《Sensors》：Data-Driven Material Selection for Flexible Wearable Sensors Under Environmental Coupling Conditions
Yanping Lu,
Myun Kim and
Hanwen Zhang
编辑推荐：
柔性电子器件在医疗监测中前景广阔，但传统材料难以在动态环境下兼顾信号稳定性、穿戴舒适性与环境适应性。为此，研究人员基于极端梯度提升算法，整合用户感知、材料物理参数与环境耦合指标，构建了一个数据驱动的柔性可穿戴传感器智能材料选择框架。该模型推荐准确率达94.5%，其中银纳米线综合性能最佳，在生理与环境耦合测试中显著提升了信号质量与可靠性，为解决复杂场景下的材料选择难题提供了新方案。
在运动科学、个性化健康管理和医疗监测领域，柔性电子可穿戴设备正展现出巨大的应用潜力。然而，当这些“聪明”的衣服或贴片真正穿在身上时，却常常面临尴尬：运动产生的伪影、汗液腐蚀、机械拉伸等日常因素，都可能让监测信号失真甚至设备失效，从而影响数据的准确性。这背后，一个根本的挑战在于材料。传统的材料往往难以同时满足信号稳定、穿戴舒适和环境适应这三大要求。选择哪种材料，才能让传感器在复杂的现实环境中既“灵敏”又“耐用”，成了一个典型的、需要权衡多种因素的多准则决策问题。
为了破解这一难题，研究人员开展了一项主题为“面向环境耦合条件的柔性可穿戴传感器数据驱动材料选择”的研究。他们意识到，仅仅评估材料的导电性或柔性是远远不够的，必须综合考虑皮肤-电极阻抗、运动下的信号稳定性、耐汗性、贴合度及长期佩戴舒适性等多种耦合因素。因此，研究团队引入了一种强大的机器学习算法——极端梯度提升，作为材料筛选与推荐的核心引擎。该研究构建了一个多维评价体系，整合了用户需求、材料物理属性和环境耦合性能指标，旨在通过数据驱动的方式，为柔性可穿戴传感应用智能筛选和推荐候选材料。
本研究主要运用了以下几个关键技术方法：
- 1.
基于服装感知的材料选择模型构建：以智能医疗穿戴服装为对象，通过构建包含柔软度、透气性、弹性等描述符的多维材料感知词典，并利用结构化问卷收集用户主观评价，将感知特征与材料属性空间进行结构化匹配。共计32名参与者参与了感知问卷调查。
- 2.
XGBoost算法建模：采用XGBoost算法处理和分析中低维度数据，其目标函数结合了损失函数和正则化项，以防止模型过拟合。模型能够高效建模异构表格特征间的非线性关系，并提供特征重要性信息以支持可解释的推荐。
- 3.
实验验证：设计了复合织物电极结构，并分别在静态和运动条件下进行生理监测实验，以及在环境耦合条件下进行测试，以验证推荐材料的实际性能。
研究结果
2.1. 基于服装感知的材料选择模型构建
研究人员首先建立了一个基于服装材料感知的选择模型。该模型从用户群体出发，依据用户对“美观”、“优雅”等形容词的描述来构建感知意图空间，进而评估服装材料。如图所示，在感知评价阶段，首先基于用户对可穿戴服装材料的主观描述构建初始意图空间。为了提高语义覆盖，研究建立了一个包含通用感知描述符和织物结构相关术语的多维材料感知词典。通过结构化问卷收集的用户输入被标准化并映射到相应的材料属性空间。这些感知特征随后与层次分析法和XGBoost模型相结合，实现了用户意图与材料参数的结构化匹配。
2.2. 候选材料性能与模型推荐结果
在候选材料中，银纳米线展现出优越的综合性能，包括更高的信噪比、更低的皮肤接触阻抗和更强的耐汗性。实验结果表明，所提出的XGBoost模型实现了94.5%的推荐准确率，优于传统的对比方法。
2.3. 生理监测与环境耦合实验验证
在生理监测实验中，无论是在静态还是运动条件下，传感器响应的最大偏差均低于3%。在环境耦合测试中，模型推荐的材料使系统信噪比提高了68%，并将24小时灵敏度衰减降低了75%。这些结果表明，基于XGBoost的框架能够有效支持柔性可穿戴传感器的材料选择，并在复杂的应用场景中提高信号的可靠性和环境适应性。
结论与讨论
本研究成功地提出并验证了一个基于XGBoost的数据驱动材料选择框架，用于柔性可穿戴传感器。该框架通过整合用户感知、材料物理参数和环境耦合性能指标，实现了对候选材料的智能匹配和排序。其主要贡献在于：第一，构建了一个联合表征用户需求、材料特性和环境耦合性能的多维评价体系；第二，开发了一个基于XGBoost的智能材料匹配与排序推荐框架；第三，设计并实验验证了用于静态和运动条件下生理监测的复合织物电极结构。
该研究的重要意义在于，它为解决柔性可穿戴传感器在实际应用中面临的材料选择困境提供了一条高效、智能的路径。传统的试错式或基于单一性能指标的材料选择方法，难以应对复杂、动态的真实使用环境。而本研究提出的数据驱动方法，能够系统地权衡多种相互冲突的性能要求，为用户和设计者提供量化的、可解释的材料推荐。这不仅有助于提升可穿戴设备的信号质量和长期可靠性，还能优化用户的佩戴体验，从而推动柔性电子技术在医疗健康监测等领域的更广泛应用。论文的研究成果表明，机器学习，特别是像XGBoost这类强大的集成学习算法，在解决材料科学和工程领域的复杂优化问题上具有巨大潜力。
