星标“医工学人”，第一时间获取医工交叉领域新闻动态~
疾病监测通常需要获取不同模态的多种生理信号（如电生理信号与机械力学信号）。然而，现有的表皮电子器件大多依赖于每种模态的独立传感器，这不仅显著增加了设备的占用空间与皮肤覆盖面积，还带来了更高的信号传输带宽需求和系统硬件功耗。
为了攻克这一多器件集成的底层技术瓶颈，新加坡国立大学与四川大学联合研究团队在国际顶尖期刊 Nature Sensors 上发表了题为 “A cross-modal epidermal sensor enables single-channel fusion of biopotential and biomechanical signals” 的重磅研究论文。该研究成功开发了一款创新的表皮传感器系统，首次将多模态生理信号在硬件源头融合为单一的跨模态生物信号（X-Sig），仅需在身体单一解剖位点贴附，即可通过单通道同时采集高保真的生物电信号与生物机械信号。
X-Sig 传感器的技术破局点在于其创新的跨层设备架构集成与传感器端信号自然融合策略。它在空间上将不同的传感元件高度整合到一个单片形态中。
1. CARD 电极的分子工程设计
研究团队合理设计并合成了三种功能独特的聚氨酯（PU）材料，构建出异质结构的 CARD（Conductive, Adhesive, Recyclable and Dry）电极：
– 顶衬层（高弹性 EPU）： 具有极佳的强度与弹性，作为整个电极的机械支撑背衬。
– 中间层（高粘性 APU）： 其分子链中含有大量极性基团（引入了玻璃化转变温度低于 -40°C 的聚丙二醇链段），能与人体皮肤形成强烈的氢键及自适应分子间相互作用，提供了极高的舒适性与贴合度。
– 底导电层（无粘性 NPU/AgNFs）： 通过在柔性聚四氢呋喃二醇（PTMG）基底中嵌入高负载量的银纳米片（AgNFs），提供高导电性并负责信号传导。
异质 CARD 电极通过垂直叠层打孔设计，使高粘性的中间层（APU）能够穿透底部导电层（NPU/AgNFs）和压电层的开孔，直接与皮肤表面形成强力结合。这种设计彻底解耦了传统干燥电极中“高导电性”与“强粘附性”不可兼得的内在矛盾。
2. 出色的物理与电化学性能
– 超强粘附性： 在标准的 90° 剥离测试中，CARD 电极在人体正常皮肤上实现了 1.47 N cm⁻¹ 的极高粘附强度（在湿润或脱水皮肤上也能分别达到 0.97 和 1.31 N cm⁻¹），远超商业 Ag/AgCl 凝胶电极的 0.26 N cm⁻¹。
– 低接触阻抗： 当 AgNFs 的负载量超过 30 wt% 时，其在 0.1 至 100 Hz 频段内的皮肤-电极接触阻抗远低于商业凝胶电极。
– 绿色回收机制： 该材料具备独特的无损循环机制，通过水和乙醇的顺序溶解即可实现全材料的无损循环再制造。
3. 保形贴合的打孔压电层与信号级并联
在 CARD 电极下方，团队集成了一层超薄的打孔压电传感层（厚度仅为 28 µm 的 PVDF 压电薄膜）。
– 消除运动伪影： 有限元模拟表明，打孔设计赋予了该刚性薄膜极佳的曲面顺应性，使其能够紧密贴合在弯曲的皮肤表面，从根本上消除了因皮肤形变产生的运动伪影。
– 硬件源头融合： 由于压电层与电极层输出的均是电势差信号，二者通过物理级并联，直接在硬件前端将电学与力学信号融合成了一路复合波形。
– 轻量化实时解耦： 原始信号表现为高度叠加的复合波形，通过后端部署的轻量化盲源分离（BSS）算法进行实时解耦，成功将电信号与力学信号的互串扰度降至 -42 dB 以下，避免了高算力消耗。
