2023年1月25日

可穿戴式传感器使用超声波在行进中提供心脏成像

工程师和医生已经开发出一种可穿戴的超声波设备，可以评估人类心脏的结构和功能。这种便携式设备大约有邮票大小，可以佩戴24小时，即使在剧烈运动时也能工作。

该项目的负责人、加州大学圣地亚哥分校(University of California San Diego)纳米工程教授徐晟(音)说，其目标是让更多的人更容易使用超声波。目前，超声心动图——对心脏的超声波检查——需要训练有素的技术人员和笨重的设备。

“这项技术使任何人都可以在忙碌中使用超声波成像，”徐说。

由于定制的人工智能算法，该设备能够测量心脏泵送的血液量。这一点很重要，因为心脏供血不足是大多数心血管疾病的根源。心脏功能的问题通常只在身体运动时才会表现出来。

这项研究发表在1月25日的《科学》杂志上自然．

心脏成像是评估心脏长期健康、发现问题并进行护理的重要临床工具危重病人．这种新的可穿戴的，非侵入性的心脏监测器为人类提供实时它可以自动洞察难以捕捉的心脏泵血活动，即使是在一个人锻炼的时候。

可穿戴心脏监测系统使用超声波连续捕捉心脏四个腔室不同角度的图像，并使用定制的AI技术实时分析图像的临床相关子集。该项目建立在该团队之前在深层组织可穿戴成像技术方面的进展之上。

“心脏病风险的增加需要更先进和更广泛的监测程序，”徐说。“通过为患者和医生提供更全面的细节，持续和实时的心脏图像监测将从根本上优化和重塑心脏诊断的范式。”

相比之下，现有的非侵入性方法取样能力有限，提供的数据也有限。Xu团队开发的可穿戴技术能够实现安全、无创和高质量的心脏成像，从而产生具有高空间分辨率、时间分辨率和对比度的图像。“它还最大限度地减少了患者的不适，克服了CT和PET等非侵入性技术的一些局限性，这些技术可能会使患者暴露在辐射中，”加州大学圣地亚哥分校徐小组的博士生黄浩(音译)说。

独特的传感器设计使其成为运动中的理想物体。加州大学圣地亚哥分校徐团队的博士后研究员高晓翔说:“该设备可以附着在胸部，对受试者的运动限制最小，甚至可以连续记录运动前、运动中和运动后的心脏活动。”

心脏成像的重要性

心脏病是老年人死亡的主要原因，由于生活方式因素，心脏病在年轻人中也越来越普遍。心脏疾病的症状是短暂且不可预测的，因此很难被发现。这增加了对更先进、包容、非侵入性和成本效益高的监测技术的需求，例如长期心脏成像，而这种可穿戴设备有助于实现这些技术。

心脏成像是在心脏问题成为问题之前筛查和诊断心脏问题的最强大的工具之一。“心脏会经历各种不同的病理，”加州大学圣地亚哥分校徐实验室的博士后研究员胡宏杰说。“心脏成像将揭示背后的真相。无论是强烈但正常的心室收缩导致容积波动，还是紧急情况下出现的心脏形态问题，心脏实时图像监测都能生动地详细和视觉效果地呈现出全貌。”

具体是如何工作的

这个新系统通过一块像人类皮肤一样柔软的可穿戴贴片来收集信息，贴片的设计目的是为了获得最佳的粘附性。这块贴片长1.9厘米、宽2.2厘米、宽0.09厘米，大约相当于一张邮票的大小。它发送和接收超声波，用于实时生成心脏结构的连续图像流。这种超声波贴片柔软且可拉伸，即使在运动中也能很好地附着在人体皮肤上。

该系统可以使用超声波在单独的双平面视图中检查心脏左心室，产生比以前更多的临床有用图像。作为一个用例，该团队演示了运动过程中的心脏成像，这在临床环境中使用的刚性、笨重的设备是不可能实现的。

心脏的性能由三个因素表征:搏量(心脏每次跳动泵出的血量)、射血分数(每次跳动左心室泵出的血量的百分比)和心排血量(心脏每分钟泵出的血量)。

徐的团队开发了一种算法，以促进人工智能辅助的连续自动处理。

“一个深度学习模型自动从连续的图像记录中分割左心室的形状，逐帧提取其体积，并产生波形，以测量每搏量、心排血量和射血分数，”加州大学圣地亚哥分校徐小组的研究生莫汉·李(Mohan Li)说。

“具体来说，人工智能组件包括用于图像分割的深度学习模型、用于心脏体积计算的算法和数据imputation算法，”加州大学圣地亚哥分校徐团队的研究生齐瑞祥(音)说。“我们使用这种机器学习模型来计算心容积基于左心室的形状和面积分割。图像分割深度学习模型是第一个在可穿戴超声设备中实现功能化的模型。它使设备能够在不同的物理状态下，包括静态和运动后，提供准确和连续的关键心脏指数波形，这是以前从未实现过的。”

因此，当AI组件处理连续的图像流以生成数字和曲线时，该技术可以连续且无创地生成这三个指标的曲线。

为了创建这个平台，团队面临着一些需要谨慎决策的技术挑战。为了生产可穿戴设备本身，研究人员使用了压电1-3复合材料与ag -环氧树脂衬底粘合作为超声成像仪中的换能器的材料，与以前的方法相比，降低了风险并提高了效率。在选择换能器阵列的传输配置时，采用宽波束复合传输，取得了较好的效果。他们还从9个流行的基于机器学习的图像分割模型中选择了FCN-32，该模型实现了最高的精度。

在当前的迭代中，修补程序通过电缆连接到计算机，计算机可以在修补程序仍在运行时自动下载数据。该团队已经为该补丁开发了一种无线电路，将在即将出版的出版物中介绍。