由于能够反映人体的健康状况，长时间实时的生理信号监测被广泛地应用于疾病的诊断与预防。然而，受硬质基底、非应变、低生物相容性等限制，传统的刚性传感器并不适用于大应变、粗糙表面的场景。其刚性形态不仅极大地影响佩戴体验，而且无法与皮肤紧密贴合，导致实际测量的信号引入不少伪影、噪音甚至淹没原始生理信号。而软体电子的出现能够解决这一问题，基于与皮肤相近的杨氏模量以及超薄可拉伸等特性，其与皮肤之间可以形成良好的界面，从而获得高质量生理信号。同时，高的人体相容性使得信号监测过程不会影响人们的日常生活，从而提高佩戴舒适度与用户体验，进而拓展了信号数据库的规模。大规模高质量的数据库对于提高机器学习算法的表现至关重要。另一方面，机器学习算法也能够赋予软体电子器件“思考”的能力，使之不仅可以监测信号，而且可以诊断信号。因此软体电子与机器学习是相辅相成的关系。

1. 介绍了机器学习辅助下用于健康监测的软体电子，并依次讨论了软体电子材料、生理信号、机器学习算法以及它们之间的关系。

2. 通过列举在软体电子应用中的代表性例子，阐释并总结了经典机器学习算法和神经网络算法的原理。

3. 概述了机器学习辅助软体电子在健康监测领域的潜在挑战，展望了未来研究方向。

过去二十年间，各种新型材料的发现与应用为软体电子提供了高速发展的基础。软体电子的发展为各种数据集的建立、扩展、完善提供可靠的来源。同时，由于机器学习算法以及GPU硬件的快速发展，使机器学习在计算机视觉以及自然语言处理等领域爆发式增长。因此软体电子与机器学习的结合也就顺理成章，近几年来，科研工作者已经在这个交叉学科领域进行了广泛的研究。中山大学周建华乔彦聪课题组&清华大学任天令课题组在本文中详细介绍了各种新型软体电子材料，随后回顾了基于这些软体电子器件检测的生理信号，并重点回顾了机器学习的各种算法在软体电子中的应用。最后讨论了机器学习辅助的软体电子系统研究的展望、挑战和总结。

I 软体纳米材料

软体电子材料经常在弯曲和伸展环境下工作，所以需要经受大应变而不损坏，也要与人体形成良好的界面。在此要求下，需要通过设计材料结构、厚度、形貌、生物兼容性等多个参数，保证其在各种可能出现的环境下能够正常工作。本文首先介绍了应用于软体电子领域的各种纳米材料，包括碳纳米管、石墨烯、MXene、银纳米线、水凝胶、纳米织物以及液态金属。其中，石墨烯是软体电子材料领域的代表性材料。图1(a)-(d)是石墨烯的常用制备工艺，即化学气相沉积法和激光直写法。图1(e)(f)分别为激光诱导石墨烯(LIG)的扫描电镜图(SEM)。图1(g)-(k)是石墨烯的不同结构图，表明其可以制备成多种不同形状。图1(l)(m)展现了石墨烯具有的超高表面积，因而可以用作化学传感器。

图1. 石墨烯基软体电子的微结构和制备过程。(a)-(c)化学气相沉积法制备石墨烯；(d)激光直写法制备石墨烯；(e) LIG表面和(f)横截面SEM；(g)纸基还原氧化石墨烯；(h)织物状石墨烯；(i)随机分布的自旋粒微结构石墨烯；(j)堆叠结构石墨烯薄片；(k)多孔石墨烯网络；(l) PBS中的氧化石墨烯示意图；(m)还原氧化石墨烯/AuNPs复合材料SEM。

II 用于不同生理信号检测的可穿戴器件

人体在日常生活中会产生多种生理信号，文中详细介绍了软体电子用于监测脉搏、呼吸、人体运动、眼内压、发声、触觉、心音、脑电、心电、肌电、眼电等各种生理信号。针对以上信号的不同特点以及微弱、易受干扰、伪影及噪音多等通性，需要设计不同性能要求的软体电子器件。以呼吸和脉搏信号的检测为例，图2(a)(b)分别展示了用于脉搏波检测的压阻式传感器和压容式传感器，为了将微弱脉搏波信号放大，可以使用压力偏置的方法。图2(c)(f)分别基于湿度和温度实现呼吸信号检测。图2(d)-(f)所示，通过呼吸传感器，可以检测出各种呼吸模式比如快速、正常、深呼吸以及口鼻呼吸，也可以检测呼吸时撅嘴和抿嘴等嘴唇动作。

