《Applied Sciences》：Machine Learning-Enabled Wearable Piezoelectric Acoustic Sensor for Real-Time Breast Abnormality Detection
编辑推荐：
在当代社会，乳腺健康已成为一个重要的公共卫生问题，尤其在女性群体中。根据世界卫生组织的统计数据，乳腺肿瘤的发病率和死亡率近年来均呈稳步上升趋势。因此，有效的早期筛查和术后监测对于维护乳腺健康至关重要。然而，传统的临床诊断方式通常体积庞大、操作复杂，且不适用于连
在当代社会，乳腺健康已成为一个重要的公共卫生问题，尤其在女性群体中。根据世界卫生组织的统计数据，乳腺肿瘤的发病率和死亡率近年来均呈稳步上升趋势。因此，有效的早期筛查和术后监测对于维护乳腺健康至关重要。然而，传统的临床诊断方式通常体积庞大、操作复杂，且不适用于连续实时监测，这限制了其在便携式和日常健康管理中的应用。为解决这些限制，本研究提出了一种集成机器学习的可穿戴压电传感平台，作为乳腺健康评估的辅助工具。该设备由嵌入柔性银纳米线（AgNW）的聚二甲基硅氧烷（PDMS）匹配层、聚偏氟乙烯-三氟乙烯（P(VDF-TrFE)）压电层以及多通道低噪声信号采集电路组成。它能够从组织模拟环境中获取声学回波信号，并利用卷积神经网络（CNN）自动评估信号有效性。通过将压电传感与基于深度学习的信号分析相结合，该系统在受控条件下实现了超过70 dB的信噪比（SNR）和高于96%的实时分类准确率。这些结果表明，该平台为机械异质性的可穿戴感知提供了一种紧凑、便携且智能的方法，并凸显了其在连续生物医学监测技术中未来发展的潜力。
### 论文解读：基于机器学习与可穿戴压电声学传感器的乳腺异常实时检测平台
#### 一、研究背景与问题提出
乳腺癌作为全球女性最常见的恶性肿瘤之一，其发病率和死亡率持续上升，且发病年龄呈现年轻化趋势，因此早期筛查与术后长期监测对改善临床预后至关重要。然而，临床现有影像学手段——包括乳腺X线摄影、超声成像、磁共振成像（MRI）及正电子发射断层扫描（PET）——虽诊断效能强大，却受限于设备体积大、操作依赖专用设施、成本高昂，难以满足日常生活中的连续实时监测需求。近年来，柔性电子与可穿戴传感器技术的飞速发展为解决上述瓶颈提供了新路径：可穿戴超声和声学传感器能够无创地探测深层组织，并已在心血管监测、组织力学评估和运动追踪中展现潜力。但此类系统在信号稳定性方面面临严峻挑战——运动伪影、环境波动及生物变异性可显著降低信号质量，导致信噪比（SNR）不足。此外，传统方法依赖人工解读或简单信号处理，鲁棒性和可扩展性受限。尽管深度学习（尤其是卷积神经网络CNN）已被证明能自动提取复杂生物医学信号中的判别特征，但现有研究多聚焦于高级分类或诊断任务，而更基础的问题——如何识别信号本身的可靠性（即区分有效测量与受干扰测量）——在可穿戴声学传感领域仍未被充分探索。
#### 二、研究内容与意义
针对上述空白，研究人员在发表于《Applied Sciences》的此项工作中，提出了一种集成机器学习辅助的可穿戴压电声学传感平台，专门用于乳腺组织监测，并通过强调鲁棒回波信号采集与有效性评估来提升系统可靠性。该平台将柔性压电传感器阵列、银纳米线电极、PDMS声学匹配层与多级低噪声模拟前端整合为紧凑共形传感界面，并引入CNN模块自动分类有效与受干扰的回波信号。主要贡献包括：(1) 将柔性压电传感阵列与机器学习信号分类相融合；(2) 开发用于脉冲-回波信号采集与解读的软硬件协同系统；(3) 在受控条件下验证机械异质性的鲁棒分类能力。通过多介质与乳腺组织模拟体模的受控实验，该系统展示了高SNR的稳定信号采集和对机械异质性的一致灵敏度，为可穿戴声学系统中可靠信号的获取与验证建立了原理验证框架，为未来智能健康监测应用提供了可扩展基础。
**主要关键技术与方法**（不超过250字）：
为实现上述目标，研究人员采用了以下核心技术方法：
1. **柔性压电传感器设计**：基于聚偏氟乙烯-三氟乙烯（P(VDF-TrFE)）压电薄膜作为活性元件，嵌入银纳米线（AgNW）电极，并以聚二甲基硅氧烷（PDMS）作为匹配层和基底，实现柔性共形接触。
2. **多通道低噪声模拟前端电路**：采用MCP6022差分放大器进行预放大，自制带通滤波器（20–500 kHz）抑制环境噪声，MCP6023轨到轨运放缓冲DAC输出，16位ADC以500 kS/s采样率数字化信号。
3. **声学测量实验**：在水、刚性基底和离体生物组织模拟物（如鸡蛋样品作为软组织类似物）中进行超声脉冲-回波实验，以评估传感器对不同介质声阻抗的响应。
