传感器新发现：研究可穿戴测谎仪，无线皮肤接口多模态传感系统持续心理生理监测

准确、持续地监测心理生理状态对于理解压力和自主神经至关重要不同医疗背景下的功能障碍。当前的方法（例如多导睡眠图和多导睡眠图）依赖于笨重的有线传感器限制了现实世界的实用性并给患者（尤其是弱势群体）带来负担例如婴儿。在这里，作者介绍一种无线皮肤接口多模态传感系统，能够同时以时间同步的方式记录心脏、呼吸、皮肤电和热信号。利用紧凑型和软设计，该技术能够在受控、临床和自然环境中进行不引人注目的监测。与金标准系统并行进行的验证研究表明量化压力具有高保真度测谎仪访谈、认知负荷任务和冷加压测试期间的反应。在儿科睡眠研究中，数据可靠地识别觉醒、呼吸不足和呼吸暂停，同时揭示患有以下疾病的婴儿的疾病特异性自主神经特征唐氏综合症。紧急模拟训练期间的实际部署表明，多模态应力信号事实与表现成反比，强调了医学教育的转化价值。机器学习所有研究的分析证实，多模态特征在检测压力方面优于单信号方法和具有高敏感性和特异性的临床事件。总的来说，这些发现确立了该技术作为下一个连接工程创新和临床实践的新一代可穿戴平台，提供机械洞察以及压力医学、睡眠医学等方面的诊断潜力。

图 1. 用于连续心理生理监测的无线皮肤接口多模式系统。 (A) 追踪装置示意图各种形式的压力期间的生理信号。 (B) 婴儿模型上的设备照片。 (C) 分解图显示了 iMU、麦克风、edA 传感器以及组合温度和TC 传感器。 (D) 用于同时跟踪多个参数的生理监测方案的框图。(E) 安装在胸部用于多模式生理监测的 SiMSS 图示。 (F) 多生理信号的参数分析，用于识别和量化心理生理压力。 liPo，锂聚合物； doF，自由度； BPF，带通滤波器；SiMSS，皮肤界面多模态系统

图 2. 在测谎仪访谈期间无线、可穿戴式生理参数监测以及与商业测谎仪系统的比较。 (一) 协议和测谎仪访谈的实验配置。 (B 和 C) 有线多组件商用测谎系统 (B) 与无线测谎系统之间的比较小型化 SiMSS (c)。 (D) 将胸部设备（红色）获得的 hR、hRv、cSi、RRv 和 edA 数据与使用商业测谎仪测量的数据进行比较采访时的系统（黑色）。阴影区域表示回答问题的时间点。 (E) 对照（黑色）和敏感（红色）的归一化 edA 箱线图问题。数据是第一和第三四分位数（盒铰链）、平均值 (X)、中位数（水平线）以及 1.5 倍四分位数范围内的最低值和最高值（whis-kers）（n = 6 和 360 个数据点）。 (F) 皮肤TC 用于控制（黑色）和敏感（红色）问题。数据为第一和第三四分位数（盒铰链）、平均值 (X)、中位数（水平线）、最小值-最大值（晶须）和单个数据点 (n = 6)。 (G) 各个参数之间的成对相关性矩阵（hR、hRv、cSi、RR、RRv、edA 和 St）从 SiMSS 中提取，用于控制（黑色）和敏感（红色）问题（n = 6 和 146 个数据点）。 (H) 显示模型预测的混淆矩阵对控制问题和敏感问题进行分类。 (I) Shapley 决策图，可视化每个生理参数（按重要性排序）对模型的贡献预测如（G）所示。 a.u.，任意单位。

