医院里的监护设备往往连着各种电线,贴在皮肤上的胶带撕下来时有时会扯痛皮肤。对刚做完手术的婴儿和儿童来说,这种体验尤其糟糕。新加坡国立大学助理教授吴昌盛早年在儿科脑氧合监测和皮瓣移植术后监测工作中,对传统医用胶带的劣势印象深刻:黏附过强容易损伤娇嫩皮肤,遇到体液又容易失效,有时医生为了固定探针只好动用缝合。
![]()
这些临床困境指向同一个问题:传感器能否可靠使用,很大程度上取决于它怎样接触组织,以及监测结束后怎样被安全移除。吴昌盛的科研轨迹由此展开——从博士期间探索面向可持续发展的能源技术,到博士后期间被临床中婴儿娇嫩的皮肤触动,再到如今聚焦“自适应生物电子”。今年,他因这一领域的成果入选《麻省理工科技评论》2026 年度“35 岁以下科技创新 35 人”(TR35)亚太区名单。
让界面自己“松手”
围绕响应型水凝胶生物界面,吴昌盛团队与华中科技大学吴豪教授团队展开了一系列合作。面向皮瓣术后血液循环监测,他们开发了可打印的热响应水凝胶界面,让器件在监测时稳定贴合皮肤,结束后通过温度调节降低黏附,实现温和移除。
在此基础上,团队把研究拓展到湿滑、柔软的脑组织表面,开发了带有热响应微球的水凝胶生物界面。这种材料可以吸收脑表面的液体,帮助柔软的界面和皮层紧密贴合;当手术监测结束需要移除器件时,通过受控加热触发微球相变和脱水,界面黏附强度大幅降低,医生便能进行温和剥离。
目前,这套集成了接触压力与神经电信号监测的系统,已经在兔脑肿瘤切除模型中完成验证,用于提供实时的操作力反馈,并评估压力相关的神经损伤。贴合、测量与移除被一同纳入设计考量,让材料本身的响应能力去适应复杂的临床需求。
把导线剪掉,把成本压下来
对需要长期监测的患者来说,身上的导线不仅限制活动,也可能增加日常生活和照护的负担。吴昌盛及合作者开发了用于儿童脑血流动力学监测的无线近红外光谱设备。儿童天性好动,身体活动容易导致信号产生运动伪影,团队从器件与皮肤的接触入手,把设备做得更轻、更柔软,帮助维持稳定的光学接触,同时通过无线化减少导线牵拉带来的干扰。数据处理环节还可以结合多波长及不同探测距离的信息进行交叉参考,识别并标记明显受干扰的信号片段。
评价一套儿童监测系统,不只看测量精度,还要看孩子在日常活动中,系统究竟有多少时间能提供可信数据。因此设备需要在真实护理流程中,接受医护人员在准确性、有效监测时间以及误报情况等方面的评估。成本同样是持续监测的现实门槛:传统有线监测系统主机价格高昂,配套的一次性贴片一般按日更换;该团队的无线微型设备成本被压缩到只有几百美元的量级,并且可以在同一位患者身上重复使用。
这种探索也延伸到精神与心理健康领域。据该团队在精神科等领域的合作经验,一次在医院进行的近红外光谱量化评估测试只需要十到十五分钟。从医院单次评估走向居家定期监测和长期追踪,则对设备提出更全面的要求:控制成本之外,还要考虑贴片反复使用的可靠性、不同测试环境下的数据一致性,以及配套软件是否足够方便,让患者、家长和医护人员能轻松上手。
向猪笼草和软体机器人借思路
从柔软的人体组织,到植物表面的微量液体,再到机器人运动中的反复变形,吴昌盛面对的是一个共同问题:材料与系统怎样适应复杂的真实环境。植物吐水的液滴包含植物内部的化学信息,但吐水量很小、又容易蒸发,如何及时收集并监测是首先要解决的难题。团队把猪笼草定向输液的机制引入微流控芯片,利用楔形微通道以及非对称润湿性,让微量液体实现自驱动的定向收集。
在软体机器人上,电池是支持感知与通信的必需品,可加上电池往往会增加身体刚度,反复变形也会影响电池内部的电化学稳定性。团队利用机器人自身的磁性条件:外部磁场负责操控软体结构运动,磁性弹性体产生的局部磁场则有助于改善邻近电池的电化学过程,进而抑制锌枝晶和正极劣化。把驱动层、电池和电路沿厚度方向垂直集成,既提高身体面积利用率,又保留柔顺性——一个部件的物理属性,同时帮另一个部件解决难题。
类似的耦合思路也延伸到团队近期发表的磁-机械-电化学耦合纤维研究中,通过不同物理过程之间的耦合,让材料本身参与功能调节。
AI 得知道自己什么时候不该信
AI 在图像识别和语言处理上表现出色,但处理人体复杂生理信号时,吴昌盛的态度十分冷静。他强调 AI 必须受到物理规律和参考测量的约束:同样一段信号的变化,可能来自组织刚度的改变,也可能仅仅因为贴片位置移动或身体运动。模型若不能区分这些因素,就容易把测量条件的改变误判为生理变化。因此 AI 必须和实验设计一起考虑——有意识地改变条件、理解它们各自如何影响信号,并通过独立的参考测量验证模型;训练和测试也应覆盖不同的人、不同的测量时间和佩戴条件。
区分目标本身的变化与测量条件的变化,也是触觉感知的关键。团队与清华大学丁文伯教授团队长期合作研发仿生多模态触觉传感器:摩擦电信号反映材料特征,视触觉信号提供接触力和形变信息,两类信息融合后,模型能结合接触方式判断接触的是什么物体。在此基础上,团队和合作者提出触觉语言模型,把不同模态的输入转化为统一的图像表示,再与语言模型连接,让机器人能够描述物体属性并把这些信息与用途联系起来。这种融合也有取舍——时序信号转成图像后可能损失一部分时间信息,团队目前更关注融合后是否保留了关键的物理信息。
面对多模态数据分析,吴昌盛认为大家都还在摸着石头过河,很多研究其实是在做加法,尽可能多地增加监测模态、收集海量数据,但不同信号之间的内在联系、各自提供了什么信息,还需要进一步理解。他希望从生理机制出发,研究不同信号如何反映相互关联的生理过程,并把这些联系转化为分析模型中的适当约束。真实医疗场景中不可能让所有用户都穿戴所有种类的监测器件,团队希望针对具体疾病和使用场景,在保留关键生理信息、保证可靠性的前提下选择必要的模态组合。
谈到未来五年最有希望落地的技术,吴昌盛更看好面向明确任务的非侵入式可穿戴监测,以及工业场景中的触觉感知模块:前者可以围绕一个具体问题展开,建立清晰的使用流程和评价标准;后者可以从特定材料识别和抓取反馈开始,在相对可控的环境中证明价值。对想进入这个交叉领域的年轻人,他的建议很具体——做材料和器件的补齐统计与编程知识,做 AI 的去理解传感器原理和噪声,把从物理刺激到传感信号、再到模型判断的每一步都连接起来。
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.