《Biosensors》：Intelligent Distributed Optical Fiber Pressure Sensing for Dental Bite-Force Analysis
编辑推荐：
咬合力测量对于评估咀嚼系统和诊断口腔疾病至关重要。现有测量设备空间分辨率低且易受电磁干扰。本文提出一种基于散射级复用（Scattering Level Multiplexing, SLMux）的机器学习（Machine Learning, ML）辅助分布式光纤
咬合力测量对于评估咀嚼系统和诊断口腔疾病至关重要。现有测量设备空间分辨率低且易受电磁干扰。本文提出一种基于散射级复用（Scattering Level Multiplexing, SLMux）的机器学习（Machine Learning, ML）辅助分布式光纤传感系统，用于高分辨率咬合力分析。研究人员通过光学背向散射反射计（Optical Backscattered Reflectometry, OBR）从牙弓上的88个传感点获取增强背向散射数据。将测量数据重建为咬合力二维图，并通过ML流程进行分析。通过端到端微调的ResNet-18卷积神经网络（Convolutional Neural Network, CNN）和经典机器学习方法，处理4个区域的区域分类和重量预测。将ResNet-18与在手工特征上训练的逻辑回归（Logistic Regression）、支持向量机（Support Vector Machine, SVM）、随机森林（Random Forest）、XGBoost（Extreme Gradient Boosting）、Extra Trees和k近邻（k-Nearest Neighbors, kNN）进行比较。在区域分类方面，逻辑回归取得了最佳性能（准确率98.71%）。在重量预测任务（被表述为12类问题）上，端到端ResNet-18 CNN大幅优于所有经典模型，达到51.28%的准确率和78 g的平均绝对误差（Mean Absolute Error, MAE），而最佳经典模型为124 g。研究人员还训练了基于回归的ResNet-18变体，输入波长移位和重量数据，得到的平均绝对误差为62.6 g。结果表明，将ML与分布式光纤传感相结合，有望增强牙科诊断和治疗计划。
**研究背景与问题**
据世界卫生组织报告，口腔疾病影响超过37亿人，严重降低生活质量并干扰咀嚼、说话等日常活动。咬合力是评估咀嚼系统功能的关键参数，过高或过低的咬合力与牙周疾病、颞下颌关节紊乱（Temporomandibular Disorders, TMD）等口腔疾病密切相关，同时也是调整种植体数量、直径和设计的重要依据。现有咬合力测量工具主要依赖应变计、压阻式、压电式传感器和压力敏感薄膜，但这些技术存在易受电磁干扰、体积笨重、空间分辨率低等局限。光纤传感因其非电气设计、无金属成分及多路复用能力，在口腔应用中具有独特优势。传统光纤布拉格光栅（Fiber Bragg Grating, FBG）传感器虽然精度较高，但光栅长度达数毫米，空间分辨率受限，且单根光纤上可复用的数量受光谱范围限制。相比之下，基于瑞利散射的分布式光纤传感结合OBR interrogation，可实现10 μm级空间分辨率、高达80 dB光学动态范围，并形成致密传感网格，更适合构建精细的咬合力分布图。然而，OBR为单光纤系统，需借助Scattering Level Multiplexing（SLMux）技术对多根纳米粒子掺杂光纤进行复用。此前开发的SLMux口腔防护垫传感器仅采用基于规则的解读方式，尚未探索机器学习（Machine Learning, ML）驱动分析；已有ML增强光纤传感研究多基于离散FBG阵列，且不涉及牙科领域。因此，亟需将ML与分布式传感结合，从高维光谱数据中提取咬合力位置与大小信息。
