Для успешной починки поломки какого-либо устройства или для лечения того или иного заболевания ключевую роль играет своевременная, быстрая и точная диагностика. В определенных случаях необходим постоянный мониторинг состояния пациента, что осуществляется с помощью носимой медицинской электроники или даже с помощью электронной кожи, позволяющей проводить электрофизиологический мониторинг в реальном времени. Однако такого рода устройства имеют свойство быстро изнашиваться, а любые механические повреждения, даже незначительные, могут либо снизить, либо полностью нарушить их функционирование. Ученые из Института биомедицинских инноваций Терасаки (Лос-Анджелес, США) разработали новый тип электронной кожи, способной восстанавливаться после механических повреждений буквально за секунды. Из чего сделана эта кожа, и как именно работает механизм восстановления? Ответы на эти вопросы мы найдем в докладе ученых.

Основа исследования

Электронные кожные покровы (E-Skin или E-кожа) представляют собой преобразующую технологию, которая легко интегрируется с парадигмами телемедицины, персонализированного здравоохранения и точной медицины. E-Skin облегчают активный и непрерывный мониторинг физических, физиологических и химических биосигнатур, сохраняя при этом комфорт и сводя к минимуму нарушение повседневной деятельности, тем самым значительно расширяя возможности для самоконтроля и существенно повышая общее качество оказания медицинской помощи. В частности, носимые электрофизиологические устройства широко используются для мониторинга состояния мышц неинвазивным способом. Это позволяет оценивать мышечную усталость и оценивать послеоперационную мышечную реабилитацию, а также облегчать проактивные и персонализированные вмешательства, адаптированные к индивидуальным физиологическим реакциям, тем самым обеспечивая как безопасность, так и производительность.

За последние 20 лет эта область продвинулась вперед, однако постоянные проблемы остаются нерешенными. Критические проблемы, связанные как с материалами, так и с устройствами, продолжают сдерживать прогресс. Неожиданные механические повреждения, вызванные повторяющимся износом и разрывом, а также случайными порезами или царапинами, являются основной причиной выхода из строя устройств.

В рассматриваемом нами сегодня труде ученые рассказывают о E-Skin, способной быстро самовосстанавливаться после внутреннего или внешнего механического повреждения, восстанавливая критические функции с высокой скоростью (80% в течение 10 секунд). Быстро самовосстанавливающаяся E-кожа разработана для обеспечения неинвазивного электрофизиологического мониторинга и оценки усталости с помощью машинного обучения во время повседневной носки. Благодаря своей высокой эффективности преобразования механики в электричество E-Skin также может точно отслеживать различные движения человека, не требуя внешнего источника энергии.

Результаты исследования

Изображение №1

Как показано на 1A, E-Skin обеспечивает носимый электрофизиологический мониторинг, включая поверхностную электромиографию (sEMG от surface electromyography), электрокардиографию (ECG от electrocardiography) и автономное отслеживание движения. Эта E-Skin бесшовно и плотно прилегает к эпидермису, позволяя отображать результаты в реальном времени на мобильных устройствах (1B). Основной используемый материал — волокнистый термопластичный полиуретан (TPU от thermoplastic polyurethane), выбранный за его мягкость, отличную воздухопроницаемость (проницаемость для воды и воздуха) и способность к самозащите от неблагоприятных нагрузок.

В частности, TPU состоит как из мягких, так и из жестких сегментов, причем мягкие сегменты обеспечивают гибкость, а жесткие — механическую прочность. Его термопластичная природа обеспечивает высокую подвижность цепей при повышенных температурах, облегчая перестройку связей и поддерживая эффективное самовосстановление. Кроме того, прочные водородные связи TPU способствуют быстрому восстановлению поврежденных участков без необходимости внешнего воздействия, что делает его идеальным материалом для баланса прочности и гибкости, способствуя быстрому самовосстановлению. Его превосходная биосовместимость дополнительно обеспечивает безопасность при длительном контакте с кожей.