图2. 用于脉搏和呼吸的软体传感器。(a)在不同动脉处收集的血压波形；(b)无线传输的双层线圈和环绕动脉的袖型脉搏波传感器；(c)放置在医疗呼吸口罩内的湿度传感器；(d)和(e)不同呼吸模式下的电阻响应；(f)放置在上唇的呼吸传感器。

III 机器学习辅助软体电子

软体电子发展大大提高了生理信号数据库的数据量和质量，从而进一步优化了机器学习算法的表现。其中，经典算法以及神经网络算法都在其中扮演了重要角色。结合软体电子实例，本文首先讨论了降维算法包括主成分分析(PCA)、线性判别分析(LCA)、傅里叶变换和小波变换。如图3(a)，经过PCA，可以找到一组来自原始空间的正交坐标轴。图3(b)-(d)展示了一种使用PCA进行手势分类的可穿戴表面肌生物传感系统，监测肌肉活动以反映手势。对由五个特征向量组成的分类窗口以及从单自由度手势试验中投影的时空超向量进行PCA。图3(c)上面两个主成分显示了不同手势的一般聚类。

经典的机器学习分类算法包括高斯朴素贝叶斯(GNB)、支持向量机(SWM)、动态时间校正(DTW)、kNN、K-Means和决策树等。如图4(a)，GNB假设每个参数满足高斯分布，对输出变量具有独立的预测能力。计算因变量划分到每一组的概率，将所有参数组合后划分为概率较高的类别。图4(b)展示了一个由多个有机磁场效应晶体管(OFETs)组成的软体电子鼻传感器阵列。图4(c)(d)所示的是在“原生软体处理引擎”(NFPE)中实现的“单变量贝叶斯特征投票分类器”(UB-FVC)，用于汗味分类。

图4. 软体系统检测并用高斯朴素贝叶斯处理信号。(a) GNB示意图；(b)一个单个OFET传感器和一个包含8个OFET传感器的电子鼻传感器阵列的示意图；(c) UB-FVC推理阶段的微架构；(d)实现UB-FVC微架构的NFPE显微图。

由于易于构建和功能强大的特点，神经网络算法也迅速得到了广泛的研究。文中详细回顾了全连接神经网络(FNN)、卷积神经网络(CNN)、循环神经网络(RNN)和脉冲神经网络(SNN)在软体系统中的应用，它们的示意图见图5。 

图5. 常用的神经网络示意图。(a)全连接神经网络；(b)卷积神经网络；(c)循环神经网络。

最后，文章列举了目前软体电子与机器学习领域仍待克服的挑战。在材料方面，包括提升传感材料的重复性和良品率、软体材料的生物相容性、封装材料的透气性、透水性，以及为了实现软体系统，电路和其他部分也有待发展为软体形态。对于软体电子与算法结合，作者在软硬件方面都提出了进一步优化的方案。在软件方面，建立更多标准的软体电子器件采集的信号数据库，实现生理信号测试方法的标准化，探究更符合软体电子器件的算法，使物理信号和化学信号相结合，充分发挥Yolo、Faster R-CNN、Transformer等新型神经网络的强大功能；在硬件方面，实现软体集成电路，增加软体系统中计算单元密度，实现大规模算法的原位运行，研究先进的软体材料与制备工艺。

作者简介

Nano-Micro Letters《纳微快报(英文)》是上海交通大学主办、在Springer Nature开放获取(open-access)出版的学术期刊，主要报道纳米/微米尺度相关的高水平文章(research article, review, communication, perspective, highlight, etc)，包括微纳米材料与结构的合成表征与性能及其在能源、催化、环境、传感、电磁波吸收与屏蔽、生物医学等领域的应用研究。已被SCI、EI、PubMed、SCOPUS等数据库收录，2021JCR影响因子为 23.655，学科排名Q1区前5%，中科院期刊分区1区TOP期刊。多次荣获“中国最具国际影响力学术期刊”、“中国高校杰出科技期刊”、“上海市精品科技期刊”等荣誉，2021年荣获“中国出版政府奖期刊奖提名奖”。欢迎关注和投稿。

Web: https://springer.com/40820

E-mail: editor@nmlett.org

Tel: 021-34207624