可穿戴传感器使用超声波随时随地提供心脏成像

领导该项目的加州大学圣地亚哥分校纳米工程教授 Sheng Xu 说，目标是让更多的人更容易获得超声波。目前，超声心动图 - 心脏超声检查 - 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旅途中使用超声成像，”徐说。

得益于定制的 AI 算法，该设备能够测量心脏泵出的血液量。这很重要，因为心脏泵血不足是大多数心血管疾病的根源。心脏功能问题通常只有在身体运动时才会出现。

这项工作在 1 月 25 日的期刊中有所描述 自然.

心脏成像是评估长期心脏健康、检测出现的问题和护理危重病人的重要临床工具。这种全新的可穿戴式非侵入式人体心脏监测器可实时、自动地了解难以捕捉的心脏泵血活动，即使在人正在锻炼时也是如此。

可穿戴心脏监测系统使用超声波从不同角度连续捕获心脏四个腔室的图像，并使用定制的 AI 技术实时分析临床相关的图像子集。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取得的进展之上。

“心脏病风险的增加需要更先进和更具包容性的监测程序，”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有望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的采样能力有限，提供的数据也有限。 Xu 团队开发的可穿戴技术可实现安全、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，并克服了 CT 和 PET 等无创技术的一些局限性，这些技术可能会使患者受到辐射，”加州大学圣地亚哥分校 Xu 小组的博士生 Hao Huang 说。

传感器的独特设计使其成为运动物体的理想选择。加州大学圣地亚哥分校 Xu 小组的博士后研究员 Xiaoxiang Gao 说：“该设备可以贴在胸部，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，并且由于生活方式因素，在年轻人中也变得越来越普遍。心脏病的征兆是短暂且不可预测的，因此很难发现。这增加了对更先进、包容性、非侵入性和成本效益的监测技术的需求，例如长期心脏成像，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进行筛查和诊断的最强大工具之一。 “心脏会经历各种不同的病理，”加州大学圣地亚哥分校 Xu 实验室的博士后研究员 Hongjie Hu 说。 “心脏成像将揭示背后的真实故事。无论是心腔强烈但正常的收缩导致容积波动，还是紧急出现心脏形态问题，心脏的实时影像监测都将事情的全貌、细节和视觉效果说得淋漓尽致。 ”

它是如何工作的

新系统通过像人体皮肤一样柔软的可穿戴贴片收集信息，专为实现最佳贴合性而设计。贴片尺寸为 1.9 厘米（长）x 2.2 厘米（宽）x 0.09 厘米（长），大约是一张邮票的大小。它发送和接收超声波，这些超声波用于实时生成恒定的心脏结构图像流。这种超声波贴片柔软且有弹性，即使在运动时也能很好地贴合人体皮肤。

该系统可以使用超声波在单独的双平面视图中检查心脏的左心室，生成比以前可用的更多临床有用图像。作为一个用例，该团队展示了运动期间的心脏成像，这在临床环境中使用的刚性、笨重的设备是不可能的。

心脏的性能由三个因素表征：每搏输出量（心脏每次搏动泵出的血液量）、射血分数（每次搏动从心脏左心室泵出的血液百分比）和心输出量（心脏每分钟泵出的血量）。

Xu 的团队开发了一种算法来促进连续的、AI 辅助的自动处理。

“深度学习模型自动从连续图像记录中分割出左心室的形状，逐帧提取其体积并产生波形来测量每搏输出量、心输出量和射血分数，”硕士生 Mohan Li 说。加州大学圣地亚哥分校的 Xu 小组。

“具体来说，AI 组件涉及图像分割的深度学习模型、心脏体积计算算法和数据插补算法，”加州大学圣地亚哥分校徐组的硕士生 Ruixiang Qi 说。 “我们使用这种机器学习模型根据左心室分割的形状和面积来计算心脏体积。成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身体状态下提供准确和连续的关键心脏指标波形，包括静态和运动后，这是以前从未实现过的。”

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

为了创建平台，团队面临一些技术挑战，需要谨慎决策。为了生产可穿戴设备本身，研究人员使用压电 1-3 复合材料与 Ag-环氧树脂背衬粘合作为超声成像仪中换能器的材料，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，他们通过宽波束复合传输取得了优异的效果。他们还从九种流行的基于机器学习的图像分割模型中选择，登陆 FCN-32，实现了尽可能高的精度。

在目前的迭代中，补丁通过电缆连接到电脑，电脑可以在补丁开启时自动下载数据。该团队已经为补丁开发了无线电路，将在即将出版的出版物中介绍。

下一步

Xu 计划通过 Softsonics 将这项技术商业化，Softsonics 是他与工程师 Shu Xiang 共同创立的从加州大学圣地亚哥分校分拆出来的公司。他还鼓励他的科学界的其他人跟随他的领导，在这项研究中值得进一步探索的领域开展工作。

为了跟进这些结果，Xu 建议立即采取四个后续步骤：

• B 模式成像，允许涉及不同器官的更多诊断能力
• 软成像仪的设计，使研究人员能够制造同时覆盖多个位置的大型换能器探头
• 为软成像仪提供动力的后端系统的小型化
• 致力于适合更多学科的通用机器学习模型

这项工作得到了美国国立卫生研究院 (1R21EB025521-01、1R21EB027303-01A1、3R21EB027303-02S1 和 1R01EB033464-01) 的支持。