Pembelajaran Mesin Meningkatkan Bioelektronika Multimodal: Kemajuan Menuju Sistem Perawatan Kesehatan Cerdas

Abstrak
Bioelektronika multimoda telah memungkinkan pemahaman yang komprehensif tentang keadaan biologis yang kompleks dengan menangkap beragam sinyal biologis dan berinteraksi dengan perubahan fisiologis pada lingkungan biologis. Sistem ini dikategorikan menjadi perangkat multi-penginderaan, yang mengumpulkan dan menganalisis beberapa sinyal biologis secara bersamaan, dan perangkat multifungsi, yang memberikan umpan balik dinamis melalui mekanisme seperti pelepasan obat, stimulasi listrik, dan aktuasi mekanis. Namun, perolehan dan analisis terintegrasi data heterogen dari biosensor ini menimbulkan tantangan komputasi yang signifikan, yang memerlukan kerangka kerja analitis tingkat lanjut untuk mengekstrak wawasan yang bermakna. Pembelajaran mesin telah muncul sebagai alat penting untuk interpretasi data dan pengambilan keputusan waktu nyata melalui penanganan tantangan dalam integrasi data yang luas, ekstraksi fitur, dan pemodelan prediktif. Implementasi pembelajaran mesin pada perangkat multimoda memperluas kemampuannya melampaui biosensor konvensional, melakukan analisis korelasi lintasmoda, deteksi anomali waktu nyata, dan umpan balik yang bergantung pada situasi. Tinjauan ini mengeksplorasi kemajuan terkini dalam bioelektronika multimoda dan integrasi pembelajaran mesin dalam bioelektronika multimoda. Selain itu, evaluasi berbagai aplikasi pembelajaran mesin dilakukan dengan membahas kemajuan utama, tantangan, dan arah penelitian masa depan dalam teknologi biosensor multimoda cerdas, yang memiliki potensi besar untuk merevolusi aplikasi biomedis, memfasilitasi pengembangan sistem pemantauan kesehatan yang otonom dan responsif.

1 Pendahuluan
Meningkatnya permintaan untuk pengobatan presisi dan pemantauan kesehatan real-time telah mendorong pengembangan sistem bioelektronik canggih yang mampu mengatasi keterbatasan inheren dari sensor mode tunggal tradisional. [ 1 , 2 ] Sensor mode tunggal terbatas dalam kemampuannya untuk menilai secara komprehensif keadaan fisiologis yang kompleks dari pemakainya, karena mereka hanya dapat mendeteksi satu jenis biosignal. [ 3 , 4 ] Pemantauan kesehatan yang akurat dalam berbagai kondisi termasuk aktivitas fisik, istirahat, dan keadaan patologis memerlukan analisis simultan dari beberapa sinyal fisiologis. [ 5 ] Namun, mengandalkan beberapa sensor diskret untuk mencapai hal ini dapat menyebabkan peningkatan ketidaknyamanan pengguna dan mengurangi daya pakai, membuat pendekatan seperti itu kurang diinginkan dalam aplikasi praktis. [ 6 ] Lebih jauh lagi, sensor mode tunggal tidak dapat melakukan validasi silang kejadian fisiologis melalui beberapa sumber sinyal, yang dapat menyebabkan interpretasi yang tidak akurat di lingkungan yang rawan artefak. [ 7 ] Karena cakupan sinyal dan interpretasi biosignal kontekstualnya yang terbatas, sensor mode tunggal tidak cocok untuk kondisi dunia nyata. Dengan demikian, bioelektronika telah maju baik dalam akuisisi sinyal resolusi tinggi, dan penginderaan multimoda, menangkap fluktuasi berbagai sinyal fisiologis. [ 5 , 8 – 10 ] Menanggapi kemajuan ini, bioelektronika multimoda yang ditingkatkan dengan pembelajaran mesin telah muncul sebagai teknologi transformatif, yang memungkinkan akuisisi, integrasi, dan interpretasi simultan dari berbagai sinyal fisiologis. [ 11 – 13 ] Biosensor multimoda ini tidak hanya mengukur beberapa biosignal secara bersamaan tetapi juga menggabungkan analisis data cerdas dan fungsi stimulasi, yang membuka jalan bagi aplikasi biomedis generasi berikutnya.

