AI增强和能源自主的智能化可穿戴步态监测设备助力足底健康

研究背景

随着人口老龄化加剧、慢性疾病高发以及先天或获得性足部畸形的增多，下肢功能障碍和异常步态问题日益普遍，已成为影响公众健康和生活质量的重要因素。步态分析被广泛认为是评估下肢功能状态、疾病进展及康复效果的敏感生物力学指标。然而，现有临床步态评估主要依赖光学动作捕捉系统和测力台等实验室设备，不仅成本高、空间受限，而且难以反映真实生活场景下的自然运动状态。

可穿戴压力感知鞋垫为步态监测提供了去中心化、连续化的新途径，但现有技术在临床转化过程中仍面临三大瓶颈：其一，传感器难以同时兼顾超低压力分辨率与高载荷耐受能力，难以覆盖足底从微小姿态调整到剧烈冲击的全力学范围；其二，能量供应依赖传统电池，续航不足且频繁充电影响长期监测的连续性；其三，采集到的大规模时空压力数据缺乏有效的智能分析与实时反馈，限制了其在疾病筛查和临床决策中的应用。因此，发展一种集高精度感知、自主供能和智能诊断于一体的可穿戴步态监测系统，具有重要的科学意义和临床价值。

研究进展

本研究报道了一种仿生智能鞋垫系统，通过多学科协同设计，实现了高分辨足底压力感知、能量自给以及人工智能辅助的步态智能诊断。研究团队受到螳螂腿部层级化机械感知结构的启发，设计了双微结构电容式压力传感器，将微结构 PDMS 与可压缩弹性泡沫相结合，实现了 0.10 Pa 的超低检测下限、最高达 1.4 MPa 的宽量程检测能力，并在超过 12,000 次循环加载中保持优异的机械稳定性，显著优于现有柔性压力传感器，充分满足鞋垫应用需求。

在能源系统方面，该智能鞋垫集成了纳米钙钛矿太阳能电池与高能量密度锂硫纳米电池，构建了闭环、自适应的供能体系，在室内外多种光照条件下均可实现稳定工作，平均光充电效率达 11.21%，能量存储效率达 72.15%，有效解决了可穿戴设备长期连续运行的能源瓶颈。

在数据处理层面，系统通过 16 通道无线模块采集足底时空压力分布，并嵌入人工智能算法进行实时分析。基于随机森林模型，系统可实现 96.0% 准确率的足弓异常识别；基于一维卷积神经网络（1D-CNN），可对 12 种病理步态模式进行分类，准确率达 97.6%。配套移动端 APP 通过色彩图方式直观呈现动态力场分布，为临床医生和康复人员提供可解释、实时的决策支持。

研究展望

通过将仿生高精度感知、可持续能源接口与智能机械诊断深度融合，该研究构建了一个经临床验证的闭环可穿戴平台，为下肢疾病的早期筛查、个性化康复训练和远程医疗监护提供了全新的技术路径，展示了智能可穿戴设备向临床级诊断工具转变的广阔前景。

原文链接：https://spj.science.org/doi/10.34133/research.1063