现代生活的快节奏导致睡眠问题日益严重。传统的睡眠监测设备要么笨重复杂（比如医院的多导睡眠监测仪），要么精度有限（比如智能手环只能粗略记录体动）。可穿戴传感器是便携式睡眠监测的理想选择。然而，电容式压力传感器的灵敏度，根本上受限于材料的机械模量。传统线性聚合物存在柔软度下限，力学性能受限，导致传感的灵敏度不高，难以用于监测呼吸、脉搏等微小生理信号。

  近期，浙江理工大学纺织科学与工程学院郑思佳副研究员、曹志海教授团队，选取生物基硫辛酸、深共晶溶剂与有机硅为构筑单元，通过紫外光引发开环反应，构建独特的硫辛酸有机硅深共晶弹性体（图1），其独特的瓶刷结构带了本征的“超软”特性；系统研究了组分比例对材料微观结构、离子导电性（图2）、力学性能（图3）、传感灵敏度（图4）的影响，并将其应用于监测呼吸模式（图5）、表情识别、脉搏信号（图6）等睡眠相关生理信号检测，验证其在智能健康监测领域的应用潜力。

  2026年8月11日，该工作以“Lipoic Acid-based Biocompatible Deep Eutectic Solvent Silicone Elastomer with Bottlebrush Topology for Ultra-Pressure Sensitive Sensing”为题发表在《Advanced Functional Materials 》上。

图1. 低共熔溶剂弹性体化学结构示意图及睡眠监测应用

  图2研究结果表明，LAP-DESs的离子电导率按LAP-LA50（2.7×10?3 S/m）、LAP-Gly50（2.26×10?3 S/m）至LAP-Cit50（1.11×10?3 S/m）依次递减，这主要取决于DES在LAP基体中的分散状态及界面相互作用。分子模拟证实，ChCl:LA和ChCl:Gly与硅氧烷链段的结合能较低（分别为-13.99和-14.82 kcal/mol），热力学相容性良好，且LAP分子链中的酯基作为极性位点能增强局部相互作用，促进DES均匀分散，进而形成贯穿基体的连续导电路径，有效降低离子迁移能垒。此外，LAP-LA50的电导率优于LAP-Gly50，主要归因于ChCl:LA粘度更低，确保了体系具有更高的离子迁移率。

图2. （a）LAP-DESs的电化学阻抗谱（b）LAP-DESs的离子导电率（c）DESs与有机硅链段之间的络合能（d）DESs与聚硅氧烷链段的结构示意图（e）DESs与聚硅氧烷链段结合后的结构示意图

  LAP本身高模量低伸长，加入DES后变软且延展性大幅提升；其中甘油基DES（LAP-Gly50）综合力学性能最佳，具备优异的回弹性、抗疲劳性和循环稳定性，且在宽湿度范围及浸水后仍能保持结构完整，是柔性可穿戴设备的理想候选材料。

图3. 材料的机械性能：（a） LAP-Gly50的光学照片展示其柔韧性。（b） LAP-Gly50具有良好的回弹性。（c） LAP-DESs 的拉伸应力-应变曲线。（d） LAP-DESs 的韧性。（e）DES添加量队 LAP-Glys应力-应变曲线的影响。（f） LAP-Gly50 在 25% 至 150% 不同拉伸应变范围内循环拉伸应力-应变曲线。（g） LAP-Gly50 在 125% 应变下，经 20 次无间隔加载-卸载拉伸循环的应力-应变曲线。（h） LAP-DESs 的压缩应力-应变曲线。（i） LAP-Gly50 在 20% 至 80% 不同压缩范围循环压缩的应力-应变曲线。（j） LAP-Gly50 在 80% 压缩应变下，经 20 次无间歇加载-卸载压缩循环的应力-应变曲线。

  如图4所示，基于LAP-Gly50薄膜与PTFE介电层组装的电容传感器，在0–5 kPa低压范围内灵敏度高达8.86 kPa?1，远优于多数文献报道，这归因于瓶刷网络赋予的超软性和优异回弹性，使传感器能灵敏检测微小形变（如微水滴）并实现快速响应（响应时间6 ms，恢复13 ms）。该传感器在低压区的高灵敏度使其适用于微弱生理信号监测，且回弹性好、信号反馈稳定，具备良好的实际应用潜力。

图4. 电学性能：（a） 压力-电容传感器的组装示意图。（b） LAP-DESs 的压力-电容响应曲线。（c） LAP-DESs 的灵敏度（曲线）。（d） LAP-Gly50 与文献报道中其他材料的压力灵敏度和杨氏模量对比。（e） 水滴落在传感器表面后的信号变化。（f） 用手轻按传感器时产生的信号变化。

  本研究验证了其作为睡眠监测传感器的可能性：将传感器贴于口罩内侧，可有效区分快、慢等不同呼吸模式，并实现超800个周期的连续监测；贴附于胸腹亦能可靠检测呼吸形变，适用于多部位。此外，该传感器还能识别睡眠中的打鼾信号、实时监测眼动、面部表情及腕部脉搏，其中眼动信号清晰可辨，脉搏检测结果与商用手环高度一致，并能呈现动脉搏动的P波、T波和D波特征。通过多模态信号综合分析，可初步识别美梦（如微笑相关的面肌电变化及稳定脉搏）与噩梦（如眼动加速、皱眉肌紧张、心率显著升高等）对应的生理模式，为睡眠质量动态评估提供依据（图5、6）。

图5. 呼吸监测：（a, b） 鼻子和嘴巴呼气时，三种状态（快速呼吸、正常呼吸、缓慢呼吸）下的电容变化。（c, d） 传感器在三种状态下（腹部呼吸和胸式呼吸）的电容变化。（e）正常呼吸与打鼾时的电容变化。

图6. 面部和脉搏信号监测：（a） 人脸面部肌肉分布图。（b） 皱眉、眨眼、眯眼、嘴巴鼓气以及微笑时产生的电容变化。（c） 眼球运动时的相对电容信号。（d） 手部脉搏信号变化与市售腕带测试结果的对比。（e） 不同时间点心脏部位的脉搏信号。

  在此，感谢国家自然科学基金项目（52203075）和浙江省领军型创新创业团队（2024R01020）的支持！

  原文链接：https://doi.org/10.1002/adfm.77676