摘要
- 中国科学院北京纳米能源系统研究所董凯研究员、大连海事大学徐敏义教授合作，研发了一款由无线身体区域感知网络（WBAN）、深度学习模型和人体状态监测界面组成的智能自驱动救生衣系统（SPLJ），通过6个具有高灵敏度的芯-鞘结构柔性摩擦电纤维传感器监测运动信号，而后通过便携式电路模块进行信号处理和传输，利用深度学习进行数据分析，根据建立的运动与状态关联性，识别落水者的身体状态，模型测试集的识别准确率达到了100%。
文章简介
海洋环境的不可预测性使得海洋事故一旦发生，人员存活率极低。救生衣是海上人员生命最后的防线，然而大多数传统的救生衣只能提供浮力，救援方无法得知落水者在水下的状态，无法根据实际情况制定及时有效的救援计划。因此，急需开发一款可以实时监测落水者运动及身体状态的救生衣系统，提升落水者的生还率近日，中国科学院北京纳米能源系统研究所董凯研究员、大连海事大学徐敏义教授合作，研发了一款由无线身体区域感知网络（WBAN）、深度学习模型和人体状态监测界面组成的智能自驱动救生衣系统（SPLJ），通过6个具有高灵敏度的芯-鞘结构柔性摩擦电纤维传感器监测运动信号，而后通过便携式电路模块进行信号处理和传输，利用深度学习进行数据分析，根据建立的运动与状态关联性，识别落水者的身体状态，模型测试集的识别准确率达到了100%。
海洋环境的特点是地理和生态系统复杂，大量的水还会带走接触面产生的电荷。因此，设计了一款芯-鞘结构、垂直接触分离模式的摩擦电纤维传感器，以提高传感器的灵敏度和鲁棒性，同时将其接触传感方向已扩展到360°。材料选择导电纤维、有机压电材料聚偏氟三氟乙烯（P（VDF-TrFE））以及硅胶，使传感器具有良好的输出性能，又兼具柔韧性和可拉伸性。基于WBAN技术，将六个摩擦电纤维传感器作为感知节点缝制在救生衣的手肘、肩膀和膝盖位置，来监测运动信号，电路模块被内置于救生衣胸口位置，对信号进行处理及无线传输。
图1. SPLJ的设计和结构：(A)SPLJ的实时监测流程示意图。(B)SPLJ系统的结构；(C)摩擦电纤维传感器的结构；(D)P（VDF-TrFE）纤维的扫描电镜图像；(E)摩擦电纤维传感器在海水中浸泡72h前后的单轴拉伸试验对比；(F)摩擦电纤维传感器在(i)弯曲和（ii）缠绕状态下的照片。
- 电输出性能测试表明，在常温常压下，摩擦电纤维传感器对频率和力度有着良好的输出特性，在1N轻微外力激励下即有24.7V的输出电压。在拉伸或弯折的情况下，摩擦电纤维传感器也保持良好的输出性能，在拉伸应变超过240%的情况下依旧保持有24V的电压输出，而在弯折情况下，因为挤压使得两摩擦材料接触更加充分，反而使得输出进一步提升。此外，摩擦电纤维传感器具有稳定的快速的响应时间（86ms）以及稳定的输出，在55000次连续工作下依旧保持40V的输出电压；而在不同温度条件下，10℃温度改变电输出变化率仅为2.74%。
图2. 摩擦电纤维传感器的工作原理和输出性能特征。(A)外接电阻条件下摩擦电纤维传感器在手臂运动时的电荷分布；(B)利用COMSOL软件数值计算了开路条件下摩擦光纤传感器的电位分布。在不同的(C)力、(D)频率、(E)冲击应变、(F)和冲击弯曲角度作用下的摩擦光纤传感器（长度5 cm）的电输出电压；(G)摩擦光纤传感器的响应时间；(H)摩擦光纤传感器的55 000次疲劳试验。
- 基于摩擦电纤维传感器的良好的可拉伸性和快速的响应速度以及WBAN技术，研究人员将其集成在SPLJ上，进一步研究了输出特性，结果表明，在集成在SPLJ上后，传感器依旧有着稳定的输出，且随着弯折角度增加，输出电压也随着升高。此外，如果个体长时间浸泡在水中，身体可能会颤抖。而SPLJ对不同程度的颤抖也有着良好的响应输出，随着震颤振幅的增加，摩擦电纤维传感器的响应输出也会增加。同时，对SPLJ对溺水者运动灵活性不会造成影响，在各种运动中，不会妨碍溺水者做出动作。溺水者在水下条件下的生存受到各种因素的影响，如水温、盐度、淹没时间和受害者的年龄。因此，我们以中国黄海中部的海洋环境为例，其水温在4~10C之间，盐度为32~34‰。