医工前沿 | 可穿戴超声贴片第二弹!徐升教授课题组:一个完全集成的可穿戴超声系统,用于监测运动对象的深层组织

前言

/

《医工前沿》是医工学人收集、整理与发布的医工交叉领域前沿研究动态,来源包括Science,Nature,The Lancet,IEEE,Advanced Materials等著名期刊及其子刊、合作刊等。医工交叉前沿动态的发布,有助于工程研究人员和临床医生迅速了解该领域学术前沿研究的最新现状,帮助医工领域研究者及从业者获得研究启发及转化可能。

摘要

可穿戴超声技术的最新进展已经证明了免提数据采集的潜力,但技术障碍仍然存在,因为这些探头需要电线连接,可能会失去对移动目标的跟踪,并带来数据解释方面的挑战。来自美国加州大学圣地亚哥分校(UCSD)徐升教授团队在Nature Biotechnology杂志上发表题为“A fully integrated wearable ultrasound system to monitor deep tissues in moving subjects”的文章,报告了一种完全集成的自主可穿戴超声贴片系统(USoP)。该研究设计了一种微型柔性控制电路,与超声换能器阵列接口,用于信号预处理和无线数据通信。机器学习用于跟踪移动的组织目标并协助数据解释。证明了USoP可以连续跟踪深度达164 mm的组织的生理信号。在移动对象上,USoP可以连续监测生理信号,包括中心血压、心率和心输出量,持续时间长达12小时。这一结果使对医疗物联网的深层组织信号的持续自主监测成为可能

研究背景

与x射线计算机断层扫描和磁共振成像等其他医学成像方法相比,超声检查更安全、更便宜、用途更广,然而,超声检查的可及性和准确性面临着一些技术挑战。首先,普通的超声波探头体积庞大,并且与大型控制系统相连,这限制了它们在集中设施中的使用。其次,这些探针需要人工放置和操纵,并且需要受试者必须保持不动。第三,超声数据的解释需要医学专业人员——受过专门培训的专业人员,这是一项劳动密集型工作,而且容易出错。

创新点

该完全集成的 USoP 解决了三个目前存在的问题,并使对深层组织信号的连续监测成为可能。

1)首先,USoP通过无线连接设备和后端处理系统来消除有线连接,从而允许大范围的主体移动。

2)其次,USoP使用基于机器学习的算法来实时自动化数据采集和频道选择。据所知,之前报道的可穿戴设备都不能自主跟踪移动目标。

3)第三,支持深度学习的数据后处理减轻了人类负担并实现了潜在的扩展

研究内容

下面从四部分详细介绍该研究:

1. USoP的设计

2. 生理信号的记录和验证

3.机器学习的自主数据采集和分析

4. 运动期间持续监测

1

USoP的设计

全集成USoP概述

a.包裹在胸腔上的USoP通过胸骨旁窗测量心脏活动的照片。插图显示了一个折叠电路。

b. USoP的设计,包括可伸缩超声波探头、柔性控制电路和电池。超声波探头由压电换能器阵列、蛇形互连和ACF(左上)组成。电路的爆炸视图显示了两个部分:(1)AFE,包括32通道(ch)多路复用器(Mux),发送/接收开关(T/R SW),带可变增益放大器(VGA)和滤波器的接收器,带发送控制器(Tx ctrl)和助推器的脉冲发生器,以及音序器;(2) DAQ模块,包括带有内置模数转换器(ADC)的微控制器单元(MCU)和Wi-Fi芯片。这两个模块通过蛇形电极连接,这使得整个电路可以折叠,以减少占用空间。该电路由商用锂聚合物电池供电。一个智能手机应用程序被设计用来显示来自USoP的数据流。从超声数据中,可以导出并实时显示m型图像和生理信号。智能手机还可以与云服务器进行通信,以进行进一步的数据分析(右下)。

c. USoP的框图,显示模拟脉冲、模拟回波和数字信号的流动。AFE进行脉冲回波传感获取超声波信号,DAQ模块对信号进行采样,并将数据无线传输到终端设备进行处理和显示。

d. 颈动脉(CA)和颈静脉(JV)的b型显像,受试者正在进行Valsalva手法扩张JV(左)。左心室壁搏动模式的m模式成像(右)。HR,心率;BPM,每分钟跳动数;DBP,舒张压;收缩压,收缩压。

2

生理信号的记录和验证

利用USoP监测和分析组织界面运动

a. 7个具有代表性的动态组织界面原理图及测量结果。

b. 从心肌收缩得到生理参数。从室间隔和左室壁的m型波形中,LVIDd和LVIDs可用于推导分数缩短(左)。USoP和商用超声探头测量值的比较(右)。结果是10次独立测量的平均值,误差条表示标准差。

c. 从动脉脉搏波形推导生理参数,包括心率和血压。

d. Bland-Altman图显示USoP和眼压计之间的测量一致性。左:对于心率,观察到的平均差异为每分钟0.013次(bpm),142个数据点中有135个数据点(95.1%)在±1.96 s.d定义的95%一致性范围内。右:对于血压,观察到的平均差异为0.17 mmHg, 280个数据点中有269个数据点(96.1%)在±1.96 s.d定义的95%一致性范围内。

e. 肌漂移推导出呼气容积。同时测量膈移位和呼吸容积显示类似的模式(左)。正常呼吸和强迫呼吸时,呼气量(V)和膈深度(D)均有下降。在两种呼吸状态下,膈肌漂移和呼气量之间存在着很强的线性关系,相关系数(cc)接近100%(右)。

