自然生物技术

文章 https://doi.org/10.1038/s41587-023-01800-O

按照作者提供的格式，未经编辑

 
1 补充材料

2

 
3 一个完全集成的可穿戴超声系统，用于监测运动对象的深层组织

4

Muyang Lin^l ' ¹², Ziyang Zhang²' ¹², Xiaoxiang Gao^l ' ¹² Yizhou Bian^l , Ray S. Wu^l , Geonho Park^l

Zhiyuan Lou^l , Zhuorui Zhang³, Xiangchen Xu^l , Xiangjun Chen⁴ Xinyi Yang⁴, Wentong Yue ^l

卢尹^l 王崇和³齐白燕⁴周赛⁴胡洪杰ⁱ 黄浩^l 李莫寒⁵岳

Gu⁴⁶, 穆静⁴, 杨阿尔伯特⁷, 亚美尔·雅吉^l , 陈怡木ⁱ , 雷宇生^{l 8} 程长丰·卢⁵

王若涛^l , 约瑟夫·王^l , 向舒⁹, 埃里克·B·基斯特尔⁷' ¹⁰, 努诺·瓦斯孔塞洛斯⁵ , 盛

10

11

12加利福尼亚大学圣地亚哥分校纳米工程系，拉霍亚，加利福尼亚州 92093，美国。 13 加利福尼亚大学圣地亚哥分校计算机科学工程系，拉霍亚，加利福尼亚州 14 92093，美国。

15 麻省理工学院机械工程系，马萨诸塞州剑桥，MA 16 02139，美国。

17 加利福尼亚大学圣地亚哥分校材料科学与工程项目，拉霍亚，加利福尼亚州 18 92093，美国。

19 电气与计算机工程系，加利福尼亚大学圣地亚哥分校，拉霍亚，CA 92093，美国。

⁶耶鲁大学神经外科，康涅狄格州纽黑文，邮政编码 06520，美国。

⁷加利福尼亚大学圣地亚哥分校生物工程系，拉霍亚 92093，加利福尼亚州，美国。

⁸化学工程系，斯坦福大学，美国加利福尼亚州斯坦福市 94305。

⁹S0ftsonics LLC，美国加利福尼亚州圣地亚哥，邮政编码 92122。

^IO加利福尼亚大学圣地亚哥分校麻醉学与重症护理系，拉荷亚，

加利福尼亚州，美国

^II加利福尼亚大学圣地亚哥分校医学院放射科 92103，美国。

29¹²这些作者贡献相同：Muyang Lin, Ziyang Zhang, Xiaoxiang Gao 30 电子邮件：shengxu@ucsd.edu

内容

补充讨论 ......................................................................

补充讨论 1. 超声探头制造和布局设计 ....

补充讨论 2. 超声传感的序列控制 ..... ..... ..... ..... ..... ........ 5

补充讨论 3. 多模式超声传感...............

补充讨论 4：探头变形下的传感稳定性..... ..... ..... ..... ...... 6

补充讨论 5. 组织界面运动的测量 ..... ..... .... ..... ..... ..... ... 7

补充讨论 6. 动脉血压的测量和校准 ..... ..... ... 8

补充讨论 7. 脉冲波速测量 ..... ..... ..... ..... ..... .................... 9

补充讨论 8. 基于典型呼气的呼吸功能评估

音量 ..... .. ..... ..... .... ..... ..... .... ..... ..... .... ...................................................................................... 9

补充讨论 9. 深度学习模型的性能验证与比较

使用逻辑模型 ..... ..... ..... ..... ..... ......................................................................................... 10

补充讨论 10. 从预测结果生成概率分布 ...... 12

补充讨论 I l. 运动耐受性和脉冲波形连续性的极限 12

补充讨论 12. 最小熵相关对齐的训练原则

(MECA) 模型。

补充讨论 13. 域适应所需的数据集大小........................... 13 49 补充讨论 14. 运动期间收缩压和舒张压的变化。

补充讨论 15. 量化血管对运动的反应 ..... ..... ..... ..... .... 14

补充讨论 16. 动脉硬度指数的变化和血压的误差

运动中的校准.......................................

补充讨论 17. 中风体积估计使用脉冲轮廓法 .... 15

补充讨论 18. 传统超声检查中的错误 ..... ..... ..... ......

补充讨论 19. 运动期间持续监测的临床益处 ... 16

补充讨论 20. 高风险患者对持续组织监测的临床需求

populations............................................................................................................................... 17

补充图 1 | 超声设备用于可穿戴或即时护理应用。 ..... ..... ..... 18

补充图 2 | 减少噪声耦合的探头布局设计................................... 19

补充图 3 | 通过背衬层提高轴向分辨率。

补充图 4 | 从颈动脉收集的射频信号，带有和不带有

凝胶..

补充图 5 | 软探头的耐久性测试。..... ..... ..... ..... ..... ......................

补充图 6 | 三种软探头的布局和波束轮廓设计............................. 23

补充图 7 | 可拆卸 ACF 连接的表征。

补充图 8 | tPCB 电路的布局设计.................................................. . 25

补充图 9 | 模拟前端和无线数据的示意连接

采集模块。..... ..... ..... ..... ..... .............................................................................................. 26

补充图 10 | fPCB 的可折叠性。

补充图 1 1 | 弹性体包装的模具设计.....................

补充图 12 | tPCB 和弹性封装的机械模拟。 ...... 29

补充图 13 | 原始信号频率与电路采样率的比较

代表性可穿戴生理监测仪。..... ..... ..... ..... ..... ..... ............................................ 30

补充图 14 | 通过 Wi-Fi 无线传输超声信号。 ..... ..... ..... .... 31

补充图 15 | USoP 的功耗和电池寿命。

补充图 17 | 软探头的横向和纵向分辨率.................. .... 34

补充图 18 | 传输光束模式与高度变形。..... .... ... 36

补充图 19 | 具有方位弯曲的点源模拟 B 模式图像。.. 38

补充图 20 | 使用自相关方法检测组织界面运动。 39

补充图 21 | 不同生物界面的探头位置和声学视图

测量........................

补充图 22 | 使用商业超声波进行的分数缩短测量

系统。

补充图 23| 呼气量的计算。..... ..... ..... ..... ..... ..... ........................ 42

补充图 24 | 使用修改后的数据集进行模型训练和验证。

补充图 25 | 通过图像处理和逻辑对颈动脉图像进行分类

模型..

补充图 26 | 颈动脉最佳通道预测的统计验证

与真实情况相比的动脉感测。

补充图 27 | 记录头部旋转......................................................................... 46

补充图 28 | 头部运动下的颈动脉位移。 ..... ..... ..... ..... ...... 47

补充图 29 | 使用线性阵列探头检测移动的动脉。..... ..... ..... .... 48

补充图 30 | 通过一个传感通道收集的 M 模式图像，随着增加

偏航速率。 ..... ..... ..... ..... ..... ........................................................................................................ 51

补充图 31 | 在从 0⁰/s 增加的偏航速率下记录的脉冲波形

800/s.

补充图 32 | 量化域距离和域的可视化

分布................................................................................................................................... 53

补充图 33 | 经过领域适应后观察到的分类准确率热图，使用来自目标和源领域的不同数量的图像........................................ 54 103 补充图 34 | 在骑行和高强度间歇训练期间记录的代表性压力波形。。

补充图 35 | Alx 的测量。

误差条表示标准差。

补充图 37 | 骑行和高强度间歇训练中的肌肉招募及相应的 AIX。58

补充图 38 | 通过脉冲轮廓法估算心搏量。

补充图 39 | 传统超声检查中的采集误差。

补充表 1 | 开发或提议的集成超声设备的总结

行业。

补充表 2 | 控制电子设备中使用的关键组件。所有组件

是现成的商业产品。

补充表 4 | 典型呼气量及其测量的总结。 ..... .. 64

补充表 5 | 本研究参与者的人口特征。

补充视频 1 | 颈动脉和颈静脉的 B 模式成像。

补充视频 2 | 头部偏转下的自主颈动脉追踪。 ..... ..... ..... ..... 66

补充视频 3 | 在骑行过程中记录的连续血压波形。..... ... 66 123 参考文献....................................................................................................................