Мягкие сегменты политетраметиленового эфира гликоля (PTMEG от Polytetramethylene ether glycol) были дополнительно включены для повышения его мягкости, достигая консистенции, подобной ткани, с модулем Юнга приблизительно 0.1 МПа. Способность к самовосстановлению имеет важное значение для того, чтобы E-Skin сохраняла свою функциональность, несмотря на постоянное механическое напряжение от таких действий, как переворачивание, складывание и растяжение, а также потенциальное неправильное обращение пользователя, например, случайные порезы или царапины. Для этого использовался TPU в качестве основы для E-Skin, в бис(4-гидроксифенил)дисульфид был включен в матрицу для содействия образованию внутримолекулярных дисульфидных связей Также был включен изофорондиизоцианат (IPDI от isophorone diisocyanate) в матрицу TPU. Асимметричная алициклическая структура IPDI значительно повышает гибкость и подвижность полимерных цепей, что необходимо для эффективного самовосстановления. IPDI облегчает реакцию метатезиса дисульфида в матрице TPU, обеспечивая обратимое разрушение и повторное образование дисульфидных связей автономно. Этот механизм обратимого связывания имеет основополагающее значение для процесса самовосстановления, позволяя ему происходить без необходимости нагревания или других внешних стимулов (1C). Эти дисульфидные (R─S─S─R′) связи легко образуются посредством окислительно-восстановительных реакций между тиоловыми (−SH) группами в цистеиновых аминокислотах, даже в условиях окружающей среды, из-за их очень низких окислительно-восстановительных потенциалов (1D).

Видео №1

Проводящие узоры из серебряной нанопроволоки (AgNW от Ag nanowire) были напечатаны на подложке для обеспечения достаточной проводимости. Как показано на 1E и видео №1, E-Skin продемонстрировала свою способность полностью восстанавливать механические и электрические свойства после полного разрыва, о чем свидетельствует автономный светодиод (LED), который возобновил работу в течение нескольких секунд. Это быстрое восстановление путей электропроводности после механического повреждения объясняется динамической реконфигурацией наноструктурированных проводящих сетей. Эти сети включают одномерную сеть AgNW, сопряженную со сшитой самовосстанавливающейся полимерной матрицей. Превосходная прочность и механическая гибкость E-Skin позволили ей адаптироваться к различным динамическим условиям деформации (например, изгибу, растяжению, смятию, скручиванию и складыванию), которые могут возникнуть во время обработки, очистки, хранения и установки устройства без механического повреждения (1F).

Кроме того, толщина заплатки может быть дополнительно уменьшена путем настройки параметров. Для дальнейшей оценки прочности E-Skin при повторяющейся механической деформации был проведен тест на изгиб с радиусом 5 см в течение до 50000 циклов. Было отмечено только 10%-ное увеличение сопротивления, что свидетельствует о ее структурной и функциональной целостности при воздействии повторяющегося механического напряжения.


Изображение №2

Чтобы охарактеризовать механические возможности E-Skin, была построена кривая напряжения-деформации (2A) и рассчитан модуль Юнга (2B) после полного разрыва. Как показано на 2C, зажившая E-Skin продемонстрировала большую эластичность, сохраняя растяжимость до 900%. Модуль Юнга продемонстрировал превосходные механические свойства через 1 час после самовосстановления по сравнению с исходным состоянием. Это улучшение, вероятно, связано с повышенным образованием дисульфидных связей, которые укрепляют структурную целостность E-Skin. В процессе заживления происходят микроструктурные изменения, такие как уплотнение и выравнивание полимерных цепей, что приводит к улучшению механических свойств. Эти изменения способствуют наблюдаемому увеличению модуля Юнга за счет повышения эластичности и прочности E-Skin. Атомно-силовая микроскопия подтвердила успешный процесс заживления (2D). Более того, зажившая E-Skin сохранила свою структурную целостность, выдерживая нагрузку в 1 кг, что в 1500 раз превышает ее собственный вес, без каких-либо признаков разрушения (2E).

Видео №2

Функциональность после заживления была проверена путем прикрепления E-Skin к телу, где она эффективно продолжала определять силу через трибоэлектрический эффект (2F и видео №2). Способность к самовосстановлению можно определить как:

Self healing ability = Young’s modulus (healed E−Skin) / Young’s modulus (pristine E−Skin)

Модуль Юнга был установлен путем изучения наклона кривой напряжения-деформации, как показано на 2A. Способность E-Skin к самовосстановлению была восстановлена примерно до 80% всего за 10 секунд (2H).

