圖1. 機器學習輔助軟體電子。
由于能夠反映人體的健康狀況，各種生理信號被廣泛地應用于疾病的診斷與預防。然而，受到檢測時間和場合的限制，短期檢測具有很大的不確定性。因此，長時間實時的生理信號監測顯得尤為重要。
長期以來，受硬質基底、非應變、低生物相容性等限制，傳統的剛性傳感器并不適用于大應變、粗糙表面的場景。其剛性形態使其不僅極大地影響佩戴體驗，而且無法與皮膚緊密貼合，導致實際測量中信號會引入不少偽影、噪音甚至淹沒原始生理信號。而軟體電子的出現能夠解決這一問題，基于軟體電子與皮膚相近的楊氏模量以及超薄可拉伸等特性，其與皮膚之間可以形成良好的界面，從而獲得高質量生理信號。同時，高的人體相容性使得信號監測過程不會影響人們的日常生活，從而提高佩戴舒適度與用戶體驗，進而拓展了信號數據庫的規模。大規模高質量的數據庫對于提高機器學習算法的表現至關重要。另一方面，機器學習算法能夠賦予軟體電子器件“思考”的能力，使之不僅可以監測信號，而且可以診斷信號。因此軟體電子與機器學習是相輔相成的關系。過去二十年間，各種新型材料的發現與應用為軟體電子提供了高速發展的基礎。軟體電子的發展為各種數據集的建立、擴展、完善提供可靠的來源。同時，由于機器學習算法以及GPU硬件的快速發展，使機器學習在計算機視覺以及自然語言處理等領域爆發式增長。因此軟體電子與機器學習的結合也就順理成章，近幾年來，科研工作者已經在這個交叉學科領域進行了廣泛的研究。
綜上所述，軟體電子與機器學習相輔相成，相關領域已經取得了豐富的成果。因此中山大學生物醫學工程學院周建華/喬彥聰團隊與清華大學集成電路學院任天令團隊對該領域進行詳細分析與總結，在國際著名期刊Nano-Micro Letters上發表題目為“Soft Electronics for Health Monitoring Assisted by Machine Learning”的綜述論文，全文共86頁，4萬余詞。本文第一作者兼共同通訊作者為中山大學喬彥聰助理教授，中山大學周建華教授與清華大學任天令教授為通訊作者。該工作得到了國家自然基金重點項目與青年項目，科技部項目，廣東省自然科學基金項目，深圳市優秀科技創新人才培養項目以及廣東省傳感技術與生物醫療儀器重點實驗室的支持。本文詳細介紹了各種新型軟體電子材料，隨后回顧了基于這些軟體電子器件檢測的生理信號，并重點回顧了機器學習的各種算法在軟體電子的應用。最后討論了機器學習輔助的軟體電子系統的展望、挑戰和總結。
綜述要點：
1. 介紹了用于健康監測的機器學習輔助軟體電子，并依次討論了軟體電子材料、生理信號、機器學習算法以及它們之間的關系；
2. 通過在軟體電子應用中的代表性例子，闡釋并總結了經典機器學習算法和神經網絡算法的原理；
3. 概述了機器學習輔助軟體電子在健康監測領域的潛在挑戰，展望了未來研究方向。
圖2.石墨烯基軟體電子的微結構和制備過程。
圖3.用于脈搏和呼吸的軟體傳感器。
圖6.卷積神經網絡、循環神經網絡和脈沖神經網絡的示意圖。
最后，文章列舉了目前軟體電子與機器學習領域仍待克服的挑戰。在傳感材料方面，重復性和良品率有待提升；軟體材料的生物相容性以及其與皮膚或排泄物的相互影響也需要綜合考慮。另外，在封裝材料方面，大多仍然是基于高密度聚合物如PDMS和Ecoflex等，透氣性、透水性不佳，限制了皮膚的新陳代謝。為了實現軟體系統，電路和其他部分也有待發展為軟體形態。
對于軟體電子與算法結合方面，作者在軟硬件方面都提出了進一步優化的方案。在軟體件方面，建立更多符合標準的軟體電子器件采集的信號數據庫，避免冗余工作并提供一個標準去判斷器件和算法的表現；生理信號的測試方法也需要標準化；提出更符合軟體電子器件的算法以進一步擴展機器學習在軟體電子領域的應用；通過物理信號和化學信號相結合，挖掘更多生理信息；充分發揮Yolo、Faster R-CNN、transformer等新型神經網絡的強大功能并與軟體電子結合。在硬件方面，實現軟體集成電路，增加軟體系統中計算單元密度，實現大規模算法的原位運行；研究先進的軟體材料與制備工藝，實現更強大的軟體系統。
論文鏈接：https://link.springer.com/article/10.1007/s40820-023-01029-1