124

125

126 补充讨论

127

128 补充讨论 1. 超声探头的制造和布局设计

129

1. 探头制造

超声探头是基于多层微加工方法制造的²。

阵列式换能器由 1-3 压电复合材料和背衬层制成，以提高

轴向分辨率（补充图 3）。我们使用了模量为 69 kPa 的硅橡胶

作为探头-皮肤界面，确保了换能器与皮肤之间的紧密接触，

因此实现了无胶声学传感（补充图 4）。无胶探头显示出

在长期组织传感中具有高耐用性。我们的结果表明，该传感器可以在六个月内经受 137 次重复使用，并且表现出可忽略的性能下降（补充 138 图 5）。

139

140 对于探头制造，我们将传感器夹在铜蛇形互连之间

传感器阵列的 142 伸展性ⁱ 。增加了垂直互连接入，以连接 143 不同层中的接地电极和信号电极。整个结构被硅橡胶封装（补充图 6a）。

145

2. 布局设计

有三种探头布局设计，包括一个圆盘、一个线性阵列和一个 2D 阵列ray

(补充图 6b-d)。这些布局设计经过模拟以确认其传输 149 特性，其中展示了不同的波束模式和孔径覆盖 150 (补充图 6e)。

151

对于该盘，使用了 112 个 2 MHz 的压电传感器。所有这些传感器都

排列在一个圆形区域内并以并联方式连接，作为一个单一的传感器工作

高传输强度。这样的设计导致了一个高穿透性的传输波束 155 (补充图 6e 左侧)，适合用于感测深层器官（例如，心脏和 156 膈肌）。

157

对于线性阵列，256 个传感器以 4 MHz 的频率排列，双轴间距为 0.8 毫米。同一列中的 8 个传感器并联连接，以增强传输强度。

160 32 这样的列构成了线性阵列，在 161 中等穿透深度下产生了 25.4 毫米的超声成像孔径（补充图 6e 中），这适合用于感测中央动脉（例如，颈动脉、股动脉和腹主动脉）。

163

对于二维阵列，使用了 32 个 6 MHz 的传感器构成该阵列，具有 0.8 mm 的双轴。

音调。2D 阵列的整体尺寸与其他两个案例相比是最小的。这种设计保证了窄波束（补充图 6e 右），这使得对浅层（例如，桡动脉和肱动脉）动脉进行高空间分辨率传感成为可能。

168

169 补充讨论 2. 超声传感的序列控制 170

为了实现超声波传感，我们定制了 USOP 的控制序列，如下所示

详细流程图（扩展数据图 2a）。USoP 的每个操作周期被划分为

脉冲回波传感周期和多路复用周期。这两个 174 周期之间的切换由序列器切换接收使能信号控制（扩展数据图）。

175 2b).

176

在脉冲回声传感期间，接收使能电压被设置为逻辑高，持续 320 个点。

在此期间，微控制器发送触发信号，以允许脉冲发生器输出 179 个高压脉冲，然后接收电路接收来自传感器的回波信号 180（扩展数据图 2c）。

181

在传感器多路复用期间，传感启用电压被设置为逻辑低电平 680

VIS。在此期间，测序仪向多路复用器发送了一系列数字信号，包括

时钟 (CLK)、复位 (RES)、数字输入 (Din) 和锁存使能 (LE)。这些数字信号

对多路复用器中的移位寄存器和锁存器进行了功能化，以选择传感器。一个例子

通道选择序列如扩展数据图 2d 所示。首先应用了 RES 信号。

到锁存器以清除先前的通道选择，然后 Din 被设置为逻辑高以

启动通道选择。在 LE 信号变低以锁存通道选择之前，计数了三个上升沿。因此，第三个传感通道被选中用于下一个脉冲回声传感周期。

191

192 补充讨论 3. 多模式超声传感 193

194 USoP 旨在支持多种超声波传感模式，包括幅度 mode 195 (A-mode)、运动模式 (M-mode) 和亮度模式 (B-mode)。196

A 模式是一种基本的传感模式，其中超声探头以单一方式探测组织

维度深度记录仪，并生成回声幅度与声学时间的图表

飞行。超声波束被生成以穿透组织层，然后该波束被

由声阻抗不匹配的组织界面反射。组织阻抗

信息随后被编码在超声反射的幅度中，而深度

信息被编码在声学飞行时间中。A 模式传感的一个示例如下所示。

通过使用 4 MHz 探头测量动脉直径（补充图 16a 左）。204 后壁和前壁的反射被捕捉为回声幅度中的局部最大值。205 基于回声幅度信号，可以根据声波的 飞行时间和组织中的声速计算动脉直径（补充图 16a 右）。207

208 M 模式可以被视为连续的 A 模式传感。在 M 模式中，回波幅度 209 被编码为像素的亮度，从而为图表释放出一个轴用于 t时间信息。

因此，M-mode 可以捕捉组织界面随时间变化的运动，沿着一维

扫描线，提供深度（y 轴）和时间域（x 轴）的传感分辨率。在 212 M 模式下，超声波束被重复传输到组织中以进行连续采样。

在每个传输周期中，生成了一帧 A 模式信号。通过转换该

A 模式帧转换为灰度像素列，并将这些列绘制为时间的函数，215 M-mode 图像可以生成。一个示例应用捕捉颈动脉

脉动表明 M-mode 图像可以使用 4 持续捕捉动脉扩张

MHz 线阵。两帧射频回波信号显示最小值和最大值。

此外，当在 M 模式传感中使用具有 2D 布局的探头时，不仅轴向分辨率

但还可以获取运动的空间分布。2D 阵列中的每个传感器可以

生成一个独立的光束用于 M 模式传感，组织运动的幅度是

然后计算以定位最大运动幅度的位置。这种传感模式可以

用于目标动脉的空间检测或导管插入的引导。作为演示，我们

使用 6 MHz 2D 布局探头映射了上臂的动脉脉搏波形。动脉脉搏幅度和映射的肱动脉位置如补充图所示。

228 16c.

229

除了轴向分辨率，阵列探头的横向和垂直分辨率也可能是

由 A 模式和 M 模式中的传输波束模式定义。理想情况下，单个传感器 232 将发射一个窄波束。然而，实际波束会在横向和垂直方向上扩散。

通过这样的扩展波束模式，两个相邻物体之间的间距小于波束宽度

无法通过传感器区分。因此，这个波束宽度决定了横向和

非成像传感的高度分辨率。因此，我们模拟了传输束 236 模式，并将束的-3dB 宽度表征为三个探头的横向/高度分辨率（补充图 17）。

238

B 模式生成具有轴向和横向分辨率的图像，而提升分辨率是也

由传输波束模式定义。在 B 模式下，阵列换能器顺序发射

并接收回波信号，作为合成主动孔径工作。接收到的回波信号是

经过延迟和求和波束形成处理⁴ 和 I/Q 滤波器⁵，然后回波幅度为

转换为像素亮度以重建灰度 2D 图像。为了演示 B 模式

我们使用了一个由水中的铁丝制成的幻影，以测试 4 MHz 线性阵列的传感分辨率

(补充图 16d 左侧)。我们将成像分辨率定义为半高的全宽

铁丝的回声最大值。当铁丝从 1 厘米移动到 3 厘米时，深度为 247，轴向和横向分辨率分别从 0.99 毫米降至 2.50 毫米，从 0.75 毫米降至 248 2.5毫米（补充图 16d 右侧）。

249

250 补充讨论 4：探头变形下的传感稳定性 251

此外，符合高度弯曲皮肤表面的软探头可能会经历相位失真。因此，我们在垂直和平面方向上对阵列失真进行了图像稳定性表征。

255

高度失真对于 A 模式、M 模式应用或 B 模式并不关键

当探头的垂直孔径较小时，成像效果较差，因为垂直孔径越小

孔径越小，阵列弯曲造成的时间延迟误差越小（补充图 18a,b）。我们

模拟了不同弯曲半径（从 6 毫米到 00）的传输波束模式

(补充图 1 8c)。尽管光束模式表明弯曲可能会引入不必要的 261 旁瓣，但这些旁瓣的强度远小于主瓣（补充图。

18d). 此外，当弯曲半径大于 6 毫米时，传输波束模式

将会有微不足道的扩展（补充图 18e）。考虑到典型身体部位的表面曲率半径远大于 6 毫米，由人类研究引起的高度扭曲可以忽略不计。

266

虽然高度失真不会影响成像应用，但方位失真可能会

如果阵列变形超过安全阈值，将会影响 B 模式成像。因为

波束形成需要准确定位阵列中每个传感器以计算延迟

函数，弯曲阵列会导致相位畸变和分辨率下降。我们模拟了

B 模式图像用于量化弯曲曲率对图像的影响

（补充图 19）。当弯曲半径 <6 cm 时，B-mode 图像显示

浅区的伪影（补充图 19b，上部面板）。当弯曲曲率

半径 >6 cm，成像质量可接受，没有明显伪影（补充图 19b，275 下部面板）。考虑到大多数身体表面的曲率半径大于 6 cm，成像 276 结果可能是可靠的。