Видео №3

На видео выше показан динамический процесс самовосстановления E-Skin в условиях окружающей среды после полного разрезания с использованием полидиметилсилоксана (PDMS от polydimethylsiloxane ), широко используемого материала E-Skin, в качестве сравнительного эталона.

Как упоминалось выше, включение IPDI с асимметричной алициклической структурой в матрицу TPU повышает подвижность цепей, тем самым способствуя дисульфидному метатезису для самовосстановления при сохранении механической прочности. Асимметричная структура IPDI обеспечивает достаточную подвижность цепей, способствуя самовосстановлению даже при низких температурах. Эти связи могут быть активированы при комнатной температуре без необходимости дополнительного тепла или внешних стимулов, а также реагируют при промежуточных температурах (60°–90°C), обеспечивая эффективное самовосстановление в широком диапазоне температур, от низких до высоких. Повышенные температуры значительно ускоряют этот процесс за счет усиления взаимодействия между полимерными цепями внутри E-Skin. В частности, полное время заживления сократилось примерно до 7 мин при 40°C, температуре, сопоставимой с поверхностью кожи во время работы на открытом воздухе. Кроме того, была проведена оценка долгосрочной прочности и повторяемости заживления E-Skin посредством повторяющихся циклов повреждения (разрезания): 30 циклов при 25 °C, 50 циклов при 40 °C и 100 циклов при 60 °C.

Видео №4

Результаты показывают минимальные изменения в способности E-Skin к самовосстановлению даже после длительного использования. Видео выше демонстрирует практический потенциал применения E-Skin при различных температурах (−3°, 25°, 36° и 50 °C) и под водой, подчеркивая его водонепроницаемые свойства благодаря защитному слою PDMS. Эта водонепроницаемость была дополнительно подтверждена испытаниями производительности измерения давления в различных условиях влажности (40, 60 и 80%). Также была проведена оценка изменений физических и электрических свойств E-Skin после повторных циклов самовосстановления. E-Skin подвергалась до 40 циклам разрезания и самовосстановления с интервалом в 10 секунд, с непрерывным мониторингом ее электрического выхода во время тактильных тестов. Результаты указывают на надежность способности E-Skin к быстрому самовосстановлению. Кроме того, было проведено до 50 тестов на самовосстановление с измерением проводимости после каждого цикла. Результаты указывают на незначительную деградацию, подчеркивая превосходную долговечность E-Skin даже после нескольких циклов разрезания и самовосстановления. На 2I показана способность E-Skin к самовосстановлению с течением времени, в то время как на 2J показана корреляция между способностью к самовосстановлению и температурой. Более того, наличие пота не влияет на способность к самовосстановлению, поскольку самовосстанавливающийся пластырь E-Skin на потеющей коже вырабатывает постоянный электрический ток, сопоставимый с таковым у чистого пластыря E-Skin.


Изображение №3

Благодаря своей исключительной чувствительности к давлению и конформным возможностям E-Skin позволяет осуществлять неинвазивный и автономный мониторинг различных физиологических сигналов в режиме реального времени. Трибоэлектрический эффект предлагает надежную стратегию для питания E-Skin. Для точного мониторинга тонких сигналов E-Skin необходимо установить конформный и тесный контакт с эпидермисом. Это было достигнуто путем надежного прикрепления E-Skin к эпидермису с помощью биосовместимого медицинского клея. Кроме того, нанесение медицинского клея оказывает минимальное влияние на эффективность самовосстановления. Выражения лица, включая моргание глаз, хмурое выражение и улыбку, являются основными каналами передачи человеческих эмоций и внешней коммуникации. E-Skin может улавливать мельчайшие движения мышц из микровыражений посредством изменений сигналов напряжения. В частности, были обнаружены тонкие сигналы напряжения, вызванные морганием, когда E-Skin был установлен на веке (3A). Кроме того, E-Skin может различать нормальное и быстрое моргание на основе изменений частоты и амплитуды.

Прикрепление E-Skin ко лбу позволило отслеживать последовательные и воспроизводимые сигналы напряжения во время чередующихся обычных и хмурых выражений лица (3B). При размещении на отверстии обычной маски E-Skin успешно идентифицировал изменения сигнала напряжения, связанные с повторяющимся оральным дыханием (3C).

