西安电子科技大学郝跃院士团队研发出可识别疾病的鞋垫

有一种鞋垫，能判断出用它的人可能患有的某种疾病。

这是由西安电子科技大学郝跃院士团队研发的具有AI增强力学诊断功能的能量自主仿生鞋垫。它对12种病理步态的综合识别准确率达97.6%，有望成为下肢功能障碍性疾病早期筛查、康复监测和健康管理的全新无感监测工具。

能量自主仿生鞋垫示意，配合AI增强机械诊断，实现持续步态监测。（A）从螳螂腿中感受到灵感。（B） 制造工艺及介电层特征的示意图。（C）设计中的电容压力传感器用于梯度压力感测的感应机制。（D）PSC器件和钙钛矿晶体结构的示意图和SEM图像。（E）感知-电源-人工智能诊断智能鞋垫的示意图示，用于步态监测

其实，作为一种可穿戴设备，类似功能的鞋垫已被应用于步态分析，但受到传感精度不足、续航能力弱、数据分析能力有限等限制，难以满足临床精准监测的需求。

如何让传感器既灵敏又耐用？科研团队盯上了一种生物——螳螂。

螳螂在捕食时，腿部需要感知猎物的微弱动静，也要承受自身快速移动的冲击。这种分级机械传感结构给了研究人员重要启发。

经过不懈研究、试验，团队设计出一种“双微结构电容传感器”。这种传感器既能敏锐捕捉到如羽毛轻触般的微弱压力，又能承受剧烈运动时的高强度冲击。这意味着，无论是静态站立时足底的细微压力分布，还是奔跑跳跃时的瞬间冲击，传感器都能精准捕捉。

更令人惊叹的是其耐用性。经过1.2万次循环加载测试，该传感器的性能依然稳定，无显著衰减。这种优异的机械稳定性确保了在长期使用中，数据采集的可靠性，为精准采集足底压力数据奠定了硬件基础。

图2.压力传感器的特性分析：（A）泡沫结构的扫描电镜图和放大视图；（B）微金字塔结构的扫描电镜图和放大视图；（C）微结构传感器的灵敏度测试曲线；（D）最低检测限测试数据；（E）在三种不同压力水平下的响应和恢复时间；（F）压力传感器在循环压缩12,000周期的稳定性曲线；（G）传感器灵敏度、最低检测限和工作范围与已有文献报道的参数比较。

为了让设备摆脱频繁充电的束缚，团队在鞋垫中集成了纳米钙钛矿太阳能电池与高容量锂硫电池，构建微型能源系统，实现了穿着者迈步于户外或有光线的环境下时，鞋垫就能通过太阳能为自己“充电”。而在无光条件下，内置的高容量锂硫电池可保证持续8小时以上供电。

这种能量自主的运行模式，打破了传统可穿戴设备对频繁充电的依赖，为实现长期连续的步态监测提供了可能。经测试，无论是日常生活，还是连续的康复跟踪，设备都能稳定工作，持续采集数据。

光电充电电源系统的特性分析。（A）闭环电源的工作原理，使用PSC发电，Li-S电池供储存。（b） 4个PSC串联连接的J–V曲线。（C）Li-S电池在充电（PSC或直流）和放电过程中的电压分布

硬件采集的海量数据，最终需要智慧的“大脑”来解读。鞋垫通过16个通道无线模块，实时传输足底各区域的压力变化数据。时空压力数据被送入嵌入的人工智能算法中进行深度分析。经过训练和优化，智能系统展现出强大的诊断能力——对足弓异常的识别准确率达96.0%；对12种病理步态模式的综合分类准确率达97.6%。

“这相当于为医疗人员配备了一位不知疲倦、客观精准的步态分析助手。”团队成员李向宁副教授解释，无论是帕金森病患者的慌张步态，还是脑卒中患者的偏瘫步态，系统都能敏锐地捕捉变化，为疾病诊断、病情评估和康复效果跟踪提供客观的量化数据支撑。这种基于长时间、真实场景数据的分析，比传统诊室内短暂观察更具参考价值。

AI辅助的足弓疾病和步态识别。（A）足底压力分布条形图及用于分类正常、高弓和扁平足的随机森林算法。（B）用于识别足弓疾病的混淆矩阵结果。（C）随机森林的训练与验证精度。（D）足弓疾病聚类数据的t-SNE可视化。（E）12种步态类型16通道动态数据的地图及1D-CNN框架。（F）识别12步态的混淆矩阵结果。（G）1D-CNN框架的训练与验证精度。（H）步态聚类数据的t-SNE可视化

“该研究通过仿生高分辨率传感、可持续能源供给与智能力学诊断3项核心技术突破，构建了一个闭环可穿戴监测平台。”常晶晶说。

前沿的创新技术最终还要服务于临床需求。团队成员李迎春介绍，该可穿戴监测平台已经完成临床验证，且结果显示其在实际应用场景中能够稳定运行，采集的数据与临床评估具有良好的一致性。

团队成员介绍，这套系统在未来拥有广阔的应用空间。在疾病早期筛查方面，它可以用于社区体检或家庭日常监测，帮助发现潜在的足部结构异常或神经肌肉问题，推动疾病防治关口前移；在个性化康复治疗中，医生可根据鞋垫反馈的实时数据，客观评估康复进展，为患者动态调整康复训练方案；在远程健康管理领域，患者的日常步态数据可同步至云端平台，方便医生进行远程随访和健康干预，尤其适合老年人和慢性病患者的长期管理。