277

278 补充讨论 5. 组织界面运动的测量 279

可以使用 M 模式传感器连续捕捉组织界面的运动。通过

以 25 1-IN kHz 的脉冲重复频率将超声波束传输到组织中，可以对各种动态组织界面的位移进行探测。组织界面的位移被编码在射频回波信号中。284

285 为了解码组织运动，采用了自相关方法。在连续收集的

为了解码运动幅度，超声射频数据首先被分段为

排除没有运动的信号。然后生成分段信号的包络。之后

因此，采用自相关方法对生成的包络进行处理，以获得自相关

相邻帧之间的相关值（补充图 20b）。两个帧之间的滞后（t）

相邻帧可以通过最大自相关值的位置来确定

（补充图 20c）。运动，也称为两个帧之间的位移，是

计算d 为声学往返距离的一半 d=cxt/2。注意，自相关解码是基于包络移动的，因此它对换能器带宽或射频信号中的环形不敏感，只要包络在移动过程中能够大致保持其轮廓。298

本研究中的组织界面，如动脉搏动、心脏收缩和膈肌运动，具有不同的深度和位移幅度，具体总结见补充表 3。

302

因此，需要适当选择超声探头以适应特定的感测深度和

分辨率。图 2a 中的波形是从一名健康的 25 岁参与者那里收集的。

这些测量中，使用了一个 6 MHz 的二维探头用于浅动脉的动脉脉动

最小偏移 €0.05 mm)，例如径动脉（深度 2 mm）和肱动脉（深度 4 mm 307 深）。使用了 4 MHz 线阵探头用于更深的动脉，中等偏移 60.5

308 毫米)，例如颈动脉（14 毫米深）、股动脉（17 毫米深）和腹主动脉 309（60 毫米深）。使用 2 MHz 磁盘探头用于大幅度移动的中央器官（>8 毫米），310 例如心脏（70 毫米深）和膈肌（120 毫米深）。和膈肌（120 毫米深）。

311

312 补充讨论 6. 动脉血压的测量和校准

313

从生物力学来看，测得的脉冲强度有效地代表了动脉直径

变化^l , 这是两个变量的函数：血压和动脉硬度。血压倾向于扩张动脉的横截面，而动脉壁的硬度则抵抗这种扩张。

318

319 直径与动脉僵硬度之间的指数关系与测量时的血压无关，且在生理范围内（63-200 mmHg）320 ⁶⁷。该方程可用于推导 1,6。

322 

323 和

Dd In(ps/Pd)

324

Ds-Dd

其中 p (t) 是时间依赖的血压，D (t) 是时间依赖的动脉直径；

DS 和 Dd 分别是从测量中得出的收缩期和舒张期动脉直径

脉冲强度；ps 和 pct 分别是测量的参考收缩压和舒张压

使用商业血压袖带；和 (3 是刚度指数⁶

329

首先，测量了受试者肱动脉的 Ds、Dd、ps 和 Pd，以获得 p，随之而来的是

受试者坐直在椅子上，测量的手臂放松地放在桌子上。具体来说，ps 和 pct

使用商业袖带进行校准后，测量了动脉直径。然后，在相同位置使用 USoP 测量动脉直径以推导 DS 和 Dd。接着，p(t)是基于USoP 测得的相应 D(t)确定的。

335

使用 USoP 测量 p(t)非常稳定，几乎不需要重新校准。初始

使用商业袖带的校准只需在开始时进行一次

过程，因为 Pd 在每次心跳之间保持相对稳定。血压的测量

在肱动脉使用 USoP 同样适用于其他动脉部位，因为（3 和 pct

在动脉树的主要分支上不会显著变化^{l 8} 这使我们能够等同于

健康成年人肱动脉血压测量与颈动脉血压的比较⁹。请注意 ß

而在年轻受试者身上，Pd 可能会发生显著变化⁸ 以及患有血管疾病的患者，例如

颈动脉粥样硬化¹⁰。在这些人群中，我们可能需要获取准确的局部颈动脉

使用导管插入法测量刚度指数和颈动脉血压，以最小化校准误差^{l I}

¹³ 此外，受试者的身体特征也可能影响校准的准确性。对于

例如，受试者的身高可能会影响血管阻力，并进一步影响血液

压力校准 14。在这种情况下，可以使用名义图 348 或人口数据库 15 来估计血管阻力，然后可以得到血压校准的刚度指数。

350

351 补充讨论 7. 脉冲波速测量

352

脉冲波速是传播距离与脉冲传播时间的比值。

按照标准程序¹⁶ 在身体表面测量传播距离

使用卷尺对参与者进行测量 17。健康参与者的示例卷尺测量结果

说明路径长度（扩展数据图 5a）。然后，部署了一对 USoPs 来

测量心肌收缩波形与动脉脉冲波形之间的脉冲传播延迟（扩展数据图 5b）。对于每一对测量，通过在每个脉冲回波传输周期中编码时间戳来同步两个 USoP。

根据动脉学会对脉冲波速度测量的建议，

脉冲传播时间是基于足到足方法 18 计算的，其中脉冲传播

时间被定义为心肌舒张期的机械传播延迟

收缩和动脉脉动波形（扩展数据图. 5b）。为了验证

脉搏传播时间，USoP 的结果与测压计的结果进行了比较。366 次比较表明平均差异为<1 毫秒，显示出两种设备之间的高度一致性（扩展数据图 5c).