При конформном прикреплении к горлу E-Skin эффективно распознавал отдельные слова и фразы, такие как «энергия», «сбор энергии», «трибо» и «трибоэлектрический». Это демонстрирует возможности распознавания голоса (3D). Каждое слово было записано три раза, последовательно генерируя схожие ответы сигнала напряжения, что указывает на высокую повторяемость распознавания голоса. Кроме того, E-Skin демонстрирует надежную реакцию на тонкие стимулы на уровне кожи и может точно отслеживать движения мелких суставов. Например, при прикреплении к латеральному суставу указательного пальца E-Skin регистрировал ответы напряжения во время нескольких циклов сгибания-разгибания с углами сгибания от 30° до 120° (3E).

E-Skin эффективно определяла углы движения в различных суставах, включая запястье (3F), локоть (3G), колено (3H) и лодыжку (3I). При применении к этим суставам и при различной степени сгибания и выпрямления E-Skin выдавала последовательные и воспроизводимые сигналы напряжения, соответствующие углам сустава, демонстрируя свою стабильность и надежность. Наблюдались незначительные изменения выходных частот сигналов напряжения, вероятно, из-за небольших несоответствий в моделях движения. Увеличение выходного напряжения при больших углах изгиба объясняется расширенной зоной контакта между E-Skin и суставами.

Видео №5

На 3J и 3K показано, что прикрепление E-Skin к задней или передней части стопы приводит к заметным изменениям амплитуды и частоты сигналов напряжения, что позволяет различать ходьбу и бег. Эти примеры иллюстрируют, что различные физиологические характеристики и движения могут быть преобразованы в считываемые, количественно определяемые сигналы напряжения в реальном времени с помощью E-Skin, тем самым предлагая многообещающий подход для комплексного электрофизиологического и двигательного мониторинга.


Изображение №4

Носимый электрофизиологический мониторинг, в частности sEMG и ECG, имеет решающее значение для выявления потенциальных рисков безопасности и проблем со здоровьем в реальных сценариях, таких как сердечные приступы или мышечные травмы. Для стабильного и надежного получения сигнала E-Skin была конформно прикреплен к эпидермису (4A). E-Skin была размещена на предплечье, и сигналы sEMG регистрировались во время сжатия и расслабления мышц с использованием локального усилителя потенциала поля, оснащенного встроенными фильтрами верхних и нижних частот (4B и видео №6).

Видео №6

Для улучшения качества сигнала и минимизации шума ученые использовали полосовые фильтры, разработанные для определенных диапазонов частот измерений: от 10 до 500 Гц для EMG и от 0.3 до 40 Гц для ECG. Собранные данные затем импортировались в MATLAB для дальнейшей обработки.

Видео №7

Кроме того, разработанная E-Skin продемонстрировала быструю стабильность при записи sEMG в течение 10 секунд после заживления в условиях окружающей среды, достигнув производительности, сопоставимой с существующими технологиями. При наложении на предплечье и синхронизации с ручным динамометром E-Skin обнаружила увеличение интенсивности сигнала EMG, соответствующее увеличению силы захвата (4C). E-Skin сохраняла свою функциональность под водой, эффективно отслеживая мышечную активность, поскольку ее проводящие и адгезивные свойства оставались неизменными во время погружения в воду (4D и видео №7).

Видео №8

В соответствии с измерениями sEMG, записи ECG были надежно получены с помощью устройства E-Skin в паре с экономичным инструментальным усилителем AD620 (4E). Чтобы оценить производительность записи ECG под водой с помощью E-Skin, ученые протестировали три состояния: без движения руки (статика), с движением руки (движение) и с потоком воды, воздействующим на E-Skin (воздействие) (4F и видео №8).

Сигналы ECG были охарактеризованы их ключевыми компонентами: зубцом P, комплексом QRS и зубцом T. Волна R появляется во время сокращения желудочков, представляя насосную функцию сердца, в то время как волна T (примерно треть размера волны R) указывает на фазу расслабления и наполнения кровью желудочков. Трудоемкие задачи увеличивают расслабление желудочков, увеличивая волну T. Как показано на 4G, соотношения T/R, зарегистрированные во время движения и воздействия воды, были аналогичны тем, которые были зарегистрированы в статических условиях из-за плотного контакта E-skin с эпидермисом.


