膝关节畸形（如O型腿、X型腿）是高发的肌肉骨骼疾病，除影响步态美观外，长期异常力学负荷还会引发膝关节疼痛，早期精准诊断是有效干预、延缓病程及提升生活质量的关键。然而，传统诊断方法存在操作复杂、成本较高、难以动态捕捉日常步态数据等瓶颈。现有可穿戴传感设备则普遍存在刚性大、佩戴不适、监测数据滞后等问题，限制了其在长期日常健康监测中的应用。因此，开发舒适便捷、可实现持续精准监测的技术手段，已成为膝关节健康管理领域亟待突破的关键挑战。

针对上述需求，华侨大学付莲莲副教授、厦门大学林友辉、莆田学院陈健敏教授近日结合静电纺丝和浸泡法制备了单宁酸/聚吡咯/聚醚酯复合纤维膜，不仅具有优异的导电性和可拉伸性，还具备良好的焦耳加热性能、光热性能和生物相容性，将其组装成压力传感器集成于足压鞋垫中，结合深度学习模型可实现膝畸形98.0%精准诊断（图1）。相关工作以“Highly Stretchable and Durable Thermoplastic Poly(ether-ester) Fibrous Membrane for Constructing a Deep Learning-assisted Knee Deformity Diagnosis System”为题目发表在期刊《Advanced Fiber Materials》上。华侨大学硕士研究生刘金沂与厦门大学博士研究生易佳为该工作的共同第一作者。

图1.单宁酸增强聚醚酯/聚吡咯柔性纤维膜的制备及足压鞋垫在膝畸形诊断的应用。

高性能复合导电复合材料的构建，离不开优质柔性基底的支撑。为此，该研究团队选用具有微相分离结构的聚醚酯弹性体（TPEE）为基材，该材料本身具备优良的柔韧性，为后续复合体系的性能奠定基础。首先，对TPEE的静电纺丝工艺参数开展了系统性调控与优化，重点探究了纺丝液浓度、纺丝电压以及纺丝流速三个关键参数，对TPEE纤维微观形貌与力学性能的调控作用（图2）。经过系列实验筛选，最终确定最优工艺参数为：纺丝液浓度5 wt%、纺丝电压27 kV、纺丝流速20 µL/min。基于该最优参数制备的TPEE纤维膜，纤维直径分布均匀，无串珠状缺陷产生，其断裂伸长率可达748%，具备优异的柔韧性与结构稳定性，为后续导电涂层的均匀沉积与负载提供了理想的柔性基底保障。

图2. TPEE纤维膜的制备与表征。

为实现材料力学性能与导电性能的双重提升与突破，该研究采用“静电纺丝工艺制备TPEE基底、吡咯原位聚合、单宁酸（TA）掺杂”的三步制备策略，成功制备出单宁酸增强聚吡咯/聚醚酯复合纤维膜（TPEE-PPy-TA）。结果显示，TA的引入能够推动聚吡咯更均匀地沉积在TPEE纤维表面。这是由于TA分子结构中含有大量酚羟基，不仅可与PPy分子链之间形成稳定的氢键网络，还能与Fe³⁺发生金属配位反应，进而显著增强PPy与TPEE纤维膜之间的界面结合力。合纤维膜的断裂伸长率可达454%，电导率提升至2.99 S/cm，成功实现了高拉伸性能与优良导电性能（图3）。

图3.不同TA含量的TPEE-PPy-TA复合膜的形貌与性能表征。

该复合纤维膜还展现出优良的热响应性能（图4），在2–8 V直流电压的驱动作用下，可实现高效快速的电热转换，当施加8 V电压时，其表面温度能够达到62.2 ℃，且具有响应速度快、循环使用稳定性佳的特点。此外，在100 mW/cm²的模拟太阳光照射条件下，该材料可在100秒内快速升温至55 ℃，且在停止光照后能够迅速降温，有效规避了过热带来的安全风险。这种优异的热管理效为该材料赋予了额外的功能应用潜力，未来可将其集成到可穿戴设备当中，用于局部热疗、足部保暖以及疲劳缓解等场景，使智能足压鞋垫同时具备畸形诊断与健康保健的双重功能。

图4. TPEE-PPy-TA0.25纤维膜的电热与光热性能。

基于该复合材料构建的TPEE-PPy-TA柔性可穿戴传感器，在传感性能与人机交互能力方面也呈现出优异表现（图5）。在0-30 N的压力区间内，该传感器不仅响应灵敏，还具备良好的线性响应特性；经过1000次循环加载测试后，其信号输出依旧保持稳定状态，未出现明显的信号漂移现象。进一步实验结果表明，该柔性传感器能够精准识别手指、手腕、手肘等不同关节的各类弯曲角度，实现对肢体动作的精准捕捉。除此之外，还可根据按压压力的差异实现摩斯码通信功能，同时能够完成英文大小写字母的区分输入操作，充分彰显了其在多元化场景中的应用潜力。

图5. TPEE-PPy-TA 柔性可穿戴传感器的性能研究与应用。

在上述研究基础上，利用制备的柔性传感器，成功开发出了一款智能足压鞋垫。该鞋垫搭载8分区柔性传感阵列，可有效覆盖足跟、足弓、前掌等足底关键受力区域，同时通过采用银叉指电极结构与聚酰亚胺封装层设计，兼顾了长期佩戴的舒适性与信号采集的稳定性。研究过程中，通过采集志愿者在不同膝关节姿态（轻度/重度膝内翻、轻度/重度膝外翻及中立位）下的动态足底压力分布数据，结合CNN-Transformer混合架构的深度学习模型进行特征提取与分类识别，最终实现了膝关节畸形的高精度智能诊断，诊断准确率达到98.0%（图6）。

图6. 足部压力信号监测及其在膝关节屈曲状态中的应用。

综上所述，该研究通过将材料创新与人工智能技术深度融合，成功构建出一种兼备高拉伸性能、优异导电性及良好热响应特性的聚醚酯基复合纤维膜。基于该材料集成开发的智能足压鞋垫，实现了膝关节畸形的无创、实时且高精度诊断，不仅为个性化健康管理、运动医学康复诊疗及膝关节疾病早期筛查等领域提供了全新技术支撑，更提出了一种具有参考价值的新型材料设计思路。

原文链接：https://doi.org/10.1007/s42765-025-00659-x