Biosensor multimoda dapat dikategorikan ke dalam dua klasifikasi utama berdasarkan kapasitas pengukuran dan kemampuan fungsionalnya ( Gambar 1 a ). Kategori pertama meliputi perangkat multi-penginderaan yang mendeteksi beberapa sinyal biologis secara bersamaan, yang memungkinkan analisis terpadu terhadap sinyal kimia, fisik, dan elektrofisiologi. Kategori kedua meliputi perangkat multifungsi yang memberikan umpan balik yang disesuaikan seperti pemberian obat, stimulasi listrik, dan aktuasi mekanis, berdasarkan analisis data yang diperoleh. Kedua jenis biosensor multimoda ini memiliki tujuan dan lingkungan aplikasi yang berbeda.

Gambar 1
Buka di penampil gambar
Kekuatan Gambar
Kemajuan bioelektronika multimoda. a) Tinjauan umum bioelektronika multimoda konvensional. b) Integrasi pembelajaran mesin ke dalam bioelektronika multimoda yang mengarah pada munculnya bioelektronika multimoda yang ditingkatkan dengan pembelajaran mesin. Direproduksi dengan izin. [ 135 ] Hak cipta 2022, Springer Nature. Direproduksi dengan izin. [ 161 ] Hak cipta 2024, Springer Nature. Direproduksi dengan izin. [ 173 ] Hak cipta 2023 Elsevier Inc. Direproduksi dengan izin. [ 197 ] Hak cipta 2023, American Chemical Society.
Dibandingkan dengan biosensor unimodal, biosensor multimodal mengumpulkan volume data yang jauh lebih besar. [ 14 , 15 ] Karakteristik ini secara inheren mengarah pada keterbatasan yang terkait dengan pemrosesan data yang luas dan kompleks yang dihasilkan oleh biosensor multimodal dan menganalisis interaksi antara sinyal yang diperoleh untuk mendapatkan interpretasi yang bermakna. Sementara sinyal kimia, fisik, dan elektrofisiologis secara individual memberikan informasi penting, gagal mempertimbangkan interaksi antara sinyal-sinyal ini dapat menyebabkan interpretasi fisiologis yang tidak akurat. Hal ini menghadirkan tantangan signifikan pada teknik analisis data konvensional, yang tidak memadai untuk segera mengekstrak wawasan yang bermakna dari sinyal fisiologis yang kompleks dan saling bergantung dan memberikan respons umpan balik yang disesuaikan untuk terapi yang tepat.

Karena penafsiran korelasi rumit antara sinyal dan penyampaian umpan balik waktu nyata memerlukan kerangka kerja pemrosesan data tingkat lanjut, pembelajaran mesin telah menjadi alat yang sangat diperlukan untuk penafsiran data yang efisien, yang memungkinkan ekstraksi informasi fisiologis penting dan penyampaian umpan balik khusus situasi yang disesuaikan secara waktu nyata. [ 16 – 18 ] Penerapan metodologi pembelajaran mesin khusus, yang disesuaikan dengan tujuan spesifik dan konteks operasional setiap biosensor, sangat penting untuk mencapai kinerja yang optimal. [ 19 , 20 ] Dalam perangkat multi-penginderaan, model pembelajaran mesin yang khusus dalam ekstraksi fitur sangat penting untuk mengekstraksi hubungan yang bermakna antara berbagai sinyal fisiologis yang mungkin diabaikan oleh teknik analisis konvensional, yang mengarah pada prediksi akurat tentang status penyakit. [ 21 – 23 ] Sedangkan, dalam perangkat multifungsi, kerangka kerja pembelajaran mesin yang dikembangkan untuk klasifikasi memungkinkan modulasi mekanisme umpan balik khusus secara waktu nyata, memastikan pengobatan terapeutik yang optimal dengan menyesuaikan parameter interaktif secara dinamis berdasarkan kondisi fisiologis kontekstual. [ 24 – 27 ]