Изображение №5

Временные и частотные характеристики сигналов sEMG являются общепризнанными показателями для оценки мышечной силы и усталости. Ключевые биометрические параметры, такие как среднее выпрямленное значение (ARV от average rectified value), среднеквадратичное значение (RMS от root mean square), средняя частота (MEF от mean frequency) и медианная частота (MDF от median frequency), широко использовались для количественной оценки мышечной усталости. Метрики временной области, включая ARV и RMS, дают представление о мышечной усталости и играют важную роль в оценке времени выносливости. Более того, изменения в частотных моделях sEMG связаны со снижением мышечной силы по сравнению с неутомленным состоянием. Анализ сигналов sEMG позволил нам эффективно количественно оценить мышечную усталость и силу.

Ученые использовали систему на основе машинного обучения для прогнозирования и классификации мышечной усталости путем анализа характеристик временной и частотной области сигналов sEMG, полученных от E-Skin. Система объединяет беспроводную электронику со встроенными алгоритмами, предлагая расширенные возможности нейрозаписи и комплексное распознавание образов sEMG. Электронная схема системы E-Skin состоит из системы на кристалле (SoC) Bluetooth с низким энергопотреблением (BLE от bluetooth low energy), которая отвечает за получение данных от аналоговых интерфейсов (AFE от analog front-end), предназначенных для сигналов sEMG. BLE SoC обеспечивает беспроводную передачу данных в графический пользовательский интерфейс, в котором размещена сжатая модель ИИ и специализированная структура вывода глубокого обучения, оптимизированная для носимых устройств. Эти встроенные компоненты облегчают распознавание образов сигналов sEMG в реальном времени и точное прогнозирование уровней мышечной усталости.

Ученые использовали эту модель машинного обучения для анализа сигналов sEMG для оценки мышечной усталости с данными, собранными с помощью E-Skin. На изображении №5 представлен обзор методологии, подробно описывающий ряд анализов и процессы обучения модели. Первоначально необработанные сигналы sEMG были получены, когда субъекты выполняли стандартизированный режим упражнений с гантелями. В исследовании приняли участие 21 человек. Протокол состоял из циклической последовательности, в которой субъекты поднимали и удерживали гантель в течение 5 секунд, за которой следовал 5-секундный период отдыха. Эта последовательность была повторена для создания надежного набора данных, представляющего различные уровни мышечной усталости (5A).

Затем ученые извлекли временные и частотные характеристики из данных, представленных на 5A. Анализ временной области был сосредоточен на вычислении ARV и RMS для указания величины сигнала и мышечной активности. Одновременно с этим анализ частотной области использовал MDF и MEF для характеристики мышечной усталости с течением времени. По мере увеличения мышечной усталости наблюдались начальные приросты значений RMS и ARV из-за привлечения дополнительных мышечных волокон. Однако по мере усиления усталости снижение возможностей мышечных волокон приводило к снижению значений RMS. Как MDF, так и MEF в целом снижались с увеличением мышечной усталости, что указывает на сдвиг сигнала в сторону более низкой частоты по мере прогрессирования усталости. Как показано на 5B и 5C, значения ARV и RMS увеличивались, в то время как значения MDF и MEF уменьшались с увеличением усталости, вызванной повторным подъемом гантели весом 5 кг. Чтобы обеспечить более полный анализ, испытуемые продолжали упражнение по подъему гантелей в течение 2 минут после отдыха, в течение которого сигналы sEMG были зафиксированы для мониторинга начала и прогрессирования мышечной усталости. Этот обширный набор данных предоставил подходящий набор данных для обучения алгоритму машинного обучения (5D).