4. **卷积神经网络（CNN）信号分类**：构建由三个卷积层（ReLU激活）和一个全连接分类层组成的CNN，将原始回波信号组织为时域张量，以区分有效信号与受干扰信号。训练采用Adam优化器（学习率0.001）、交叉熵损失函数，数据按6:2:2比例划分为训练集、验证集和测试集，保持类别平衡。
**样本队列来源**：无人类或动物受试者直接参与，使用乳腺组织模拟体模及鸡蛋样品进行实验。
**研究结果**（保留每个小标题，简要说明通过什么研究得出什么结论）：
- **3.1. Signal Acquisition Performance and System Stability（信号采集性能与系统稳定性）**
通过3×3压电传感器阵列的多通道评估，系统成功实现同步激励、信号采集与空间映射。在DAC生成180 kHz、3.3 V方波激励下，传感器通过逆压电效应产生脉冲回波，经模拟前端（AFE）约80 dB总增益及带通滤波后，微伏级信号被提升至±4 V稳定振荡波形。基于各通道数据生成3×3幅值热图，显示第一行第二列存在显著异常，对应异常组织仿真；进一步对10×10阵列的仿真表明，增大阵列密度可提升空间分辨率而不引入明显信号退化，验证了系统的可扩展性。
- **3.2. Acoustic Response Under Different Media（不同介质中的声学响应）**
为测试传感器对不同声学环境的敏感性，在水、刚性材料和软组织类似物（鸡蛋模型）中分别进行实验。水中回波由于阻抗失配小，呈现平滑衰减和高时间一致性；刚性基底因大幅阻抗失配产生强反射和高幅振荡；软组织类似物因内部异质结构产生更复杂、空间分布的回波模式。在乳腺组织模型中，含内部异常的区域（如嵌入病变）表现出局部幅值增强、波形畸变和相位变化，空间热图清晰显示异常区域信号强度显著升高。结论：该系统能敏感区分不同声学特性的材料，并检测生物类似介质中的局部机械刚度与声阻抗变化。
- **3.3. CNN-Based Signal Validation and Classification（基于CNN的信号验证与分类）**
为提升信号可靠性，使用三卷积层CNN对原始时间序列信号进行二分类（有效/无效）。有效信号呈平滑一致模式，无效信号则出现噪声波动、畸变和时间错位。模型在测试集上分类准确率超过96%，训练过程中损失函数稳定收敛，训练与验证集准确率曲线迅速上升并稳定于96%以上，且两者间间隙小，表明无过拟合。ROC曲线显示AUC值在训练集、验证集和测试集分别为0.818、0.748和0.765，均高于随机基线；PR曲线平均精度（AP）分别为0.829、0.802和0.810，精确率-召回率平衡良好。混淆矩阵显示约为97%的准确率。结论：CNN有效滤除受干扰数据，显著提升信号可靠性。
**讨论与结论总结**：
在讨论部分，研究人员指出本工作通过将AgNW/P(VDF-TrFE)压电传感与CNN信号解读相结合，建立了一个集成功能材料、低噪声电子和机器学习于统一感知架构的可穿戴诊断平台，能够实时检测弱生物声学响应并提取诊断相关信息，凸显了将智能算法与响应性材料耦合以实现闭环信号采集、特征分析和决策支持的潜力。同时，他们强调该研究仍为原理验证，验证仅基于乳腺体模和台式实验，尚未在活体异质组织中测试性能，临床转化前需进一步开展动物模型或人体研究。展望未来，该平台有望扩展为可穿戴智能诊断网络，支持多模态传感与云端智能分析的协同运作，用于连续健康监测和个性化医疗干预，并可能应用于心血管功能监测、组织弹性成像和神经脉冲传感等领域。
**研究结论翻译**：
基于上述实验结果，本研究建立了一个将功能材料、低噪声电子和机器学习统一于单一传感架构中的可穿戴诊断平台。通过将基于AgNW/P(VDF-TrFE)的压电传感与CNN支持的信号解读相结合，该系统不仅能检测微弱的生物声学响应，还能实时提取诊断相关信息。这些结果凸显了将本征响应性材料与智能算法耦合，以创建用于信号采集、特征分析和决策支持的闭环系统的潜力。同时，本研究仍为原理验证。验证仅限于乳腺体模和台式实验，该设备在异质活体组织中的性能尚未确定。因此，在考虑临床转化之前，需要进一步在动物模型或人类受试者中进行体内研究。展望未来，该平台为扩展成可穿戴智能诊断网络提供了有希望的基础，支持多模态传感与基于云端的智能分析之间的协调操作，用于持续健康监测和个性化医疗干预。除了乳腺异常检测，该平台还可能在心血管功能监测、组织弹性成像和神经脉冲传感中找到更广泛的应用。
