心脏瓣膜的开合、血液对血管壁的冲击,以及气流在呼吸道内的摩擦,每天都在人体内部产生微弱的机械声学信号。这些信号蕴含着丰富的心肺生理与病理信息,往往在临床症状显现之前便已发出预警。
然而,传统的临床听诊高度依赖医生的主观经验,且只能在患者静止时进行;医院内的超声心动图或CT等大型影像设备虽然精准,却无法实现日常连续监测。
近期,由重庆大学牟笑静教授团队(联合嘉陵江实验室)与中北大学刘涛教授团队合作研发的一款新型柔性无线听诊器,为解决日常动态环境下的高保真心肺监测难题提供了新的硬件方案。
核心痛点:为什么可穿戴听诊难以走出实验室?
将听诊器微型化并贴合在皮肤上实现全天候监测,长期面临四个技术瓶颈:
1.皮肤耦合度差:现有电子听诊器多采用刚性外壳,无法紧密贴合人体曲面,一旦受试者开始走动或翻身,传感器与皮肤之间便会产生相对位移,导致声学信号严重失真。
2.频带响应受限:人体心肺声学信号跨越极宽的频谱(从低频 的心音到数千赫兹的异常呼吸音),普通传感器往往带宽较窄或频率响应不平坦,容易丢失关键的病理特征。
3.运动伪影干扰:日常活动中的肌肉震颤、衣物摩擦以及环境噪音,极易淹没原本就十分微弱的生理声学信号。
4.软硬件割裂:缺乏从高质量信号采集到自动化智能诊断的一体化系统集成。
技术破局:压电微机械超声换能器与柔性力学封装
针对上述难题,研究团队从底层声学芯片设计与系统级柔性封装两个维度进行了重构。
1.氮化铝(AlN)压电微机械超声换能器(PMUT)
研究团队摒弃了传统的驻极体或动圈式麦克风,转而采用基于微机电系统(MEMS)工艺的压电微机械超声换能器(PMUT)作为核心声学接收单元。
-
• 材料与结构优选:通过多物理场仿真对比,团队最终选用了氮化铝(AlN)作为压电薄膜材料,并采用了圆形薄膜结构。相比传统的锆钛酸铅(PZT)材料和方形结构,圆形氮化铝薄膜在受压时应力分布更均匀,能够产生更大的机械位移和更高的接收灵敏度。 -
• 阵列化与宽频平坦响应:单个传感单元尺寸极小,团队将25个圆形PMUT单元并联组成阵列(整体面积仅 ,重 ),以增强电荷累积并扩大皮肤接触面积。通过将芯片的谐振频率精准设计在 ,该传感器在 至 的宽频带内实现了极高的灵敏度()和卓越的频率响应平坦度(),确保低频心音与高频病理呼吸音都能被无失真还原。
2. 分布式布局与蛇形互连柔性封装
为了消除电路自身噪音并适应皮肤形变,团队采用了分布式岛桥结构:将MEMS声学传感器与前端信号调理电路置于左侧圆形区域,而将电池、电源管理、微控制器及低功耗蓝牙(BLE)模块置于右侧区域,中间通过蛇形铜导线连接,外部整体由低模量的医用级硅胶(Ecoflex-0030)封装。这种设计使整机在拉伸、扭曲和弯曲状态下仍能保持稳定的电学性能,并实现了高达 的信噪比。
临床与日常场景验证:从动态心率到睡眠呼吸筛查
在人体实测中,这款柔性听诊器展现出了与临床标准设备高度一致的监测能力,其体积比传统商业听诊器缩小了34倍,重量减轻了18倍。
-
• 标准心音听诊与动态运动追踪:在临床心脏五大听诊区(主动脉瓣区、肺动脉瓣区、主动脉瓣第二听诊区、三尖瓣区、二尖瓣区)的测试中,设备清晰捕捉到了第一心音(S1)和第二心音(S2)的振幅比例特征,与标准心电图(ECG)的R波和T波在时间轴上高度同步。在受试者进行步行、爬楼梯(心率升至 )和站立的连续动态测试中,柔性封装有效缓冲了机械震动与摩擦噪音,全程稳定追踪了心率与心音强度的变化,而同期对比的刚性封装设备在步行时则完全被运动伪影淹没。 -
• 居家睡眠呼吸状态AI诊断:临床睡眠监测金标准——多导睡眠监测(PSG)需要连接大量有线传感器,成本高且影响睡眠。研究团队将该柔性听诊器贴附于受试者锁骨上窝采集支气管呼吸音,将一维声学信号转化为二维时频图,并引入包含53个卷积层的残差神经网络(ResNet)进行迁移学习。在针对清醒、睡眠、呼吸暂停(Apnea)、鼾音(Rhonchi)和哮鸣音(Wheeze)五种呼吸状态的分类测试中,模型在训练集和验证集上的综合识别准确率达到了 98.7%。
技术横向对比与性能评估
为了直观评估该项研究在当前医疗科技领域的定位,下表将本项工作与目前行业内的主要听诊及体表机械声学监测方案进行了多维横向对比:
|
|
|
|
|
|
|
|---|---|---|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
行业启示与现实挑战
这项研究展示了“微纳声学芯片(MEMS)+ 柔性混合电子 + 边缘AI算法”在慢病管理与居家医疗中的整合潜力。它证明了通过精密的力学解耦与宽频带传感,消费级形态的可穿戴贴片同样能够获取接近临床听诊标准的生理声学数据,为阻塞性睡眠呼吸暂停(OSA)和心血管疾病的早期居家筛查提供了低成本硬件雏形。
不过,从实验室原型走向大规模临床应用,该技术仍需跨越以下几道现实门槛:
1.跨人群泛化能力有待验证:目前的深度学习分类模型( 准确率)主要基于单一位参与者不同时间段的会话数据进行训练与验证。不同年龄、体型(如皮下脂肪厚度差异)以及真实临床确诊患者群体的心肺音特征存在显著个体差异,模型在跨人群、大样本下的泛化鲁棒性仍需大规模临床试验检验。
2.续航与无线传输功耗瓶颈:系统目前采用 微型锂聚合物电池供电,并依赖低功耗蓝牙实时传输高采样率的原始声学数据。在连续整夜睡眠监测或全天候运动监测中,高频无线传输带来的功耗压力以及电池续航能力仍需进一步优化。
3.长期佩戴的粘附与力学耐久性:目前设备通过医用双面胶(3M 9907T)固定于皮肤,在出汗、剧烈运动或长达数天的连续佩戴下,粘合剂的生物相容性、透气性以及硅胶封装在反复弯折下的长期机械疲劳寿命,均是产品化过程中必须解决的工程问题。
参考资料
Wu, P., Liu, T., Li, D. et al. Broadband wearable acoustic sensing for continuous cardiopulmonary monitoring. Microsyst Nanoeng 12, 334 (2026). https://doi.org/10.1038/s41378-026-01460-5








