智能膝关节植入物新突破：摩擦/压电混合传感与机器学习实现无电池监测

原文：Machine Learning-Based Force and Activity Recognition in Total Knee Replacement Using Hybrid Triboelectric/Piezoelectric PVDF Sensors.
期刊：Nano energy（影响因子 16.7） |  PubMed | PMC 全文（含 PDF）

在全膝关节置换（Total Knee Replacement, TKR）手术之后，如何长期、稳定地监测患者关节内部的受力情况，一直是骨科康复与植入物研发领域的重要难题。传统智能植入物往往依赖电池或复杂的植入式电子模块来驱动传感器，这不仅增加了设备体积、手术难度和感染风险，还面临电池寿命有限、需要二次手术更换等问题。因此，学术界和产业界都在寻找一种既能感知关节负荷、又能从人体运动中自取能量的“无电池”解决方案。

近日，一项发表于能源与纳米技术领域顶级期刊 Nano Energy（影响因子 16.7）的研究，为这一方向提供了颇具前景的技术路径。研究团队开发了一种集成于胫骨托盘假体内的混合摩擦电-压电纳米发电机（Triboelectric-Piezoelectric Nanogenerator, TPNG），并借助机器学习算法，实现了对膝关节受力与日常活动的高精度识别。该工作不仅展示了从生理关节负荷中收集能量的可行性，也证明了单一 PVDF（聚偏氟乙烯）传感架构可以同时完成“发电、耐用传感、智能解读”三项任务。

研究背景：为什么智能膝关节需要“自供能”

膝关节是人体最大、受力最复杂的关节之一。在行走、上下楼梯、起坐等活动中，膝关节承受的轴向负荷可达到体重的数倍。对于接受 TKR 的患者而言，假体松动、磨损和异常受力是导致远期失败的主要原因。如果植入物能够持续监测内外侧间室的负荷分布，医生就能更早发现步态异常、假体位置不良或过度使用等问题。

然而，现有传感方案大多需要内置电源或经皮供电，这与植入物小型化、长期稳定工作的临床需求相矛盾。摩擦纳米发电机（TENG）和压电纳米发电机（PENG）的出现，使“从运动中取电”成为可能：前者利用接触-分离起电，后者利用材料形变产生极化电荷。但单一机制往往输出电压有限、耐久性不足，难以直接用于承重关节。

在此背景下，该研究提出将摩擦电与压电效应耦合在同一个多层 Cu/PVDF 换能器中，并布置于模拟胫骨托盘的 TKR 假体包装内，试图同时解决能量收集、力学感知和长期疲劳稳定性问题。

核心发现：六换能器阵列实现高电压输出与超长耐久

研究团队在胫骨托盘假体的内侧和外侧间室共分布了六个多层 Cu/PVDF 换能器。这种设计模仿了真实膝关节假体的承重结构：人体在活动中约 90% 的膝关节负荷通过轴向中心区域传递，因此研究主要评估了传感器在“ predominantly centered axial loading（以中心轴向负荷为主）”条件下的性能。

实验结果显示，将摩擦电的接触-分离机制与堆叠结构的压电响应相耦合，显著提高了峰峰值电压输出。更重要的是，在约 350,000 次步态循环之后，这些换能器仍保留了初始峰峰值输出的 92.4%。对于需要长期植入的膝关节假体而言，这一疲劳耐受数据具有关键意义：它意味着传感层不会在数年正常使用中迅速退化。

在能量收集方面，研究使用一个全波整流器统一处理六个换能器的输出，成功将一个 0.22 μF 的电容充电至 68.1 V，对应存储能量为 509.9 μJ。作为演示，该能量足以驱动一个由 168 个 LED 组成的阵列。虽然这一电量尚不能直接支持复杂无线通信，但它明确证明了：生理性的关节负荷可以通过混合纳米发电机转化为可用的电能，为未来低功耗传感电路供电提供了原理验证。

方法亮点：机器学习让电压信号“读懂”步态与受力

如果说自供能传感解决了“有没有电”的问题，那么机器学习则解决了“信号怎么变成临床信息”的问题。研究团队进一步整合了深度学习算法，用于力和活动识别。

在数据设计上，他们为八种活动分别采集了五次独立的、每次 120 个周期的 recordings，并采用“recording-level data separation（按记录级别分离数据）”的方式划分训练集与测试集。这种做法更接近真实场景：模型必须在从未见过的完整记录上表现良好，而不是仅在同一段数据内部随机切分。

结果显示，采用 CNN-BiLSTM（卷积神经网络与双向长短期记忆网络结合）分类器，在保留的独立记录上对八种活动的识别准确率达到 99.7%。这一高精度说明，来自 PVDF 换能器的电压时序信号中包含了丰富的步态特征，能够被算法稳定区分。

更有意思的是，另一个独立的 CNN-BiLSTM 模型还完成了概念验证：仅根据 PVDF 电压信号，重建了“未见患者（unseen patient）”的轴向力曲线。这意味着该系统不仅知道“患者在做什么动作”，还能进一步推断“膝关节承受了多大的力”，为术后个性化康复评估提供了可能。

技术细节中的创新逻辑

• 混合机制而非单一机制：摩擦电负责接触-分离过程中的电荷转移，压电负责材料应变下的极化响应；二者叠加提升了输出，而不是简单替代。
• 解剖式布置：六个换能器分布于内外侧间室，贴合胫骨托盘结构，使传感更接近真实假体受力环境。
• 严格的数据分离：以“记录”为单位划分训练/测试数据，避免了周期级随机划分带来的信息泄漏，使 99.7% 的准确率更具说服力。
• 从分类到回归：不仅做活动分类，还尝试从电压重建连续轴向力波形，扩展了临床可用信息维度。

应用意义：通往无电池智能关节植入物的路径

这项研究的价值并不局限于某一个器件或算法，而在于它把三个原本分散的环节——能量采集、耐用传感、智能解读——整合进同一个基于 PVDF 的架构中。对科研而言，它展示了混合纳米发电机在承重植入物中的可行性；对临床而言，它指向了未来“无电池智能关节假体”的雏形。

研究结论指出：这些结果共同确立了一种多功能 PVDF 基传感架构，将能量收集、抗疲劳转换以及习得的生物力学解释结合在单一设备中，为无电池智能关节植入物提供了路径。

当然，从当前原型到真正临床使用仍有距离。例如，研究主要评估了中心轴向负荷条件，而真实步态包含扭转、侧向剪切等更复杂成分；509.9 μJ 的存储能量也还需配合超低功耗电路才能完成无线传输。但不可否认的是，该工作已经把“自供能+自感知+机器学习”的智能膝关节从概念推进到了更具体的实验验证阶段。

对于生物医学工程、骨科康复和纳米能源领域的研究者来说，这项发表于 Nano Energy 的成果提供了一个清晰的信号：下一代智能植入物未必依赖更大的电池，而可能来自更巧妙的材料耦合与算法解读。

本文图片转载自 PMC 开放获取全文，仅供学习参考，请以原文为准。