Для исследования взаимодействия между временной эволюцией и спектральными изменениями мышечной активности ученые визуализировали распределение сигнала sEMG по времени и частоте, что позволило получить представление о спектральных паттернах, связанных с постоянным усилием (5E). Для этой цели ученые разработали двухслойную модель сверточной нейронной сети (CNN от convolutional neural network) для классификации уровней мышечной усталости по данным sEMG (5F). Архитектура модели включает начальный входной слой, за которым следует первый двумерный сверточный слой с активацией выпрямленного линейного блока (ReLU от rectified linear unit) для повышения вычислительной эффективности и второй двумерный сверточный слой для дальнейшего извлечения признаков, связанных с усталостью, оба с использованием фильтров 8 × 10. Выходные данные второго сверточного слоя пропускаются через дополнительный слой активации ReLU, выравниваются и подаются в полностью связанный слой для картирования признаков, в конечном итоге создавая окончательную оценку усталости с помощью активации SoftMax.

Видео №9

Ученые разделили предварительно собранные данные EMG на три набора для обучения модели: 60% для обучения, 20% для проверки и 20% для тестирования. Модель CNN обучалась с минимизацией функции потери кросс-энтропии, с коэффициентом отсева 0.5, примененным для смягчения переобучения. После 100000 эпох модель CNN достигла точности, превышающей 90% (5G и 5H). Затем значения параметров модели были зафиксированы, и было применено квантование, в результате чего была получена 8-битная модель с уменьшенным размером менее 20 кБ, что облегчает интеграцию с графическим пользовательским интерфейсом в реальном времени (видео №9).

Ученые оценили эффективность классификации модели CNN с помощью матриц путаницы для количественного представления прогнозов модели. Как показано на 5I, матрица слева отображает производительность с использованием 32-битной точности с плавающей точкой, тогда как матрица справа иллюстрирует производительность после применения 8-битного целочисленного квантования. В этих матрицах путаницы диагональные элементы указывают долю правильных прогнозов для каждого класса, тогда как недиагональные элементы представляют собой неправильные классификации.

32-битная модель продемонстрировала высокую точность классификации различных состояний, достигнув 96% для «Усталости», 95% для «Среднего» и 98% для «Расслабленного» состояний соответственно. Аналогично, квантованная 8-битная модель продемонстрировала высокую производительность с точностью классификации 93% для «Усталости», 94% для «Среднего» и 96% для «Расслабленного» состояний соответственно. Эти результаты показывают, что модель сохраняет высокую точность прогнозирования после квантования. В то время как квантование обычно уменьшает объем памяти и вычислительную сложность модели за счет некоторой точности, данная модель CNN сохраняет высокую производительность.

Для более детального ознакомления с нюансами исследования рекомендую заглянуть в доклад ученых и дополнительные материалы к нему.

Эпилог

В рассмотренном нами сегодня труде ученые рассказали о новой самовосстанавливающейся электронной коже (E-Skin), которая восстанавливается за считанные секунды после повреждения. Ранее подобные устройства могли восстановиться после повержения за несколько минут, но данная разработка восстанавливает до 80% своей функциональности уже спустя 10 секунд.

Разработанная E-Skin может похвастаться не только «регенерацией», но и сверхточной работой в различных условиях окружающей среды, в частности под водой. Устройство может фиксировать различные показатели, от выражения лица до мышечной усталости. Последнее, к слову, определяется посредством анализа данных от сигналов электромиографии и электрокардиографии с помощью системы машинного обучения.

Эффективная работа в сочетании с долговечностью и устойчивостью к износу делают данную технологию отличным кандидатом для круглосуточного мониторинга состояния здоровья человека.

Немного рекламы

Спасибо, что остаётесь с нами. Вам нравятся наши статьи? Хотите видеть больше интересных материалов? Поддержите нас, оформив заказ или порекомендовав знакомым, облачные VPS для разработчиков от $4.99, уникальный аналог entry-level серверов, который был придуман нами для Вас: Вся правда о VPS (KVM) E5-2697 v3 (6 Cores) 10GB DDR4 480GB SSD 1Gbps от $19 или как правильно делить сервер? (доступны варианты с RAID1 и RAID10, до 24 ядер и до 40GB DDR4).

Dell R730xd в 2 раза дешевле в дата-центре Maincubes Tier IV в Амстердаме? Только у нас 2 х Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 ТВ от $199 в Нидерландах! Dell R420 — 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB — от $99! Читайте о том Как построить инфраструктуру корп. класса c применением серверов Dell R730xd Е5-2650 v4 стоимостью 9000 евро за копейки?