Tinjauan ini memberikan gambaran umum yang komprehensif tentang berbagai kelas perangkat multimoda dan penerapan model pembelajaran mesin, yang menekankan kontribusinya untuk meningkatkan kinerja sensor, interpretasi data, dan pengambilan keputusan waktu nyata (Gambar 1b ). Integrasi pembelajaran mesin memungkinkan bioelektronika multimoda untuk melampaui kemampuan konvensionalnya, muncul sebagai kelas baru sistem bioelektronika dengan fungsionalitas adaptif dan otonom. Lebih jauh, kami mengeksplorasi arah dan tantangan masa depan di bidang ini, yang menyoroti transisi dari bioelektronika multimoda sederhana ke bioelektronika multimoda cerdas, di mana sensor tidak hanya mengumpulkan dan menganalisis data lintasmoda tetapi juga secara aktif melaporkan anomali dan berinteraksi secara dinamis dengan lingkungannya. Melalui pemeriksaan konvergensi pembelajaran mesin dan bioelektronika multimoda, makalah ini bertujuan untuk menawarkan perspektif progresif tentang bagaimana inovasi ini akan membentuk masa depan perawatan kesehatan yang dipersonalisasi, diagnostik yang dapat dikenakan, dan platform bioelektronika generasi berikutnya. [ 28 , 29 ]

2 Biosensor Multimodal
2.1 Perangkat Multi-Penginderaan
Perangkat multi-sensing mengintegrasikan beberapa modalitas penginderaan ke dalam satu platform, yang memungkinkan deteksi dan analisis simultan berbagai parameter, seperti sinyal kimia, fisika, dan elektrofisiologi. Tidak seperti sistem sensor tunggal tradisional, perangkat ini memberikan kinerja yang ditingkatkan dengan menangkap berbagai titik data dalam lingkungan yang kompleks, yang menawarkan pemahaman yang lebih komprehensif tentang sistem dinamis. Selain itu, perangkat ini memungkinkan analisis korelasi dan interaksi antara beberapa parameter, yang memfasilitasi pengambilan keputusan secara real-time dan analisis prediktif. Kemajuan terkini dalam rekayasa material, pemrosesan sinyal, dan miniaturisasi perangkat telah semakin memperluas kemampuan teknologi multi-sensing, yang memastikan kinerja yang tangguh. [ 30 – 38 ]

Bagian ini menyajikan perangkat multi-penginderaan yang dirancang khusus untuk memenuhi permintaan yang terus meningkat akan akuisisi data multi-dimensi yang akurat. Selain itu, bagian ini membahas berbagai pertimbangan yang diperlukan untuk memastikan pengukuran beberapa parameter yang stabil dan andal, serta mengatasi berbagai tantangan potensial seperti interferensi sinyal, pengoptimalan desain, dan kompatibilitas material.

2.1.1 Pemantauan Kimia dan Fisika
Perangkat multi-sensing yang mengintegrasikan biosensor kimia dan fisika memberikan pengukuran tersinkronisasi dari beberapa parameter kimia dan fisika. [ 39 ] Sensor kimia menangkap penanda biokimia yang ada dalam cairan dan gas biologis seperti keringat, [ 40 ] urin, [ 41 ] air mata, [ 42 – 46 ] sementara sensor fisik mengukur parameter seperti tekanan, suhu, dan kelembaban. [ 47 – 54 ] Dengan menyinkronkan data dari sumber kimia dan fisik, perangkat multi-sensing memungkinkan diagnosis akurat penyakit kompleks dan analisis komprehensif lingkungan dinamis. Misalnya, pemantauan diabetes yang efektif dalam pengaturan klinis tidak hanya memerlukan pelacakan penanda biokimia seperti glukosa, [ 55 ] kolesterol, [ 56 ] dan insulin [ 57 ] tetapi juga secara bersamaan mengukur tanda-tanda vital seperti suhu tubuh, [ 58 ] denyut nadi, [ 59 ] laju pernapasan, [ 60 ] dan tekanan darah. [ 61 ] Oleh karena itu, permintaan akan data yang selaras dengan waktu dari biosensor kimia-fisika, yang memfasilitasi diagnosis penyakit dini dan penilaian yang lebih komprehensif terhadap status kesehatan pengguna, telah meningkat. [ 62 ]