选择一个24岁的成年雄性掉入水中的场景，监测他的身体状况的变化。为了模拟实际的救援环境，我们将落水后分为以下五个阶段：溺水者掉入水中后，开始游泳，以寻找一个安全的地点，并等待救援。在这一阶段，体温可能会由于身体活动而略有增加，这代表了健康阶段。一旦达到安全位置，溺水者就会停止游泳以节省能量，并采取帮助位置以减少热量损失。在这一阶段，被称为SOS阶段，其特征是寻求外部帮助和体温逐渐下降。这个阶段持续约20 min。随后，该人进入了低温阶段。在淹没后20-90 min期间，患者出现轻微震颤，体温逐渐下降至34℃，处于1级低温状态。在90~120 min之间，震颤强度增加，体温进一步下降到33℃，处于2级低温。如果淹没超过120 min，震颤停止，体温下降到28C，表明严重的体温过低，处于严重失温状态。
图3. SPLJ的信号输出与运动与溺水人体状况的相关性。(A)肘部、(B)膝盖不同弯曲角度的电压输出信号；(C)不同震颤水平下臂关节处摩擦光纤传感器的输出响应；(D)便携式集成电路模块的原理图；(E)SPLJ戴在溺水者身上的照片；(F)溺水者不同运动中SPLJ的信号输出及其信号与人体状况的关联性。
- 为了进一步验证SPLJ的有效性，研究人员使用商用监测传感器让受试者做相同动作进行信号对比测试，检测SPLJ优越性的同时，利用商用传感器将运动数字化，更好地考察基于SPLJ的系统信号与人体运动的相关性。商业监测传感器被放置在受试者的关节上，以分析人体的运动过程。结果表明商用监测传感器的螺距角输出与SPLJ的电压曲线之间有很强的相关性，这一发现最终证明了SPLJ具有特殊的运动监测能力。并且，与商用监测传感器相比，SPLJ表现出更快的响应时间和检测运动频率和力度的能力，从而能够更全面地捕捉运动相关信息。此外，研究人员还揭示了不同运动过程中运动信号振幅的不同特征。在游泳过程中，手臂的运动信号振幅最高，其次是腿部，而肩膀的运动信号振幅相对较小。这种差异可以归因于手臂和腿部比肩膀的活动范围更大。在帮助位置，运动信号振幅最高，其次是手臂和腿。这是因为溺水的人正在敲击肩膀，在那个区域产生更大的信号。在震颤期间，肩膀、手臂和腿部的运动信号振幅都相对较小。这是因为震颤运动的振幅更小，导致产生的信号更小。当溺水者静止时，运动信号振幅趋近于零，表明活动能力明显丧失。因此，SPLJ不再产生明显的运动信号。在评估过程中，受试者进行各种复杂动作，商用监测传感器的螺距输出角与SPLJ的电压曲线，表现出很强的相关性。监测个体差异对SPLJ的信号以及最终的判别结果会造成哪些影响，选择不同身高、体重、性别的受试者分别来检测愚运动的信号。结果显示不同受试者之间SPLJ的运动表征会存在一些细节信号的不同，但总体呈现出相似的趋势。
图4. SPLJ和商用传感器对人体运动的信号表征和分析。(A)肘部弯折过程中SPLJ的信号详细分析。(B)不同肘部弯曲角度下SPLJ的输出电压及其线性关系。(C)运动信号的平均振幅分析。(D)游泳模型示意图。(E)在HELP姿态过程中，SPLJ和商用传感器的信号详细分析。(F, G, H)游泳状态、HELP姿势和震颤的SPLJ信号普适性分析
- 通过对比了不同学习模型的分类效果，最终选择CNN模型作为分类模型；构建了神经网络学习模型，对SPLJ产生的运动信号进行特征值提取，而后使用60%-20%-20%的分割方法对数据分类，进行动作识别检验，实现了100%的测试集识别结果；利用LabVIEW程序开发了一款状态监测与预警系统的显示界面，对信号和分类结果进行展示。并在实际的水域环境进行实验，结果可以看出，该技术可以很好的在水域环境中对人体的动作和状态进行监测和识别预警。
图5. 基于深度学习分析的溺水人运动数据处理和人体状况检测系统。(A)对溺水者运动的深度学习分析流程图。(B)不同身体部位和运动的平均运动振幅。(C)构建用于动作及状态识别监测的模型。(D)四种动作的深度学习分析的混淆图。（E, F, G）关于溺水者的运动和状况的人体状况检测系统的演示。
原文链接：
