一种柔性稀疏传感器网络系统，用于新生儿不安运动评估

“研究中，我们通过专业医师的标定，筛出几例有风险的婴儿，随后便通过医生紧急联系到婴儿父母，建议他们去上级医院做全面检查。在这一刻，我们真正感到自己所做事情的重要性。”

提及自己最近参与的一项研究，让中国科学院苏州生物医学工程技术研究所张森浩博士和鲍本坤博士至今觉得非常有意义感。

近日，他和合作者联合造出一种柔性稀疏传感器网络系统，能在婴儿不安运动的评估中，实现超高准确率的自动分类。

目前，该团队与临床医院开展的实验结果表明：这项技术可以快速、有效地进行大规模新生儿脑瘫风险的快速筛查。

若干年内，这项技术将能推广至更多地区，成为一种类似于“疫苗”的新生儿必查项。

（来源：Advanced Science）

由于本次技术具备低成本、低资源依赖性的特点，因此即使在中西部等医疗条件不发达的地区仍然可以有效运行，预计将会极大促进我国妇幼健康领域的发展。

“尤其是如果能在低医疗水平地区进行普及，尽早地对新生儿的神经发育、行为习惯进行筛查、干预与康复，就能更好地减轻家庭的负担，想到这里就觉得自己的付出都很值得。”张森浩说。

（来源：Advanced Science）

日前，相关论文以《用于新生儿不安运动自动早期评估的柔性智能稀疏传感器网络》（Intelligence Sparse Sensor Network for Automatic Early Evaluation of General Movements in Infants）为题发在Advanced Science期刊上。

中国科学院苏州生物医学工程技术研究所的鲍本坤博士和张森浩博士是共同一作。

张森浩、中国科学院苏州生物医学工程技术研究所的杨洪波研究员和成贤锴研究员、以及美国宾夕法尼亚州立大学程寰宇教授担任共同通讯作者。

据介绍，新生儿脑瘫筛查一直是临床研究比较关注的领域。

但是，此前临床进行评估的方法，主要依赖有经验的专业医生，通过观察新生儿在一段时间内的自主运动模式，来评估其是否具有脑瘫的风险，进而确认是否需要进一步的影像学检查。

不可否认的是，这种通过对新生儿自主运动来实现神经发育评估，具备一定的便捷性、以及潜在的大规模普筛价值。

但是，专业医生数量的缺失，限制了它的进一步推广，尤其是在低水平医疗资源地区的推广。

张森浩表示：“本次课题来源于我们所的成贤锴研究员、杨洪波研究员与吉林大学附属第一医院共同参与的医工结合项目。”

这一项目旨在推进一批有潜力的一线医工融合与交叉项目，以解决临床中的痛点、难点问题，而本次项目很幸运地获得了支持。

一开始，课题组在可穿戴方式、数据稳定性上一直没有很好的解决办法。

在杨洪波研究员的国际合作伙伴计划的支持下，张森浩于2020年开始在美国宾夕法尼亚州立大学（PSU，The Pennsylvania State University）程寰宇教授课题组，参加联合博士培养。

期间，他们共同讨论之后认为：使用柔性化的结构、以及使用材料设计类方法，应该更加适用于这种临床应用场景。

张森浩说：“因此我们与PSU团队一起开始了本次研究，在程寰宇老师的指导下，我们开始设计结构和材料，并针对组网方式、组网稳定性等加以优化。”

据了解，此前研究大多通过“视频法”进行捕捉运动，然后进行数字化。

但是，这种方式无法保障隐私，而且动作识别容易受到环境干扰，大量的背景噪声会让数据量变得极为庞大，限制了在临床上发展。

基于此，课题组设想：是否可以通过直接的运动信息采集，来完成新生儿动作数字化？

考虑到新生儿皮肤的脆弱性，他们通过“岛-桥”结构完成了传感节点的柔性化设计。同时，高生物兼容性材料的使用，让新生儿的皮肤安全得到进一步的保障。

为了不让传感器的佩戴影响新生儿的自主运动，需要尽可能地减少传感节点的数量。

通过算法优化等手段，他们只在新生儿四肢、以及头部累计5处进行传感器的布置，并通过低功耗蓝牙实现稀疏传感网络的构建。

（来源：Advanced Science）

等到系统设计稳定之后，他们开始启动临床论证研究。在吉林大学附属第一医院、苏州市儿童医院、山西省曲沃县中医医院的支持下，他们顺利获得一批临床数据。

初步分析数据之后，他们发现在时域、频域上，有/无风险儿童之间存在着显著性区别。但是，仍然没有一个直接的阈值能被作为划分标准。

具体来说，他们发现依赖传统的分类方法，无法很好地实现高准确率的筛查，于是开始使用机器学习来构建分类模型。

不过，整体模型又不能过于庞大，不然算力需求就会增加，以至于无法向低医疗水平地区投放。

所以，打造尽可能轻量化、小型化的分类模型，是他们追求的目标。同时，他们也不希望所打造的算法是一个“黑盒子”算法。

所以，研究人员尽可能地从临床医生的诊断标准出发，去归纳特征值的提取。

同时，针对所得到的特征值，按照相关性程度进行排序，借此甄别那些对分类更加有效的特征值，并确保这些特征值能得到临床解释。

只有这样，才能进一步降低特征值的维度，从而打造轻量化的算法模型。

构建模型的过程中，考虑到必须尽可能少地占用算力资源，因此该团队的鲍本坤博士从特征维度的降维、算法冗余性方面进行优化，以便获得高准确率的小型算法模型。

在人工智能技术的帮助之下，他们成功研发了所需要的分类模型。而且，随着数据量的增加，这种数据处理的方式也能得到优化，从而实现更加轻量化、更加快速、更加高效的分类算法。

考虑到在低水平医疗资源地区的应用推广，必须得开发低成本的硬件系统、以及易部署的小型化自动识别算法。

最终在他们的努力之下，整个系统的成本低于500元。同时，课题组通过降低特征值的数量，以及采用逻辑回归算法，在99.9%高识别率的前提之下，实现了最小模型的搭建。

另据悉，这种柔性生理传感网络不仅能用于新生儿不安运动检测，同时也能实现更多生理信息的获取，从而用于其他临床方面。

例如，通过加速度计可以采集心率、呼吸率等信息，同时可以采集吞咽能力、活动能力等，从而在ICU重症监护室中发挥作用。

另一方面，对于新生儿脑瘫的快速筛查，不安运动监测主要适用于20周以内的新生儿。

对于年龄更大的、已经可以爬行的婴儿，他们也正在开展爬行行为与脑瘫的分析，以便能够服务于年龄更大一些的婴儿，从而针对其神经发育能力进行评估。

在应用方面，他们也在正在积极与中西部一些地方妇幼保健站展开联系，力争更好地推广本次系统。

同时，他们也正在积极尝试是否可以实现无电池的传感系统的构建。

假如可以利用射频进行无线供能，就能通过去除电池模块的方式，进一步降低传感器的重量，从而减少佩戴传感器对于新生儿自发运动的影响。

审核编辑：刘清