368

对不同动脉段进行系统刚度映射，以显示脉冲传播时间的变化，因此也显示区域脉冲波速（扩展数据图）。

5d). 我们观察到脉冲波速度明显增加，这表明动脉

刚度，从心脏近端（例如，心脏-主动脉、心脏-颈动脉和心脏-股动脉）到 373 个心脏远端分支（例如，心脏-肱动脉和肱-桡动脉）（扩展数据图。

5e). A 冷压测试依次进行。在受试者的手放入冰水后

在 5 分钟内，脉冲波速度在近端分支（例如，心脏-主动脉）几乎保持稳定。

心脏-颈动脉和心脏-股动脉)，但在远端分支（例如，377 心脏-肱动脉和肱动脉-桡动脉）处显著增加，原因是寒冷引起的区域性血管收缩 378（扩展数据图 5e）。

379

补充讨论 8. 基于典型呼气的呼吸功能评估呼气

体积

382

根据美国胸科学会的指南¹⁹ 和欧洲呼吸学会

社会²⁰²¹ 为了进行呼吸功能测试，我们测量了典型的呼气量，如用力肺活量（FVC）和用力呼气量（FEVI）386（补充表 4）。

387

正常下限（LIN）被用作诊断阈值。LLN 被设定为每个

大型健康参考组下五分位数的参数值。LIN 依赖于

根据受试者的年龄、身高、种族和其他健康状况，其值会有所不同

不同个体。在实践中，特定受试者的 LLN 值是通过使用

由疾病控制和预防中心提供的 NHANES Ill 数据库²²

然后，根据以下标准评估呼吸功能：如果 FEVI/FVC比率 <

LLN，患者被认为存在阻塞性问题。如果 FEVI/FVC 比率 LIN 而 FVC

< LIN，患者被认为存在限制性问题。应根据患者的总肺容量进行进一步评估。 如果 FEVI/FVC > LLN 且 FVC > LLN，患者 被认为是健康的。

399

在本研究中，FVC 和 FEVI 是从 USoP 测量的膈肌运动中得出的

（补充图 23a）。四象限图显示了测量结果（补充）

图 23b). 右上、左上、右下和左下的数据点表明

患者分别具有健康、阻塞、受限和结合阻塞与受限的状况。对于没有呼吸问题的健康个体，这些值可以用来量化呼气性能。

406

进行了一项纵向研究以记录参与者的 FVC 和 FEVI。初始 FVC

并记录了 FEVI 值，然后参与者被纳入培训项目以

进行四个月的定期有氧运动。通过四象限图观察到 FVC 显著增加（补充图 23b），这表明训练后呼吸功能有所改善。

412

413 补充讨论 9. 深度学习模型的性能验证与 414 与逻辑模型的比较 415

我们比较了四种不同模型的性能，包括 MobileNetV2、ResNet、VGGI 1

和 VGG13 在颈动脉分类任务中的表现。模型性能被确定为

通过一种留一法的 10 折训练-验证过程。具体来说，4600 张图像被

随机分为十个折叠；每个折叠包含 460 张图像。在每一轮中，我们按顺序选择一个折叠作为验证集，其余九个折叠作为训练集。经过十轮后，我们计算了每个模型的平均性能。

基于训练-验证结果，我们生成了接收者操作特征曲线

并通过曲线下面积评估模型。接收器操作中的每个点

特征曲线表示在不同条件下的真正率和假正率

分类阈值从 0 到 1。带有批量归一化的 VGG13 达到了最高的面积

430

2. VGG13 模型的可靠性

为了验证模型的可靠性并证明 VGG13 模型确实在学习动脉

用于分类的脉动模式，而不是在训练集之间建立虚假的相关性

和验证集。我们使用动脉区域的图像训练和验证了 VGG13模型

部分和完全裁剪掉（补充图 24a，左侧三个面板）。随着显著的

去除的区域，剩余的图像失去了丰富的几何信息，包括明亮的条纹 437 图案（来自动脉壁的强超声反射）和锯齿状纹理（动脉脉动）。

438 因此，训练好的分类器的性能预计会下降。439

如补充图 24b 所示，VGG13 模型的性能经历了逐渐

降解时更显著的区域被裁剪。请注意，即使裁剪了两面墙，

VGG13 模型保持了其分类能力，并且表现优于随机猜测（50% 443 准确率）。对于一个墙壁裁剪的案例，剩余的后墙仍然是一个可识别的特征

用于分类。对于双壁裁剪的情况，脉动特征也存在于

周围组织。当动脉搏动时，机械波会在周围传播。

组织并生成组织脉冲，尽管由于传播中的能量损失，组织脉冲的幅度较小。因此，组织纹理（补充图 24a，左侧第三面板）也可以作为一个可区分但较弱的特征。

此外，我们进行了一个额外的实验，在训练/验证分割之前对标签进行了洗牌

发生。这些图像被标记为 CA 和 nCA，而不管它们的真实身份。

（补充图 24a，最右侧面板）。经过训练，模型学习到了混沌

c相关性较差，精确度、召回率和准确率接近 50%

(补充图 24b)。与区域裁剪不同，随机标记的图像未能引导模型生成有效的分类器来区分 CA 和 nCA 图像，导致分类结果不可预测且较差。457

3. VGG13 模型相对于传统逻辑模型的优势

除了深度学习分类模型，我们还开发了一个逻辑分类模型el

基于颈动脉图像特征。我们直观地选择了 461 图像中的锯齿形模式作为区分颈动脉和非颈动脉图像的最显著特征。

基于传统图像处理方法，该模型采取了三个步骤来分类图像

（补充图 25a）。首先，我们对图像进行了分割，仅保留基于动脉区域。

关于颈动脉深度的经验知识（—1.5 cm）²³²⁴。其次，灰度图的边缘

图像被提取（补充图 25b）。图像通过高斯平滑滤波器处理以

去除多余的细节，然后通过 Canny 检测器提取潜在的墙边缘²⁵

第三，检测到的边缘被合并（通过平均它们的垂直坐标值）为一个

边缘曲线表示可能的动脉脉搏。然后我们通过频谱检测脉搏。

分析。补充图 25c 显示了 CA 图像的一个例子，其中边缘曲线是

提取自颈动脉图像。经过快速傅里叶变换后，频率响应

建议在 1--1z 处出现一个峰值，代表心率为 60 bpm。在 nCA 案例中，提取的边缘

曲线将是非周期性的，因此其频率响应将显示没有显著的峰值

心率范围。因此，通过检测频谱中的峰值，我们可以知道是否存在真实的颈动脉脉搏，从而对 CA 和 nCA 图像进行分类。在我们的模型中，心脏

476

此外，这个逻辑模型可以使用单壁或双壁检测标准。对于单壁

墙壁检测标准，只要有一个“脉动墙”（最有可能是前壁）

在图像中检测到的图像被视为“CA 图像”。双壁检测仅

如果前壁和后壁都存在，则将图像视为“CA”。通过这种更

严格的标准，双壁检测可以拒绝更多的假阴性（nCA）案例，但也会拒绝

更多真实阳性（CA）病例。我们的验证结果支持了相同的结论，即一壁标准提供了更好的召回率，而二壁标准则具有更好的精确度。两个标准在准确性方面表现相似，达到了 %（补充图 25d）。485

然而，61%的分类准确率远未令人满意。在迭代测试中，我们发现

该分类器在本研究中倾向于在扰动图像上失败（例如，噪声耦合，动脉

移动和动脉缺失）。这些边缘情况可能会影响边缘检测过程 489 (补充图 25e)并最终导致错误分类。相反，VGG13

模型能够处理图像中的扰动并保持高精度（>99%）（扩展

数据图 6）。此外，逻辑模型中使用的关键参数（例如，高斯

标准差和边缘检测阈值是依赖于个体的。手动迭代和

在模型能够接受新对象之前，需要进行繁琐的优化。深度学习模型可以通过最小熵相关对齐模式将模型转移到新对象上，²⁶ 而无需手动调整参数。

根据这些结果，我们可以得出深度学习模型的三个优势

逻辑模型并证明在我们的任务中使用深度学习模型的合理性。首先，它提供了更好的

分类准确性。其次，它在处理“边缘案例”方面比逻辑 500 模型更可靠。第三，它提供了无劳动的泛化机会，而逻辑模型依赖于手动优化。

502

503 补充讨论 10. 从预测结果生成概率分布 504

深度学习网络产生颈动脉存在的后验概率

每个 32 个通道。理想情况下，这应该遵循一个钟形轮廓，峰值在此

代表动脉中心的轮廓。然而，网络产生的概率可能由于可能获取到受损的 M 模式图像而存在随机噪声。这可能导致

为了降低这种失败的可能性，我们将原始预测轮廓与一个进行了卷积

维度高斯核函数。在我们的实验中，这足以产生一个钟形曲线。

形状曲线可靠地确定动脉中心的位置。补充材料的图表

图 26 显示了颈动脉中心的 50 个预测值与人类确定的基准真值之间的关系，表明预测值与基准真值之间接近一对一的对应关系（y=l.004x-0.137）。

517

518 补充讨论 11. 运动容忍度的极限和脉冲波形的连续性

519

头部运动的速度是一个关键因素，可能会影响模型预测和波形

颈动脉的记录。对于非常高的运动速度，尝试测量颈动脉

动脉风险信号通过传感通道而不产生完整脉冲

循环。因为 M 模式图像中的脉动模式是区分颈动脉与其他的关键。

非颈动脉图像，快速运动可能导致模型缺乏特征

为了识别这一点，我们记录了随着头部增加的动脉信号。

头部偏航速率通过一对惯性测量单元进行量化（S补充

图 27）。当头部偏航速率从 0⁰/s 增加到 80⁰/s 时，记录的脉冲周期

从 2.8 秒减少到 0.3 秒（补充图 30）。前一个周期包含至少两个

在静息心率（即 60—80 bpm）下的动脉脉动周期，而后者时期包含

小于 1/3 个脉冲周期。在 M 模式图像中没有完整的脉冲模式，

机器学习模型无法识别颈动脉。根据 535 补充图 30d 中的结果，可识别脉冲周期的阈值为—l s，对应于—1 536 脉冲周期和头部偏转速率为 0⁰/s，以确保真正的正例（真正的颈动脉图像）537 率足够高，以便成功预测。

538

在相对较低的偏航速率（即，<60⁰/s）下，每个传感通道可以收集较长时间的

包含多个心动周期的动脉脉搏。在这种情况下，分类模型可靠地

识别了包含颈动脉脉搏的 M-mode 图像。因此，脉搏波形

在重新选择扫描通道时没有经历任何失真。然而，在相对

高偏航率（即，>60⁰/s），动脉穿过传感通道，导致 M 模式图像中的脉冲周期显著减少，从而导致真实阳性率低。最终，波形记录经历了失真。

在快速运动后，模型可以继续在传感通道中搜索，并且每当时

一个通道记录了脉冲周期，模型能够识别出最新的最佳 549 通道并建立一个新的扫描通道。因此，良好的脉冲波形记录可以快速恢复（补充图 31）。551

552 补充讨论 12. 最小熵相关对齐 (MECA) 模型的训练原则

554

训练分类器需要数据标注，这需要人工标注者付出一些努力。

领域适应用于将从单一对象的标记数据中训练的分类器转移到

其他没有标签的对象。我们将训练集定义为源域。

数据，Ds = {(xt,Yi 包含图像对 Xi^S 和标签 yt§。从 559 个新受试者收集的图像属于目标域，Dt = 在这里我们只有图像，x f，但没有 560 标签，Yi^t 。

561

领域适应的目标是学习一个转移函数 G，使提取的特征对齐

来自源域 (Ds) 和目标域 (Dt) 的图像。W我们选择 MECA 作为我们的领域

适应模型，因为它提供了一种系统化的方法来调整领域的权重

损失函数中的差异和交叉熵 26。最小化人力投入至关重要。

在本工作中进行超参数微调的应用，因为将有多个 567 个受试者。在该模型中，领域之间的距离通过平方对数欧几里得距离来测量，定义如下：

1

Ilog (CG(Ds), CG(Dt)) — 1 1 Udiag(log@l),...

