和鞋履类型成为影响足底压力分布的相关因素。验证中观察到的一例假阳性表明，高BMI的非糖尿病个体可能呈现出与糖尿病参与者相当的压力大小，导致分类错误。这一发现强调，CNN主要依赖于压力强度和空间分布，而非临床状态。整个系统架构，包括用于实时可视化的移动应用、数据库存储和数据分析，为连续监测和纵向随访提供了全面的平台。此外，原型机的低成本（约48美元）支持其在资源有限环境中的潜在应用，在这些环境中，糖尿病的高患病率构成了重大的公共卫生挑战。未来工作将重点通过将BMI和鞋履类型等额外变量整合到预测模型中，以及通过实现专用印刷电路板和增强人体工程学组件来优化硬件设计，从而提高系统的稳健性和分类可靠性。此外，扩展数据集并开展更大规模人群的验证对于提高模型泛化能力和加强所提出系统的临床适用性至关重要。