系统展示了将电生理信号（如 ECG、EMG）与生物机械信号（如 FMG、RPW）在硬件传感器层面融合成一路信号（X-Sig），并利用单一模拟前端（AFE）和单一通道进行传输与处理的完整链路。
为了直观展示 X-Sig 的技术飞跃，下表将其与当前临床及前沿表皮监测技术进行了横向对比：
研究团队在两个极具代表性的真实世界医工交互场景中，对 X-Sig 传感器的应用实力进行了全面验证：
1. 动态血压单通道连续追踪
将 X-Sig 传感器贴附于受试者的前臂桡动脉处，可同时捕获心电信号（ECG，生物电模态）与桡动脉脉搏波信号（RPW，生物机械模态），并融合成单一波形。
– 特征精准提取： 利用定制算法，可从单一复合波形中精准提取出 ECG 的 R 波峰与 RPW 的收缩期波峰，从而直接计算出脉搏到达时间（PAT）、心率（HR）以及 PAT 方差（VPAT）。
– 血压实时预测： 引入监督学习模型，系统即可实现对舒张压（DBP）与收缩压（SBP）的实时连续预测。实验表明，X-Sig 预测的 SBP 平均误差为 0.27 ± 5.95 mmHg，DBP 平均误差为0.33 ± 3.45 mmHg。
展示了 X-Sig 传感器在不同皮肤形变（压缩、扭转、拉伸）下保持高保真信号输出的稳定性，以及细胞毒性与 24 小时贴附安全性的实验结果。
2. 小样本训练下的低错误率手势识别
在智能假肢与人机交互领域，传统的表面肌电图（sEMG）易受皮肤出汗和深层肌肉膨胀干扰。团队将 X-Sig 贴附于前臂指浅屈肌处，采集 EMG（肌电）与 FMG（肌力膨胀）的跨模态融合信号。
– 突破小样本限制： 借助一个轻量化的卷积神经网络（CNN）模型，在每种手势仅提供 70 个样本的极小训练集下，X-Sig 实现了高达 96.4% 的十种复杂手势解码准确率。
– 性能倍增： 相比之下，在同等小样本条件下，纯 FMG 的识别准确率仅为 82.9%，纯 EMG 仅为 72.1%。这证明了电生理与机械力学特征在硬件层面的融合，能够提供更具正交互补性的深度生理图谱。
展示了利用 X-Sig 传感器采集肌电（EMG）与肌力膨胀（FMG）融合信号，并通过轻量化卷积神经网络（CNN）对十种复杂手势进行超低错误率识别的混淆矩阵和分类表现。
这项重磅成果标志着可穿戴医疗健康设备从“多器件堆叠组装”正式迈向“单器件模态融合”的全新阶段。它不仅大幅缩减了可穿戴设备的体积、硬件功耗与电路带宽，还实现了真正无感的自同步生理计算。
然而，要将 X-Sig 成功推向临床全天候监护与产业化落地，未来仍面临以下底层挑战：
– 长程贴附下的信号漂移： 在超过 24小时 的连续贴附中，汗液分泌和角质层脱落是否会逐渐改变 CARD 电极的界面阻抗，进而引发解耦算法的参数漂移，仍需在未来的长周期试验中进行系统性评估。
– 边缘端微型 MCU 的算力与续航平衡： 尽管单路采集降低了前端硬件功耗，但后端实时数字滤波、特征点提取以及监督学习模型推演，如果要在资源极度受限的微型蓝牙芯片上全天候运行，其动态计算功耗对微型电池寿命带来的压迫依然不容小觑。
Wu, X., Zhu, C., Zheng, L. et al. A cross-modal epidermal sensor enables single-channel fusion of biopotential and biomechanical signals. Nat. Sens. 1, 315–327 (2026). https://doi.org/10.1038/s44460-026-00044-0
END
撰文 | 张越青
编辑 | 余帆
审核 | 医工学人理事会
扫码加入医工学人，进入综合及细分领域群聊，参与线上线下交流活动