其中 CG(Ds) 和 CG(Dt) 是由领域生成的特征向量的协方差矩阵

源数据和目标数据的转换器 G；d 是这些特征向量的维度；U

和 V 是 CG(Ds) 和 CG(Dt) 的特征分解的特征向量矩阵，o 和 g 是相应的特征值；F 代表弗罗贝尼乌斯范数。通过最小化这个距离，我们可以训练传递函数 G，以统一源领域和目标领域。 575

576 补充讨论 13. 域适应所需的数据集大小 577

为了验证成功的领域适应所需的最少图像数量，我们

对标记的训练图像数量和来自新 580 对象（未标记）的新图像进行了网格搜索。为此，我们将训练图像的数量从 256 减少到 32，步长为

的 1，并将新图像的数量从 256 减少到 16，步长为 16。生成的热图

分类准确性如补充图 33 所示。我们发现 67 张标记图像来自

一个现有的受试者和 32 张来自新受试者的未标记图像足以实现一个

准确率超过 90%。这可以被视为图像收集中的一项小努力。当图像数量低于这些边界时，准确率可能会显著下降（补充图 33）。

587

588 补充讨论 14. 运动期间的收缩压和舒张压变化

589

运动期间收缩压的急剧增加主要是由以下因素驱动的

心输出量，而运动期间舒张压的变化还受到...的影响

外周血管阻力。在运动过程中，心输出量增加，而外周

血管阻力降低，通过在血管中分散 594 压力来抵消舒张压的变化²⁷²⁸ 这些相互作用表现为在运动期间收缩压的增加大于舒张压的增加。596

597 补充讨论 15. 量化运动对血管的反应 598

在骑自行车和高强度间歇训练中，血压波形具有变化的特征，这表明

运动期间收缩峰值与次级（反射）峰值之间的差异增加

(补充图 34)。这一变化表明，由于流动介导的血管扩张，602 动脉树远端的反射减少ion²⁹

我们使用脉冲波分解分析方法³⁰ 来分析脉冲轮廓和

量化运动中发生的血管扩张。使用这种方法，测量的脉冲波形

来自中央动脉（例如，主动脉和颈动脉）被分解为前向和反射

波。前向波由心脏产生，而反射波被认为

作为来自动脉树远端的反向传播（补充图 35a）。更多

收缩的动脉具有更高的阻抗，往往会产生更强的反射波和更快的速度

反向传播速度（补充图 35b 上面板）。这导致了早期和强烈的

动脉脉搏波形中的反射峰。相反，扩张的动脉具有较低的 612 阻抗，反射较弱，回传速度较慢，因此在脉搏波形中导致了 613 晚期和轻微的反射峰。

我们使用 AIX 来量化血管扩张³¹ AIX 的定义为两者之间的差异

收缩峰值和反射峰值/拐点除以收缩峰值。示例

运动前后记录的波形表明，由于动脉扩张，AIX 增加，并且运动后脉冲波传播的阻抗降低（补充图 35b 下方面板）。

620

在实际应用中，AIX 可以通过血压波形以逐拍的方式进行计算。 在本研究中，逐拍的 Alx 在每分钟内进行了平均，以最小化与意外波形失真相关的潜在误差。

625 补充讨论 16. 运动期间动脉硬度指数的变化和血压校准的误差 627

血压-动脉直径关系适用于运动中的受试者。 ß-

刚度指数在生理范围内与血压无关^{6 7}。此外，有报告称在弹性大动脉（例如，主动脉和颈动脉）进行非阻力运动 32-34（如骑自行车或高强度间歇训练）前后，动脉刚度没有显著变化。

632

为了量化运动期间血压记录的误差，我们比较了 ß 值

在剧烈运动期间，颈动脉直径和骑行后（补充图 36a）。

从基线增加至 19.91%³⁵ 。因此，最大血压误差为

计算得出的静息颈动脉直径两个 ß 值之间为 1.58 mmHg

(3.92 mm) 到高强度运动引起的颈动脉直径 (4.70 mm)

(补充图 3 6b)。这个血压误差低于推荐的最大值。

医学仪器协会所定义的平均差异为 5 mmHg Instrumentation³⁶。因此，在运动期间测量血压时，无需调整ß。 exercise.

642

643 补充讨论 17. 使用脉冲轮廓法估计搏出量644

645 在 Windkessel 循环模型中²⁸，血压波形可用于监测 646 整个循环系统的液体流动，例如流速、顺应性、压力和 647 体积，这使得可以将脉冲轮廓波形与搏动量相关联。648

在风箱模型中，扩张性 c 表示为²⁸ •

c=

其中 P 是压力，V 是流体的体积。描述该系统的主要微分方程为 系统为 写作 28。

dP P*dt

或

655

656 其中 i 是单位时间内流入的液体体积；t 是时间；w 是常数 来自 657 泊松定律。

658

659 因为动脉是非刚性的，在给定时间内的流入和流出并不相等 660 尽管血液是不可压缩的流体。因此，i 应该在整个 661 心动周期内取平均。整合主要的微分方程导致 t0l 方程²⁸ :

662 

663 对于在时间 t = 0 时的非零初始压力 PO，该方程变为²⁸

664 

导致压力方程 28。

P=w i- tc^w'