图 3. 用于检测心理压力的无线可穿戴生理参数监测。 (A) 语音的协议和实验配置噪声中的任务。 (B 和 C) 瞳孔测量结果，包括照片记录 (B) 和瞳孔直径数据 (c)。 (D) 演讲过程中瞳孔大小的比例变化-噪声中任务和任务后休息（18 个任务）。 hR、cSi、RR 和 edA 数据从 SiMSS 获得。数据表示为平均值（线）±Sd（阴影面积）。 (E) 箱线图比较休息和噪声中语音任务期间的生理数据（瞳孔大小、hR、hRv、cSi、RR、RRv、edA 和 St 的变化）。数据是第一和第三四分位数（盒铰链），平均值（X），中值（水平线）以及 1.5 倍四分位距（晶须）内的最低值和最高值（n = 4 和 72 个数据点）。 (F 和 G) Shapley 决策图(F) 和平均沙普利值 (G) 可视化每个生理参数对模型预测的贡献（按重要性降序排列）在图中。 S16（n = 4 和 128 个数据点）。

图 4. 无线可穿戴生理参数监测，用于检测冷加压测试期间的身体压力。 (A) 协议和实验 con-冷加压测试的图形。 (B) 冷加压测试之前（黑色）和之后（红色）的皮质醇水平 (n = 6)。 (C) 从 SiMSS 获得的 hR、hRv、cSi、RR、edA 和 St 数据（红色）和在冷加压测试期间使用标准系统（黑色）测量的值。阴影区域表示冷加压的时间点。 (D) Bland-Altman 图比较hRv-lF/hF 从胸部设备和标准临床心电图系统中提取（n = 6 和 735 个数据点）。 (E) 休息（黑色）和冷加压测试（红色）期间的皮肤TC。数据是第一和第三四分位数（盒铰链）、平均值 (X)、中值（水平线）、最小值-最大值（晶须）和单个数据点 (n = 6)。 (F) 相关性休息（黑色）和冷加压测试（红色）期间各个参数（hR、hRv、cSi、RR、RRv 和 St）和 edA 之间的关系（n = 6 和 4121 个数据点）。 (G) 混淆矩阵显示对休息和压力进行分类的模型预测 (n = 6)。 (H) Shapley 决策图，可视化每个生理参数的贡献，按顺序排列对于 (G) 中所示的模型预测的重要性（n = 6 和 200 个数据点）。

图 5. 在睡眠研究中对儿科患者的生理参数进行连续、无线监测。 (A) 应用的 SiMSS 和 PSG 系统的照片睡眠实验室的一名儿科患者。 (B) 来自 PSG 系统的脑电图 (eeG) 数据、来自 SiMSS 和 PSG 系统的 hR 以及来自 SiMSS 的 edA 数据唤醒。 (C) 来自 PSG 系统的脑电图和 RiP 数据以及呼吸不足期间的胸部运动数据。 (D) 从设备记录的 hR、cSi、RR、edA 和运动活动 (MA) 数据睡眠期间胸部和 PSG 系统的临床事件时间表。 (E) 混淆矩阵显示用于对期间临床事件进行分类的模型预测睡眠（n = 13 和 367 临床事件）。 (F) 雷达图显示比较健康组和唐氏综合症组的多变量分析（n = 13 和 2113 个数据点）。(G) 比较健康组和唐氏综合症组之间的 cSi 和 hRv 的箱线图。数据是第一和第三四分位数（盒铰链）、平均值 (X)、中位数（水平线）、以及 1.5 倍四分位距（晶须）内的最低值和最高值（n = 13 和 2113 个数据点）。使用单因素方差分析 (AnOvA)计算P值。

图 6. 医学模拟实验室培训期间复杂形式压力的无线可穿戴监测。 (A) 所呈现场景的示意图在模拟实验室培训期间。 (B) 在模拟实验室培训期间从 SiMSS（红色）和 ecG（黑色）获得的 hR、hRv、cSi 和 edA 数据。 (C) hR 的变化，第 5 节模拟和汇报期间的 hRv、cSi 和 edA 信号。(D) 跨会话的 hRv、cSi 和 edA 统计分析 (n = 17)。 (E) 箱线图比较hRv、cSi 和 edA 的性能得分。数据为第一和第三四分位数（盒铰链）、平均值 (X)、中位数（水平线）以及 1.5 倍以内的最低值和最高值四分位距（晶须）（对于 hRv、cSi 和 edA，n = 17 和 10,382、10,324 和 10,331 数据点，分别）。 AnOvA 用于计算 P 值。

https://www.science.org/doi/10.1126/sciadv.aed3162

来源：生物传感小站