Setelah pandemi virus corona sindrom pernapasan akut berat 2 (SARS-CoV-2), kebutuhan akan perangkat yang dapat dikenakan dan portabel untuk deteksi dini infeksi virus telah meningkat secara signifikan. Sebagai tanggapan, Li et al. mengembangkan sistem diagnosis infeksi patogenik (PIDS) yang beroperasi secara nirkabel dan tanpa baterai dalam platform miniatur ( Gambar 2 a ). [ 63 ] Sistem ini mengintegrasikan biosensor imun, suhu, dan pernapasan, yang memungkinkan diagnosis infeksi SARS-CoV-2 yang cepat dan penilaian tingkat keparahan gejala dengan memantau laju pernapasan abnormal dan perubahan suhu napas. Proses deteksi dimulai ketika partikel virus SARS-CoV-2 dalam napas yang dihembuskan mengikat antibodi protein lonjakan yang diimobilisasi pada grafen yang diaktifkan. Pengikatan ini mengubah konsentrasi protein lonjakan, yang menyebabkan penurunan resistansi permukaan grafen, yang kemudian diubah menjadi sinyal listrik. Keberadaan infeksi ditentukan berdasarkan rentang variasi arus. Konduktivitas yang unggul dan luas permukaan grafen yang besar meningkatkan responsivitas dan sensitivitas sensor. Selain itu, ketika infeksi hadir, fluktuasi arus terjadi dengan inhalasi dan ekshalasi, yang memungkinkan pengukuran laju pernapasan. Secara bersamaan, biosensor suhu terintegrasi mendeteksi perubahan suhu napas yang dihembuskan, yang meningkat karena demam yang disebabkan oleh gejala infeksi. Dengan mengintegrasikan data multisensor yang terdeteksi secara bersamaan, sistem ini memungkinkan deteksi virus yang cepat dan akurat. Selain itu, algoritma pembelajaran mesin semakin meningkatkan presisi diagnostik dengan menganalisis fluktuasi data sensor dan mengidentifikasi pola terkait infeksi.

Gambar 2
Buka di penampil gambar
Kekuatan Gambar
Perangkat multi-sensing. a) Platform mini untuk diagnosis infeksi patogenik. b) Jarum biopsi multi-sensing. c) Deteksi ganda konduktivitas, pH, dan kadar glukosa. d) Struktur biosensor hibrida kimia-elektrofisiologis yang dapat dikenakan. e) Penempatan sensor yang strategis pada earphone. f) Pemantauan laktat dan EEG secara simultan selama sesi bersepeda 20 menit. g) Mengurangi sinyal crosstalk dengan meningkatkan jarak antara dua sensor. h) Deteksi simultan sinyal kortisol dan EMG selama sesi bersepeda. i) Perangkat kesehatan multifungsi yang sangat tipis. j) Sistem biosensing mikroelektroda multimoda yang merekam sinyal elektrofisiologis dan detak mekanis. k) Sinyal elektrofisiologis dan detak mekanis kardiomiosit. a) Direproduksi dengan izin. [ 63 ] Hak Cipta 2023, Springer Nature. b,c) Direproduksi dengan izin. [ 66 ] Hak Cipta 2020, Elsevier. d) Direproduksi dengan izin. [ 73 ] Hak cipta 2016, Springer Nature. e,f) Direproduksi dengan izin. [ 74 ] Hak cipta 2023, Springer Nature. g,h) Direproduksi dengan izin. Hak cipta 2024, Springer Nature. i) Direproduksi dengan izin. [ 81 ] Hak cipta 2022, Springer Nature. j,k) Direproduksi dengan izin. [ 92 ] Hak cipta 2022, Elsevier.
Dalam pemantauan tubuh manusia, penilaian histologis memberikan informasi diagnostik penting dengan memungkinkan evaluasi kelainan jaringan pada tingkat mikroskopis. [ 64 ] Pencitraan medis, disebut biopsi, sangat penting untuk mengekstraksi sampel jaringan secara akurat dari tubuh untuk analisis lebih lanjut. [ 65 ] Namun, jarum biopsi konvensional yang dipandu oleh computed tomography (CT) atau magnetic resonance imaging (MRI) tidak dapat secara efektif membedakan antara jaringan normal dan mencurigakan, yang mengarah pada potensi ketidakakuratan dalam pengumpulan sampel. Untuk mengatasi keterbatasan ini, Park et al. mengembangkan jarum biopsi multi-sensing dengan mengintegrasikan konduktivitas listrik, pH, dan sensor glukosa, memanfaatkan perbedaan yang ditunjukkan antara lesi yang mencurigakan dan jaringan normal (Gambar 2b ). [ 66 ] Sensor ini dibuat pada substrat polimida (PI) yang fleksibel dan diintegrasikan ke dalam jarum menggunakan lapisan perekat yang peka terhadap tekanan. Jarum biopsi multi-sensing dievaluasi menggunakan model hati babi yang diperfusi, di mana konduktivitas, pH, dan konsentrasi glukosa dikontrol untuk meniru perbedaan antara jaringan normal dan kanker. Dengan mengalirkan larutan garam penyangga fosfat (PBS) dengan parameter yang berbeda, sistem berhasil menukar cairan interstisial, yang memungkinkan pengukuran multimoda secara real-time. Jarum biopsi mendeteksi perbedaan yang jelas dalam konduktivitas, pH, dan kadar glukosa antara jaringan normal dan jaringan yang menyerupai kanker, yang menunjukkan kemampuannya untuk membedakan karakteristik jaringan berdasarkan sifat biokimia dan listrik (Gambar 2c ).