667

Wesseling 及其同事已将上述 Windkessel 模型作为基础用于

通过积分脉冲轮廓下的曲线面积来计算搏出量³⁷³⁸ 在

本质上，近端大动脉（例如，主动脉或颈动脉）的压力增加是由

心脏的收缩血输出。因此，收缩部分下的面积与搏动量成比例，值为 672³⁹ ，由一个表示循环系统特征阻抗的因子 673，Z37,38。

心脏输出量=

其中 Te 是射血期的结束；P(t) 是实时血压；Pd 是

舒张压。特征阻抗 Z 可以校准为另一种中风的测量。

体积，例如指示剂稀释，或简单地使用年龄、性别、身高等因素进行估算

受试者的体重³⁸⁴⁰ 在本研究中，我们采用了参与者的特征阻抗估计值 Z=0.056 mmHg•s/m1⁴¹

681 补充讨论 18. 传统超声检查中的错误 682

在传统超声检查中，错误可以在操作员一侧以及

患者一侧。在操作员一侧，可靠的探头定位和准确的扫描至关重要。

(补充图 39a-c)。在患者一侧，在检查过程中，测量的

身体部位必须保持静止以避免运动伪影（补充图 39d）。然而，既没有

操作员技能或受试者遵从性在医院或医疗保健之外并不一定可获得

环境。因此，使超声检查能够被普通用户在移动对象上使用。

691

692 补充讨论 19. 运动期间持续监测的临床益处693

首先，持续监测血压比单次瞬时监测具有更强的预后价值

测量。监测在压力源（最显著的是运动）下的血压。

对于夸大的收缩压反应是独立预测心血管死亡率的 42-44

和风险，包括未来的高血压 45 中风 42 动脉粥样硬化 47 心血管

异常 48,49, 胰岛素抵抗⁵⁰ 和高胆固醇血症⁵¹ 其他压力源如心理

压力有类似的关联，但由于其持久或不可预测的特性，可能需要

连续监测数天或数周以捕捉⁵²

其次，血管对运动的反应作为心血管健康的一个重要指标，可以被

通过脉冲波形分析进行特征描述。例如，AIX 揭示了脉冲波反射和

动脉僵硬度⁵³⁵⁴ 较低的 AIX 是理想的，因为高动脉僵硬度与

心血管疾病的⁵⁵-⁵⁷ 增加的动脉僵硬性会对

心脏，限制运动时的心输出量，迫使心脏更加努力地工作，这可能

最终导致心力衰竭 58。因此，降低动脉僵硬度是耐力运动训练的主要期望结果之一 59

709

第三，心脏功能，例如搏出量和由此产生的心输出量，代表着

心脏向全身输送血液的能力可以通过脉冲轮廓得出

方法³⁹ 。身体中的所有细胞都需要通过血液输送的氧气和营养物质来维持它们的

代谢。心脏无法提供足够的血液以支持身体的代谢

需要的，例如异常低的搏出量和静息时或运动早期心输出量的平稳期，是心力衰竭的一个标志。⁶⁰

第四，对于健康人群，相同剂量的运动可能会导致非常不同的反应

不同的人（例如，普通人和运动员）。传统的运动测量

基于持续时间和重复次数的强度不是个性化的。USoP 可以测量

实时监测运动中的心血管反应，从而提供对实际锻炼的洞察

722

第五，对于患有心血管疾病的患者群体，参与锻炼是重要的

状态管理。Exe超出安全阈值的运动可能会引发风险，例如运动-

运动诱导的高血压 62 或心脏骤停 63。运动诱导的收缩压的大小

压力增加也被证明是死亡率的预测指标⁴³ 使锻炼

m测量是一个有价值的预后指标。此外，中心舒张压是其中之一

冠状动脉灌注的主要驱动因素。因此，持续监测中心

舒张压可能提供急性心肌缺血的早期警示信号⁶⁴-⁶⁶

补充讨论 20. 高风险患者对持续组织监测的临床需求

人群

733

USoP 可以自主监测心血管和呼吸系统，使用类似

基于图像的机器学习算法适用于动脉。这些 736 个重要系统的持续监测对于某些高风险人群至关重要，可以带来更好的患者管理和临床结果。

738

例如，老年人群体面临着发展冠心病的高风险。然而，

此类疾病的发展是慢性的，通常在急性症状被发现之前被忽视

(例如，由于心肌梗死引起的心源性休克⁶⁷)。持续监测可以检测到减少的 742 分数缩短或异常的心室壁运动，这表明心脏功能下降。

因此，可以识别冠状动脉疾病的早期迹象，从而进行及时管理

疾病的可能性。同样，持续监测呼吸功能可以使

早期识别肺功能障碍，例如呼气量减少，并提供 746 对急性过程（例如肺炎）或更慢性肺病的早期警告，从而允许更早和更明确的干预。

Flosonics Medical Butterfly IQ

电池电路

传感器

 c Exo Cello d Ulimpia e Pulsify Medical

748 

补充图 1 | 可穿戴或即时护理应用的超声设备。a，The

Flosonics Medica1 开发的刚性连续波多普勒流量传感器⁶⁸ b，刚性手-

由 Butterfly IQ 开发的持有探头⁶⁹ . c，刚性压电微机械超声

基于换能器（PMUT）的手持探头由 Exo Ce110 提出⁷⁰ d，软超声波

Ulimipia 提出的成像设备⁷¹ . e, Pulsify Medica1 提出的软心脏监测仪⁷²

接地电极

信号电极

嗨		噪声	噪声
			前后全部 w Il

3 a

> 2

放大器

内壁

后壁 -3

 20 40 60

组织的噪声耦合 时间 (微秒)

-3

补充图 2 | 减少噪声耦合的探头布局设计。a，当信号

电极面朝皮肤时，寄生电容 Cs 可以直接将带内噪声传导到

放大器，导致高噪声底。b，当接地电极面向皮肤时，电容器 757 Cg 会将噪声信号短路到地面，而不干扰信号线。因此，

接收到的射频信号将具有更干净的基线。

没有支持

有支持 0.34 毫米

1.0 1.0

0.50.5

-0.5-0.5

-1.0-1.0

 22 24 26 28 30 32 34 22 24 26 28 30 32 34

时间 (微秒) 时间 (微秒)

补充图 3 | 通过背衬层改善轴向分辨率。没有背衬层时，回波包络的半最大宽度（FWHM）为 1.98 mm。使用背衬层时，回波信号的振铃被抑制，从而使 FWI-IM 改善至 0.34 mm。

764

765时间 (微秒)

补充图 4 | 从颈动脉收集的射频信号与

没有凝胶。使用凝胶（a）和不使用凝胶（b）获得的动脉壁回声都很强。

并且可区分。结果显示，当未使用凝胶时，回声幅度会减少不到 15%。因此，无凝胶测量的信号降解最小。

770

2

-2

 o 5 10 15 20 25

新设备	140 9120 E 100 a- 80 60 40	六个月后

时间 (微秒) b

140

120 E 100

a- 80

60

40

2

o 5 10 15 20 25

时间 (微秒)

 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10

时间 (秒) 时间 (秒)

补充图 5 | 软探头的耐久性测试。收集了脉冲回波信号。

使用相同设备从颈部获取。a，刚制造的设备和使用过的设备获取的原始射频信号。b，新设备和使用过的设备获取的颈动脉血压波形。

VIA

传感器背板和垂直互连接入

信号层 接地信号层

b 盘布局C 线性阵列布局d 二维阵列探头

e

补充图 6 | 三种软探头的布局和波束轮廓设计。a，交叉-

可拉伸探头设计的剖面图。换能器和背衬层是

夹在两层电极（接地（GND）层和信号层）之间。一个垂直互连。

接入 (VIA) 用于将接地电极引导到信号层以进行连接。b，两个

电极用于盘探头。电极以并联方式连接 112 个传感器。c，两个

线性阵列探头的电极。信号层由 32 个通道组成，每个通道。

有 8 个像素并联连接。d，2D 阵列探头的两个电极。32 个传感器

由一个底电极接地。信号层分布为四层。e，模拟的 784 个 acoustic 传输场景的三种探头设计，其中通过圆盘、线性阵列和二维布局分别可以实现穿透性、宽和窄的波束 785 特征。786

b 铜接触垫

1 2 3 4 5 6 7 8 9 10 11 12 13 14

粘合时间

补充图 7 | 可拆卸 ACF 连接的表征。a，俯视图

可拆卸连接的 ACF。b，显示热的横截面示意图

压缩粘合工艺。在热压缩后，各向异性导电胶（ACA）中的纳米颗粒在铜垫和 ACF 银迹之间形成 790 个垂直连接。

通过重新加热并将 ACF 和 ACA 从铜垫上分离，可以实现脱粘

当它们很热时。重复的粘合和脱粘进行了十四次以展示

ACF 连接的可重复性。在每轮粘合过程中，八个铜垫同时被粘合，并测量了它们的阻抗。平均阻抗均为<10 Q，并且在 10 次重复粘合和脱粘过程中仅略有增加。

			层 3
层 2	层 4

1 cm

1 厘米

补充图 8 | fPCB 电路的布局设计。a，具有四个的ÑCB 布局

互连层。b，带有关键组件（补充表 2）标记的 tPCB 照片。模拟前端的尺寸为 3 厘米 x 4 厘米。无线数据采集模块的尺寸为 3 厘米 x 3 厘米。c，电路被弯曲和扭曲以展示其灵活性。800

模拟前端模块

 
脉冲发生器电路我多路复用电路

无线数据采集模块

补充图 9 | 模拟前端和无线数据的示意连接

采集模块。模拟前端由脉冲发生器、接收器、多路复用器组成，

发射/接收开关 (T/R SW)、序列器和连接器。无线数据采集 804 模块由一个带有片上模数转换器 805 (ADC) 的微控制器 (MCU, PIC32) 和一个 Wi-Fi 电路 (ESP32) 组成。

补充图 10 | fPCB 的可折叠性。a，电路的模块化设计ry

由无线数据采集（DAQ）和模拟前端（AFE）模块组成。

厚度超过 0.5 毫米的刚性芯片用彩色框突出显示。b，放大-

在视图中显示 DAQ 与 AFE 模块之间的蛇形互连。电源

供电线连接两个模块之间的电池电压（V+）和接地（GND）。

AFE 输出射频（RF）信号，这些信号被 DAQ 接收作为输入

模拟到数字转换器 (ADC)。同时，DAQ 模块输出触发信号，

作为输入以启动脉冲回波传感的信号由 AFE 接收。c，芯片布局经过设计。

在折叠时减少 fPCB 的厚度。折叠后，板与板之间的间距是

由两个组件（Pin 作为电池连接器，电感 1.2）决定，厚度为 816 1.75 毫米。请注意，重叠的芯片（URI 和 UI l）的厚度相同，为 1.75 毫米。

