电子织物-用于自适应机器学习呼吸保护的可拉伸电纺纳米纤维过滤器

图1：动态空气过滤器的概念。

a、 当前空气过滤器技术的概念说明。目前的空气过滤器是作为固定过滤效率和渗透性的静态对象制造的，这导致其和可变环境的持续不一致。b、 动态空气过滤（DAF）的概念图。在高效低渗透（HELP）和低效高渗透（LEHP）模式之间主动动态调整其过滤特性，使DAF能够适应各种情况，并最大限度地发挥佩戴者的效用。c、 HELP和LEHP模式对应的情况示例。DAF根据佩戴者的当前优先级，在两种模式之间的整个范围内调整其特性。d、 算法驱动的自动DAF调制的概念图。空气质量响应算法（AQA，上图）和呼吸需求响应算法（BDA，下图）能够根据不断变化的空气质量和佩戴者的呼吸需求自动、一致地优化过滤特性（过滤效率和渗透性）。水平虚线表示传统的静态空气过滤器。e、 微孔的主动重新缩放，是动态调整过滤特性的核心机制。小（上部）和大（下部）微孔分别对应于HELP和LEHP模式。

图2：弹性纤维膜（EFM）空气过滤器。

a、 在拉伸60%应变期间和之后，电子纺SBS EFM空气过滤器的数字（上）和SEM（下）图像显示没有明显的微观结构退化。（五个独立样品的代表）标尺，1cm（上部）5μm（下部）b和c，微孔因机械应变而膨胀。b、 毛细流量法（CFP）测量的孔径分布。插图是原始（左）和60%径向应变（右）EFM样品的SEM图像。插入比例尺，5μm（五个独立样本的代表）c，分布的平均值和标准偏差值，以及两个模型平均值的理论估计值：几何膨胀（红色）和纤维变薄组合（蓝色）。d和f，改变入渗特性。（面速度，0.4厘米每秒））在循环径向应变调制期间，改变EFM空气过滤器的渗透效率（PM0.5）和压降。（最大径向应变为60%）e，d标记区域的放大图，显示去除效率和压降分别同时下降6%和62%。X轴由径向应变代替。f、 EFM空气过滤器的品质因数（QF）变化，显示出对60%径向应变的响应增加了2倍。水平虚线表示传统的静态空气过滤器。g和h，EFM空气过滤器应变响应QF增强的示意图解释。g、 在压降降低60%的情况下，EFM与传统空气过滤器的内层比较。h、 纤维减薄效应和扩散机制对效率降低的补偿。i、 循环调制的相图，显示了EFM的修正渗透率-效率负相关和低水平机械滞后

图3：自动控制DAF呼吸器。

a.−c、 气动可控DAF组件。a、 DAF装置的数字图像由各向同性膜拉伸器（IMS）和EFM空气过滤器组成。比例尺，2厘米。（代表>20个独立样品）b，左侧：显示DAF装置组件的分解图示意图：弹性体、刚性导向架、气动管和EFM空气过滤器。右图：突出主要特征的DAF横截面图：隔膜和放气室。c、 DAF气动机构示意图。弹性膜片根据放气室的气压径向移动，并导致EFM延伸。d和e，自动控制DAF呼吸器（DAF-R）。d、 DAF-R的主要部件示意图：带有两个DAF单元的面板、两个数字气压计（用于P1、P2）、PM传感器、轻型空气泵和MCU板，无线连接到运行机器学习控制器算法的外部计算机。插图是DAF-R（代表3个独立样本）的数字图像。呼吸器压力（P1）和放气室压力（P2）是佩戴者呼吸模式和DAF扩张水平的指标。图中的佩戴者是作者之一。比例尺，5厘米。e、 DAF-R的控制器结构包括机器智能和PID控制两个阶段。机器智能阶段有两个子体系结构：长期短时记忆（LSTM）预测和优化阶段

图4：DAF呼吸器的动态调节。

a、 BDA（左）和AQA（右）概念图，分别响应佩戴者的呼吸需求和环境空气质量。b、 BDA的作用。实验场景：在清洁的环境空气（PM2.5<10μg m−3）下 ，体力活动从每小时6公里增加至10公里每小时，分别在60秒的时间内观察。左：实验期间呼吸特征（P1，呼吸频率（RR））的变化。红色，无控制（静态帮助模式）；蓝色，BDA控制。右：EFM扩张机动（P2，P2*）和RR稳定响应。递减p2表示EFM扩展。P2*，算法生成的targetp2；P2，测量值。c、 AQA的影响。实验场景：佩戴者以恒定速度（10公里每小时）跑步） 在60秒时进入污染空气。左：PM2的变化。5根据受污染的空气暴露情况在呼吸器内。红色，无控制（静态LEHP模式）；蓝色，AQA控制.右：EFM松弛机动和由此产生的PM流入减少。增加的p2表示EFM收缩。d和e，BDA和AQA的联合效应。实验场景：在污染空气（PM2.5∼150μg m−3）下， 相同的体力活动随着b、c的增加而增加。d、 与清洁空气（红色；数据在b、c中）相比，INP1和P2（蓝色）的变化。污染空气条件下的小幅度下降（EFM膨胀）反映了BDA和AQA的同时作用。e、 RR（左）和PM2的变化。5与静态EFM设置相比，呼吸器内部（右侧）：无控制帮助模式（黑色），无控制LEHP模式（红色）。f和g，通过迁移学习方法实现个性化。f、通过迁移学习实现个性化概念的示意图。g、 左：转移学习之前（红色）和之后（蓝色）不同人类主观和LSTM预测的归一化P1（黑色）。k、迁移学习前后预测精度的比较（上）以及初始训练和迁移学习所需的数据量（下）。人类受试者：27岁，男性，172厘米，72公斤，非专业志愿者（b−d） )；29岁，男性，174厘米，80公斤，非专业志愿者（g）。所有实验数据代表至少五个独立实验（n≥5).