加州大学洛杉矶分校：研发自供电磁弹性传感口罩，突破呼吸监测难题！

呼吸监测是评估人体健康状况的关键手段，能早期预警感染、心衰、慢阻肺等疾病。然而，传统呼吸传感技术面临两大挑战：人体呼出气体相对湿度近100%，水汽会干扰压电、电容、摩擦电等传感机制的性能，而增加防水封装层又会降低灵敏度并影响佩戴舒适性；此外，依赖外部电池供电的传感器存在寿命短、发热及化学污染等问题，制约了可穿戴设备的长期应用。

加州大学洛杉矶分校陈军教授团队开发出一种集成于口罩的自供电磁弹性传感器网络，通过巨磁弹性效应将呼吸气流转化为电信号。单个传感器仅重3.2克，信噪比超过35分贝，响应时间低至80毫秒，可精准捕捉慢呼吸、快呼吸、咳嗽和喷嚏等模式。结合机器学习算法，该系统呼吸模式分类准确率达94.03%，并通过定制化手机应用实现实时诊断与医疗数据共享，为物联网时代的个性化呼吸管理提供新方案。

系统设计与工作原理

研究团队在口罩内表面部署了四个柔性磁弹性传感器，构成空间监测网络（图1b）。每个传感器采用双层结构：磁机械耦合层（MC层）由含钕铁硼纳米磁体的柔性复合材料构成，磁感应层（MI层）为方形铜线圈（图1c）。当呼出气流压迫MC层时，其内部微磁体链结构发生形变（图1d），引发磁通密度变化（图1f），通过电磁感应原理在铜线圈中生成电流。这种基于波动链模型的巨磁弹性效应（图1e），使传感器兼具高灵敏度和本征防水特性。整个系统集成了信号处理单元、蓝牙模块及机器学习算法，实现呼吸信号的无线采集与实时分析（图1g）。

图1：用于可穿戴呼吸监测的口罩磁弹性传感器网络概览 (a) 磁弹性传感器网络附着于口罩的工作机制示意图 (b) 口罩磁弹性传感器网络结构设计 (c) 柔性磁弹性传感器结构 (d) 呼气时柔性磁弹性传感器结构变化示意图 (e) 展示软物质中巨磁弹性效应的波动链模型 (f) MC层压缩/未压缩状态下的磁通密度分布图（比例尺：0.5 cm） (g) 机器学习辅助呼吸传感与监测系统示意图

传感器性能优化

通过力学模拟发现，传感器在单点受压时（如角落加载，图2a）比中心均匀加载（图2c）产生更显著的磁通密度不对称变化（图2b,d），灵敏度提升约40%。团队进一步优化MC层：当微磁体浓度达70%时，磁通密度变化达12.2毫特斯拉（图2e），同时材料断裂伸长率超550%（图2f），兼顾机械柔性与信号强度。选用20匝铜线圈的MI层后（图2g），传感器输出电压/电流随压力线性增长（图2h,i），在6千帕压力下经历5000次循环后信号稳定性仍超95%（图2j）。

图2：单柔性磁弹性传感器的灵敏度、机械响应及稳定性特征 (a) 传感器单角受力时的模拟应力分布 (b) 传感器单角受力时的模拟磁通密度分布 (c) 传感器中心受力时的模拟应力分布 (d) 传感器中心受力时的模拟磁通密度分布 (e) 不同微磁体浓度下的磁弹性响应（随压力变化的磁通密度） (f) 不同微磁体浓度MC层的应力-应变曲线 (g) 不同匝数柔性线圈在压缩应力下的电流输出 (h) 不同压缩应力下的开路电压（VOC） (i) 不同压缩应力下的短路电流（ISC） (j) 柔性磁弹性传感器5000次循环稳定性测试

呼吸监测实战表现

多物理场模拟显示，口罩在呼吸压力下呈中心梯度形变（图3a,b），因此传感器网络布局于口罩内表面四角。测试中，传感器在1-5赫兹频率范围内输出电流随频率上升而增强（图3c），响应时间在3赫兹时缩短至80毫秒，信噪比达35分贝（图3d,e）。在湿润环境下，电流峰峰值仅波动4%（图3f,g），验证其防水可靠性。实际应用中，网络成功区分慢呼吸（低频长波）、快呼吸（高频短波）、咳嗽（单峰高幅）和喷嚏（双峰脉冲）四种模式（图3h），并量化了口罩内呼吸压力的空间不对称分布（图3i）。

图3：柔性磁弹性传感器连续呼吸监测特性 (a) 呼吸冲击力与口罩内部压力分布的模拟（用于优化传感器布局） (b) 呼吸压力与口罩形变的三维模拟（用于传感器布局优化） (c) 不同频率下传感器信号波形 (d) 响应时间随应力频率的变化关系 (e) 信噪比随应力频率的变化关系 (f) 快速呼吸时干/湿环境下的信号波形对比 (g) 干/湿环境输出电流水平对比 (h) 传感器采集的四种呼吸模式波形（左下位置）：慢呼吸、快呼吸、咳嗽、喷嚏 (i) 四种呼吸模式在口罩四个位置（左下、左上、右下、右上）的信号幅度差异

智能诊断与系统集成

基于支持向量机（SVM）的机器学习算法对1000余组呼吸信号进行训练（图4a），在四类呼吸模式识别中整体准确率达94.03%（图4b）。该系统还能以97.33%准确率分类呼吸频率，以86.66%准确率识别压力强度（图4c,d）。集成定制手机应用"Breathing Smart Manager"后（图4f），用户行走、奔跑时的呼吸状态可实时可视化（图4e），数据同步云端并支持一键分享至医疗端。

图4：机器学习辅助口罩磁弹性传感器网络的实用呼吸监测 (a) 呼吸模式分类的机器学习流程：数据预处理→特征提取→模型训练→评估 (b) 四类呼吸模式在训练集/测试集的准确率分布 (c) 五类呼吸频率识别的混淆矩阵 (d) 十类呼吸压力强度的混淆矩阵 (e) 运动场景下的呼吸监测示例：1-行走（慢呼吸） 2-奔跑（快呼吸） 3-咳嗽 4-喷嚏（图中人物为第一作者） (f) 移动呼吸监测系统：用户界面实时显示波形与结果

总结与展望

该研究首创的口罩集成磁弹性传感网络，攻克了传统呼吸监测技术面临的水汽干扰、舒适度不足与外部供能限制三大瓶颈。其自供电特性、94%的AI识别精度及轻量化设计（单传感器3.2克），为居家远程医疗和临床连续监测提供了可扩展的解决方案。未来，这项技术有望成为物联网健康管理的核心组件，推动呼吸系统疾病的个性化防控。

审核编辑 黄宇