因此，重叠不会增加折叠设备的额外厚度。d，tPCB 的侧视图

折叠前后。折叠后的 DAQ 和 AFE 模块的最小间距为 1.75 819 毫米。T整个 fPCB 的占地面积从 3 厘米乘 8.3 厘米减少到 3 厘米乘 4 厘米，折叠后。

820

a

 b 

c

<-灵活的 printflexible 印刷电路板 circuit board

粘合片

补充图 11 | 弹性体包装模具的设计。a，三视图

弹性体封装的模具的图纸和尺寸。b，3D 打印的模具和

脱模的弹性体包装件。c，fPCB 的两种包装策略。对于第一种

策略，fPCB 被展开并由脱模的弹性体片和一个平坦的

基材片（左）。对于第二种策略，fPCB 被折叠并包裹在脱模的

 a b

皮肤 最大主 冯·米塞斯应力

o 0.015

补充图 12 | fPCB 和弹性封装的机械仿真。a，

tPCB 的顶部和底部视图。沿着白色的印刷电路板的一个横截面

虚线是在弯曲下模拟的。b，设备横截面几何形状的光学图像

以及相应的模拟最大主应变分布在 fPCB 中。

最大弯曲曲率在没有塑性变形的情况下达到 0.14 cm-I，对应于

弯曲角度为 24.1⁰。人类皮肤的最大主应变和 von-Mises 应力，

d，弹性封装，以及 e，fPCB。模拟结果表明，设备 835 在 10%的皮肤拉伸下的变形是弹性的。f，包装设备在 10% 836 单轴拉伸下的光学图像。

837

传感器类型

补充图 13 | 原始信号频率与电路采样率的比较

代表性可穿戴生理监测器的。根据奈奎斯特—香农

采样定理，电路采样率应至少是原始信号的两倍

适当采样的频率。热量、生物电位、加速度计、光学、电化学、

应变，超声信号被比较。本文中的 USoP 设备提供的电路采样率比其他传感器高出超过 843 个数量级，因此可以捕捉到更高频率的超声信号。845

a

距离

b

 o 5 10 15 20 25

距离 (m)

 C 6

4

3

2

1

0

h 10 20 30 40 50 60

设备已开启 时间 (秒)

补充图 14 | 通过 Wi-Fi 无线传输超声信号。a，The

测试设置显示 USoP 与智能手机之间的数据传输。b，Wi-Fi 信号

随着传输距离的增加，强度逐渐增强。在 米的间隔内，Wi-Fi 强度可以

保持 >-60 dBm 以确保可靠传输。强度值是从二十次 850 次重复测量中平均得出的，误差条表示标准偏差。c，10 米处的传输 851 速度，数据传输速率为 3.4 Mbps。

电路组件

补充图 15 | USoP 的功耗和电池寿命。a，电流

电路组件在 3.7 V 输入下的消耗。总平均电流消耗

为 166 mA（模拟前端（AFE）为 24 mA，无线数据采集为 142 mA）

(DAQ) 模块)。因此，USoP 的功率为 毫瓦。b，寿命（每个面板）和的

商业电池的相应长度 (L)、宽度 (W) 和高度 (H)（下方面板）。通过将电池容量和尺寸从 400 mAh、4.76 cm³ 增加到 2 Ah、20.29 cm³，USoP 858 可以连续运行 2.4 小时。

A 模式

<-t2

O

15

20

0.0 0.2 0.4 0.6 0.8 时间 (s) d B 模式成像

b M-mode

幅度 (V)

(前壁)

（后壁）

d—

161 微米 (#17)

E 300 幅度

275

200

220

100165

110

0.0 0.2 0.4 0.6 0.8

补充图 16 | 可穿戴超声探头的多模式传感。a，A 模式用于

捕捉动脉壁。射频信号的包络线指示幅度和位置。

反射界面的。动脉直径（d）是声学的一半的乘积。

飞行时间 (t2-t1) 和声速 (c)。b, M-模式用于捕捉动脉的膨胀

墙壁持续。射频信号的示例帧（左）及其对应的

M 模式图像中的舒张期和收缩期（右）。c，肱动脉的运动映射

使用 6 MHz 2D 探头。根据膨胀幅度（左侧和中间），空间

可以映射肱动脉的方向（右）。d，B 模式成像铁丝

使用 2 MHz 线阵探头的幻影。射频信号（左）显示反射的

铁丝的波前。重建的图像（右侧）显示了在深度为 1 870 cm、2 cm 和 3 cm 处成像的铁丝。图像上标注了轴向和横向半最大全宽，显示了线性阵列在不同深度的成像分辨率。872

深度 (mm)

补充图 17 | 软探头的横向和纵向分辨率。a，示意图

软探头的示意图，显示了分辨率的横向和竖向方向

特征描述。b，某一深度 877 处非成像阵列的横向和纵向分辨率可以定义为每个传感器的波束宽度。c，2 MHz 单传感器的横向/纵向传输波束模式及其在 10-30 mm 深度的波束扩展特征。

c，单个换能器在 6 MHz 2D 阵列中的横向/升高声波传输波束模式

及其在 10-30 毫米深度的波束扩散特征。d，横向传输波束模式的一个

4 MHz 线性阵列中的单个传感器及其在 10-30 毫米深度的波束扩展特性。f,

4 MHz 线阵中一个传感通道的高程传输波束模式和

其波束扩展轮廓在 10-30 毫米深度。激活的传感器在插图中标记。g，波束模式的-3dB 波束宽度显示了三个探头的横向和纵向分辨率。

886

— 平面探头的声学路径— 曲面探头的声学路径

小孔径 大孔径

弯曲阵列 单位：毫米

侧面宽度

 10 15 20 25 30

深度 (mm)

补充图 18 | 具有升高变形的传输波束模式。a, 889 示意图显示两个弯曲半径为 10 mm-I 的阵列。两个设备均有 8 个传感器。890 小孔径设备的间距为 0.8 mm，而大孔径设备的间距为 1.6

毫米。一个点源设置在距离阵列中心 5 厘米处。b，相应的时间延迟误差

为每个传感器计算了。c，4 MHz 线性传感器的模拟提升波束模式

阵列。探头以 5—10 毫米的半径弯曲，并且波束模式是

与平面阵列相比。d，深度为 5 毫米时的波束强度剖面显示，侧瓣强度在所有弯曲曲率下均低于主瓣的 30%。e，-3dB 波束宽度表明，当弯曲半径大于 6 毫米时，弯曲并未导致显著的波束扩展。

1 cm

898

补充图 19 | 具有方位弯曲的点源模拟 B 模式图像。

a, 示意图显示沿方位方向弯曲的线性阵列。b, B 模式成像结果

在深度为 1 厘米、1.5 厘米、2 厘米、2.5 厘米和 3 厘米的点源的情况下，使用 902 种不同弯曲半径的 4 MHz 线性阵列进行测量。结果表明，当 903 阵列的弯曲半径小于 6 厘米时，会出现伪影（用红色箭头标记）。

0.8

0.6

Y 0.4

40.2

0.0

延迟 (微秒)

补充图 20 | 使用自相关进行组织界面运动检测

方法。a，两帧射频回波显示组织界面的运动。b，

包含来自组织界面的反射的分段射频回波。包络

从回声段生成，以定义界面反射的轮廓。c，来自包络的 Auto908 相关值。滞后 0.384 对应于最大值。

探头 超声波束

桡动脉壁 肱动脉壁 c 颈动脉壁 d 股动脉

(横截面视图) (横截面视图) (横截面视图) (矢状长轴视图)

补充图 21 | 不同生物界面的探头位置和声学视图

测量。探头位置和视角在示意图中标注。B 模式

来自一名 25 岁健康受试者的图像是使用商业化的Butterfly IQ 手持设备

以持有探头作为参考。a，桡动脉和 b，肱动脉是使用默认设置收集的。

“血管通路”的设置。c，颈动脉和 d，股动脉使用默认设置收集。

“血管：颈动脉”的设置。e，腹主动脉使用 916“腹部”的默认设置进行采集。f，左心室使用“心脏”的默认设置进行采集。g，膈肌穹隆使用“腹部深层预设”的默认设置进行采集。

补充图 22 | 使用商业超声波进行的分数缩短测量

系统。a，B 模式图像显示心脏的旁胸长轴视图，带有交叉-

左心室的横截面视图。b，来自中心扫描线生成的 M 模式图像

在 a 中的 B 模式图像。左心室内径末期舒张（LVIDs）和末期

b • 训练前 • 训练后

4.4

LLN: 730千

4.2

4.0

0 3.8

3.6

3.4

3.2

 60 70 80 90 100 110

FEVI/FVC (⁰/0)