**研究内容与意义**
研究人员提出一种ML辅助的SLMux分布式光纤传感系统，用于高分辨率咬合力分析。该系统利用LUNA OBR 4600采集牙弓上88个传感点的瑞利背向散射数据，将波长移位数据重建为二维热图，并设计两个互补任务：区域分类（识别咬合力施加于左前磨牙、左磨牙、右前磨牙或右磨牙）和重量预测（估计100–1200 g范围内的力值）。通过比较端到端微调ResNet-18 CNN与多种经典ML模型，系统评估了不同方法在传感器数据上的表现。结果表明，ML能显著提升分布式传感数据的可解释性，为牙科诊断、咬合分析和个体化治疗计划提供技术基础。
**关键技术方法**
研究人员采用SLMux架构，将8根纳米粒子掺杂光纤嵌入硅胶牙套，通过8通道复用器连接至LUNA OBR 4600。数据采集时，在88个传感点上依次施加100–1200 g（步长100 g）的校准重量，记录参考态与扰动态之间的波长移位。数据处理流程包括：从OBR文本文件中提取波长移位数据，施加频谱滤波以隔离8个活性传感段，然后通过MATLAB插值生成二维热图。ML方面，使用ImageNet预训练的ResNet-18进行端到端微调，用于4类区域分类和12类重量分类及连续回归；经典模型包括逻辑回归、SVM、随机森林、XGBoost、Extra Trees和kNN，其输入为手工特征（方向梯度直方图、颜色直方图、局部二值模式、空间网格统计）。数据按网格单元划分为70%训练、15%验证、15%测试，确保同一空间位置不跨集合出现，避免泄漏。
**研究结果**
**3.1 区域分类**
在4类区域分类任务中，逻辑回归与SVM均取得98.71%的准确率，略优于端到端ResNet-18 CNN的98.06%，随机森林与CNN持平。混淆矩阵显示，逻辑回归仅将155个测试样本中的2个错分，且错误均发生在相邻前磨牙与磨牙区域，左右两侧未出现混淆。该结果表明，区域分类主要依赖于咬合力作用区域的大致空间位置，手工特征（如HOG、颜色直方图）已能充分捕获该信息，简单线性分类器即可达到与深度网络相当的性能；在仅有713张训练图像的情况下，大型CNN反而因参数过多而方差较高。
**3.2 重量预测**
**3.2.1 基于分类的重量预测**
在12类重量分类任务中，ResNet-18 CNN的准确率为51.28%，是随机基线（8.33%）的6.2倍，宏平均F1为0.5051，映射回克值后平均绝对误差为78.2 g，±10%范围内的预测占比为59%。经典模型中表现最好的SVM仅达到33.33%准确率，MAE为123.7 g。CNN的优势在于它能直接从热图中学习细粒度的强度与梯度差异，而手工特征仅能捕获粗糙的空间布局，难以区分100 g级别的载荷差异。误差分析显示，低中载荷（100–500 g）的召回率较高，高载荷（900–1100 g）误差增大，1200 g处因热图响应接近饱和而召回率回升。
**3.2.2 基于回归的连续重量预测**
回归版ResNet-18在相同测试集上取得62.6 g的MAE、81.6 g的均方根误差，54.9%的预测落在±10%范围内。与分类式输出相比，回归将MAE降低了约20%，并输出连续力值，而非局限于12个离散档位。分误差随载荷增加而增大，从100 g附近的约17 g上升至800–1200 g的92–133 g，高载荷时出现低估，这与热图响应饱和现象一致。回归模型提供了更精细的力值读数，更适用于连续咬合力监测。
**总结与讨论**
本研究证实，在粗粒度定位任务中，经典模型与深度CNN性能相当；但在需要精细量化力的任务中，端到端特征学习明显优于手工特征。系统仍存在不足：高压力水平下精度较低，数据集规模有限，且校准基于静态点载荷，未模拟动态咬合和真实咬合条件。未来工作将改进传感器设计、扩充更具解剖学多样性的样本、拓展多轴加载实验，并推进动态咬合和体内验证。研究结论表明，分布式光纤传感结合ML可实现高分辨率咬合力检测，系统具有可扩展性，有望用于牙科诊断、咬合分析、个体化治疗及康复活动。