3

机器学习的自主数据采集和分析

运动受试者自主连续血压记录

a. 左:软4mhz线性阵列检测颈动脉的示意图;右: 具有代表性的通道穿透或不穿透颈动脉的m型图像,分别分类为颈动脉(CA)和非颈动脉(nCA)图像。

b. 自动CA检测和脉冲波形生成流程图。

c. 使用USoP在移动对象中进行记录,无论是否使用自主算法。该算法可以可靠地跟踪头部偏航在−80°到+80°范围内的CA位置,对应的CA位移为~19 mm。用于跟踪CA在每个偏航位置的不同换能器通道的预测分数以及由商用超声机收集的相应b模式图像(上图)。通过主动选择最佳通道来跟随CA运动(例如,no. 5, no. 8, no. 16, no. 23 and no. 29),可记录连续脉冲波形(中)。相反,如果没有自动选择算法,固定通道(例如,no. 16)导致运动过程中的信号丢失(下图)。

d. 训练对象记录的2张具有代表性的m型图像(no.1)和一个新的科目(no. 2),显示不同的图像模式(左)。两张CA图像的直方图显示了亮度分布的显著差异(右)。插图,no. 2的白色像素是no. 1的6倍, 表明动脉壁较厚。

e. 最小熵相关对齐模型的工作流程示意图,该模型由两个编码器组成,具有五个卷积(Conv)层和三个全连接(FC)层。利用分类损失和测地线协方差距离损失对训练图像集(源域)和新图像集(目标域)提取的特征进行对齐。

f. 10个被试的模型可推广性验证。分类模型在每个主题上进行训练,并在其余主题上进行验证。在没有领域自适应的情况下,矩阵图对新主题的平均分类准确率仅为63.23%(左)。经过领域自适应后,平均分类准确率提高到96.13%,表明分类模型的泛化程度有所提高(右图)。


4

运动期间持续监测

运动过程中连续监测

a.  USoP测量受试者在不同头部位置(包括(i)向前,(ii)转身,(iii)弯腰和(iv)抬起)时颈动脉脉搏波形时骑车的照片。USoP可以将数据传输到云服务器进行处理,安装在自行车上的智能手机显示结果。惯性测量单元用于记录头部运动。上臂上的自动袖带可获取肱血压水平作为参考。

b. 由惯性测量单元记录的骑车过程中的头部运动。使用USoP同时记录颈动脉血压波形和心率。舒张压和收缩压的最大增幅分别为17mmhg和45mmhg。

c. 头部运动的放大视图,b中(i) – (iv)运动期间记录的血压波形和心率。USoP测量的颈动脉舒张压与袖带测量的臂压吻合良好。由于远端反射较低,USoP测量的颈动脉收缩压比袖带肱部值低约10 mmHg。

d. 循环和HIIT期间的舒张压和收缩压直方图。在循环过程中,舒张压和收缩压的变化分别为20 mmHg和47 mmHg。HIIT期间,舒张压和收缩压的变化分别为38 mmHg和55 mmHg。

e. 骑行和HIIT期间增强指数的变化。在循环期间,AIx首先增加,然后趋于平稳,然后在休息期间恢复(上图)。在HIIT期间,AIx波动与训练-休息周期一致(下图)。值得注意的是,在(ii)和(iv)训练期间,AIx明显更高,表明动脉血管舒张更大。平均增强指数由每分钟50个独立的脉冲波形计算得到。误差条表示记录的增强指数的标准差。

f. 心脏对骑行和HIIT的反应。在这两种运动情况下,中风量都先增加,然后趋于平稳,而心率继续增加。与HIIT相比,骑车增加的每搏量较小。HIIT期间测量的最大心输出量比骑行期间高15.6%。

参考文章:

Lin, M., Zhang, Z., Gao, X. et al. A fully integrated wearable ultrasound system to monitor deep tissues in moving subjects. Nat Biotechnol (2023). https://doi.org/10.1038/s41587-023-01800-0

https://doi.org/10.1038/s41587-023-01800-0

 

▼扫描下方二维码阅读全文

   前期研究:Science:生物粘附超声对不同器官的长期连续成像研究

END

作者 | 刘恒语

编辑 | 张娜

审核 | 医工学人

医工学人简介

医工学人是在医疗科技创新与医工交叉背景下成立的多高校学生学术组织。旨在建立医学、工程学领域研究者的对话渠道,创造交流分享医工交叉前沿技术的优质平台,推动医疗科技创新与医工交叉融合。

目前组织内共有近四百位来自复旦大学、西安交通大学、上海交通大学、清华大学、浙江大学、中国科学技术大学、各高校附属医院等30余所重点高校、医院及科研单位医工学科相关的医生、学生、专家学者等。欢迎志同道合的你加入我们!

<扫码添加社群管理人微信>

本篇文章来源于微信公众号: 医工学人

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注