编辑推荐：
运动损伤管理中，传统方法灵敏度不足且有创。研究人员开发集成于腕带的石墨烯场效应晶体管生物传感器，结合人工神经网络（ANN）模型优化 biomarker 检测。结果表明材料性能影响检测，ANN 预测误差可接受，为无创实时监测提供新方案。
在运动医学领域，运动员的损伤监测与康复评估一直面临着严峻挑战。传统的运动损伤诊断手段，如物理检查、MRI 等影像学技术以及血液采样等，不仅存在灵敏度不足、无法实时追踪愈合进程的问题，而且具有侵入性，可能给运动员带来不适。此外，这些方法难以实现连续监测，无法及时捕捉损伤发展过程中的细微变化，导致治疗方案的调整缺乏动态数据支持。因此，开发一种高灵敏度、非侵入式且能实时监测的新型技术，成为运动损伤管理领域亟待解决的关键问题。
为了突破传统方法的局限，研究人员开展了关于可穿戴生物传感器在运动损伤监测中的应用研究。该项研究由相关机构的研究人员完成（文中未明确提及具体单位），旨在构建一种能够非侵入式检测运动损伤生物标志物的新型传感器，并通过人工神经网络模型优化检测性能。研究团队开发了一种集成于腕带的石墨烯场效应晶体管（graphene field-effect transistor, FET）生物传感器，结合人工神经网络（artificial neural network, ANN）模型，实现了对汗液中肌红蛋白、肌酸激酶等生物标志物的高灵敏度检测。研究结果表明，该技术有望为运动损伤的实时、精准、无创监测提供创新解决方案，推动运动医学领域的诊断与康复管理模式革新。该研究成果发表在《Engineering Applications of Artificial Intelligence》。
研究中采用的主要关键技术方法包括：构建石墨烯 FET 生物传感器，将其集成于可穿戴腕带设备中，用于非侵入式采集汗液中的生物标志物信号；运用浅型前向人工神经网络模型（含单个隐藏层），对材料的抗压强度（MPa）、孔隙率（%）等输入参数与溶出率（%）、孔径增长（%）、化学稳定性（%）等实验参数之间的关系进行建模预测；通过线性回归分析评估 ANN 模型的预测准确性，对比实验测试数据验证模型性能。
结果与讨论
通过对比分析发现，ANN 模型在预测准确性方面显著优于其他方法。该模型与实验目标相比误差小于 1%，而其他评估的替代技术则表现出更高的误差范围。同时，ANN 模型在计算效率上也具有优势，与其他方法相比，其训练和推理时间更短，这进一步提升了该模型在实际应用中的可行性。研究还发现，抗压强度和孔隙率的变化会对溶出率、孔径增长和化学稳定性产生影响。较低的抗压强度会导致溶出率增加，而较高的抗压强度则有助于孔径增长和化学稳定性的提升。在含氧化银纳米颗粒的纳米复合水凝胶支架中，特定样本表现出显著特性，其抗压强度为 2.4 兆帕，孔隙率 55%，溶出率 22%，孔径增长 27%，化学稳定性 65%。
结论
本研究成功开发了一种集成 ANN 模型的可穿戴生物传感器，实现了对运动损伤生物标志物的实时、无创监测，圆满完成了构建高灵敏度生物传感器以及利用 ANN 优化材料性能的研究目标。该研究成果为运动损伤的精准管理提供了新的技术范式，有望缩短运动员康复周期、优化治疗方案。未来研究将聚焦于扩大传感器的制备规模，提升其多重检测能力，并探索该技术在更广泛运动场景中的应用，进一步推动可穿戴生物传感器从实验室走向实际临床应用，为运动医学的发展奠定坚实的技术基础。