补充图 23 | 呼气量的计算。a, 横膈膜运动期间

由 USoP 记录的强制呼气。在呼气阶段，总的活动度（FVC）和

呼气第一秒内的偏移量（FEVI）被记录。b，基于测量的

FEVI 和 FVC，健康志愿者的呼吸功能被评估。志愿者

在参加有氧训练小时后进行了相同的 FEVI 和 FVC 测量

每周四次，持续四个月。四象限图表明 FVC 增加，

表明呼气功能增强。不健康的呼吸表现，例如 932 阻塞性、限制性和混合性疾病，如果 FVC 和 FEVI/FVC 值低于正常下限（LLN），则可以诊断。

934

935

补充图 24 | 使用修改后的数据集进行模型训练和验证。a，

对原始图像数据集的修改，包括裁剪一面墙、裁剪两面墙，以及

标签打乱的图像。b，VGG13 模型在这些修改后的数据集上的验证指标。939 次训练/验证是在一个包含 3826 幅超声图像的修改数据集上进行的，带有一个

941

时间 (s)

 o 1 2 3 4 5 6 7

频率 (Hz) d

VGG13 单墙 双墙

检测 检测

补充图 25 | 通过图像处理对颈动脉图像进行分类

逻辑模型。a，逻辑模型的工作流程图。b，提取显著特征的图像处理步骤。

图像中的边缘。c，基于快速傅里叶变换的脉冲检测。d，验证指标

逻辑模型与 VGG13 深度学习模型的比较。e，妥协

948

补充图 26 | 颈动脉最佳通道预测的统计验证

与真实情况相比的动脉感测。VGG13 模型的 50 个预测结果被绘制出来。

与人类确定的最佳通道相对。回归函数表明预测与真实值之间存在线性关系 952 (y=1.004x-0.137)。重叠的数据点以偏移交叉的形式绘制。

954

角速度测量 b

800/s 头部 旋转 主机 躯干单元
躯干 - 头部（准确的头部 旋转)

 10 20 30 40

时间 (s)

补充图 27 | 记录头部旋转。a，两个独立的惯性测量单元

(LSM6DS3) 被安装在参与者的头部和胸部，以记录头部旋转。b，The

电路与 LSM6DS3 接口，该接口具有一个存储卡，用于保存录音以便后期处理。

c，参与者在进行躯干旋转和头部旋转时记录的偏航速率。959 通过计算头部单元与躯干单元之间的差异，可以去除躯干运动，从而准确记录头部旋转。961

补充图 28 | 头部运动下的颈动脉位移。a，示意图

三自由度头部旋转的示意图，包括偏航、滚转和俯仰（左）。A

典型的人可以在 -40⁰ 到 +40⁰ 之间进行俯仰和滚转⁰ 到 +80⁰。颈动脉

在头部偏转（右侧）时具有最大的位移。b，使用 966 商业超声探头收集的 B 模式图像显示了在各种头部旋转下的位移。图像中标记的坐标是动脉中心的位置。968

归一化

时间延迟强度

子孔径与 CA

nCA

CA

nCA

CA

nCA

通道

补充图 29 | 使用线性阵列探头检测移动动脉。a，A

当线性阵列中的一个传感通道被激活时，模拟的声束轮廓。971 声束中心具有最强的声强。b，颈动脉（CA）的示意图

在头部运动期间的横截面。虚线表示传感器的波束中心。

声强最高的通道。c，各通道（Ch）记录的 M 模式图像。

当颈动脉在移动时。对于每个传感通道，动脉脉搏将出现一段时间，

当动脉被其声束照射时。包含动脉脉冲的周期是

用白色框突出显示。d，传感通道的读数显示了颈动脉的位置。在这种情况下，颈动脉可以通过通道#13-17、#16-20 和#19-23 在 tl、t2 和 t3 时被感知。

979

0 20 40 60 80

偏航速率 ( ^O/s)

980

补充图 30 | 通过一个传感通道收集的 M 模式图像，随着增加

偏航速率。a，示意图显示声束的相对位置和

移动的颈动脉。b，使用一个固定传感器收集的 M 模式图像在偏航状态下

20 的速率⁰/s。当从 M 模式图像中观察到三个可识别的记录周期时

颈动脉经过。在开始时，当颈动脉位于传感通道外时，

未检测到动脉脉搏（周期 i）。当颈动脉移动时记录脉搏。

在传感通道下方（阶段 ii）。最后，当动脉移开时，脉冲消失。

来自传感通道（周期 iii）。c，M 模式图像，偏航速率从 0增加到⁰/s 到

800/s，显示出脉冲周期减少。当偏航速率增加到 600/s 时，脉冲周期

短于一个心跳周期，这意味着 M-mode 图像将记录不到完整的

脉冲的周期。d，平均脉冲周期和真正阳性率（TPR，真实颈动脉图像）

当偏航速率达到 600/s 时，M 模式图像的数量显著下降。对于每个偏航速率，使用了 993 100 张图像来计算平均脉冲周期和 TPR。误差条表示

最大速度：10 ⁰/s 慢动作

最大速度：20 ⁰/秒

最大速度：30 ⁰/秒

最大速度：40 ⁰/秒

最大速度：50 ⁰/秒

最大速度：60 ⁰/秒

最大速度：70 ⁰/秒

最大速度：80 ⁰/s 快速运动

时间 (s)

996 补充图 31 | 在从 0⁰/s 997 增加到 80 ⁰/s 的偏航速率下记录的脉冲波形。 在缓慢运动下，颈动脉脉冲波形显示出高连续性。当偏航 998 速率增加到 70 ⁰/s 和 80⁰/s 时，波形开始出现明显的失真。

0.35

纪元

Epoch 0 在领域适应之前 •#2

Epoch 3600 经过领域适应

b

补充图 32 | 量化域距离和域的可视化

分布。a，平方对数欧几里得距离，表示领域距离，减少了

随着训练周期的增加。b，域分布使用 t 分布可视化。

随机邻居嵌入程序。在领域适应之前（第 0 代），源领域 1003（受试者#1）和目标领域（受试者#2）可以很容易地区分。在领域适应后（第 3600 代），两个领域合并，显示没有显著差异。

40 60 80 100 120 140 160 180 200

源域的图像编号

补充图 33 | 域后观察到的分类准确率热图

适应来自目标和源域的不同数量的图像。

热图显示，通过使用少至 32 张来自目标领域的未标记图像和 67 张来自源领域的标记图像，可以达到高达 90%以上的准确率，以进行领域适应训练。

1011

骑自行车

O min 10 分钟 20 分钟 30 分钟 40 分钟 50 分钟 60 分钟

0 分钟 1 分钟 2 分钟 3 分钟 4 分钟 5 分钟 6 分钟 7 分钟 8 分钟 9 分钟 10 分钟 11 分钟 12 分钟

补充图 34 | 在骑行过程中记录的代表性压力波形

1--111 T. 在 a、骑行和 b、高强度间歇训练（HIIT）期间记录的中心血压波形。波形

在运动过程中，形态发生显著变化。在这两种运动场景中，收缩压峰值与反射压峰值之间的差异在运动期间增加，表明在运动过程中远端反射减少和血管扩张增加。

二尖瓣凹陷

(AV closure)

远端

近端

b 刚性动脉

早期且强烈

2 1202

2 100e 00

800

 0.0 0.2  0.4 0.6 0.8

时间 (s)

软动脉

晚期和轻度

140

120

100

80

 0.0 0.2 0.4 0.6

时间 (s)

补充图 35 | Alx 的测量 a，示意图显示动脉血

脉冲波形形成和 Alx 的计算。前向波（PI）和反射

波（P2）构成血压波形中的局部峰值。AIX 的计算是基于峰值。

差值除以前向峰值。还有一个额外的局部最小点是由于

主动脉瓣（AV）的关闭。b，颈动脉下的血压波形

静息和运动后情况。在静息情况下，动脉树的远端有一个

更高的阻抗，导致早期和强烈的反射峰 P2。相反，在 1025 号运动后的情况下，远端的阻抗较低，导致晚期和温和的反射峰 1026。

1027

7.722

7.698

7.724

8.2

8.0

7.8

u-7.6

7.4

7.2

7.0

之前 期间 之后

b

E 1 .5

2 0.5

 3.9 4.1 4.3 4.5 4.7

直径 (mm)

补充图 36 | 动脉硬度指数 (P) 的测量在之前、期间和

运动后。每个场景的 13 值是从二十个独立测量中平均得出的。