山东大学王天宇、孟佳琳提出一种全新的储备池计算硬件，可穿戴织物忆阻器实现多模态睡眠信号分析

研究背景

晚上睡眠过程中大脑电活动持续变化，呼吸相关的打鼾声也携带着重要的健康线索。传统可穿戴设备依赖冯·诺依曼架构，在处理脑电（EEG）和鼾声等多源生物信号时面临高能耗、高延迟、硬件体积大等瓶颈。传统存储—计算分离架构受限于功耗与算力瓶颈，还需要进行频繁数据搬运，进一步放大能耗与延迟。为破解这一难题，研究团队另辟蹊径，将神经形态计算与柔性电子织物深度融合，开发出一种可直接编织入衣物的纤维状忆阻器器件，成功实现了可穿戴式多模态睡眠脑电信号与音频信号分析。

研究进展

本研究以MoS₂量子点织物忆阻器为基础构造物理储备池，兼具优异的机械柔韧性与稳定的脉冲可编程导电特性。其核心创新在于利用忆阻器固有的非线性动力学行为，构建织物忆阻器基物理储备池，无需复杂训练，即可将原始EEG波形与鼾声音频直接映射为高维状态向量，实现信号的原位特征提取与融合。

关键结果

实验表明，该织物忆阻器实现储备池计算时在亚纳安电流下工作，功耗低至皮瓦级，非常适合整夜连续佩戴。在真实场景测试中，系统对鼾声事件检测准确率达94.8%，睡眠分期识别准确率达95.4%，多模态融合任务准确率达93.5%。更值得一提的是，团队用轻量级卷积神经网络替代传统线性读出层，显著提升了在雨声、车流等环境噪声干扰下的鲁棒性，且推理速度比传统深度学习方法快6倍。

未来展望

该工作展示了可穿戴“织物电子—算法协同”的路径：将计算前移到物理储备池器件本体，并结合轻量神经网络完成读出与判别，可在多模态时序任务中兼顾准确率、鲁棒性与能耗约束，为家庭睡眠分析与可穿戴健康护理的长期运行提供新思路。后续可提升器件可编程精度与长期稳定性，并扩展到更多生理信号及环境信息，构建更全面的多模态健康监护系统与功能集成。

原文链接：https://spj.science.org/doi/10.34133/research.0870