2.1.2 Pemantauan Elektrofisiologi dan Kimia
Sinyal elektrofisiologis, yang dihasilkan oleh pergerakan ion melintasi membran sel, mencakup aktivitas saraf dinamis, termasuk gelombang otak [ 67 ] (Elektroensefalografi; EEG, elektrokortografi; ECoG) dan aktivitas otot [ 68 ] (elektrokardiografi; EKG, elektromiografi; EMG). Kemajuan elektronik yang dapat dikenakan telah memfasilitasi studi komprehensif tentang proses fisiologis dengan mengintegrasikan sensor elektrofisiologis dengan sensor kimia. [ 69 ] Studi terbaru telah menunjukkan bahwa kemampuan gabungan ini memungkinkan pelacakan aktivitas saraf secara bersamaan di samping perubahan biokimia, menyediakan kumpulan data yang lebih kaya untuk diagnostik medis, terapi yang dipersonalisasi, dan penelitian ilmu saraf sambil meningkatkan presisi dan kedalaman penilaian kesehatan. [ 70 ] Misalnya, keringat adalah biofluida yang umumnya ditargetkan untuk perangkat pemantauan kebugaran karena kemudahan pengumpulannya dan non-invasif. [ 40 ] Konsentrasi berbagai komponen dalam keringat mencerminkan keadaan fisiologis yang berbeda, seperti dehidrasi, tingkat stres, aktivitas metabolisme. [ 71 , 72 ] Bila dikombinasikan dengan informasi elektrofisiologi yang berasal dari sel internal, informasi ini dapat berkontribusi pada analisis fisiologis yang lebih mendalam.

Imani et al. mengembangkan biosensor hibrida kimia-elektrofisiologis yang dapat dikenakan yang mampu memantau laktat keringat dan sinyal EKG secara bersamaan. [ 73 ] Mereka mengintegrasikan dua jenis biosensor—elektroda elektrokimia dan sensor EKG bipolar—ke dalam film poliester fleksibel setebal 50 µm menggunakan teknologi cetak stensil (Gambar 2d ). Desain ini memastikan perolehan sinyal yang stabil saat menempel di dada manusia tanpa menyebabkan rasa tidak nyaman.

Namun, keberadaan keringat dapat menciptakan jembatan konduktif antara EKG dan elektroda elektrokimia, yang menyebabkan gangguan sinyal selama pengukuran. Untuk mengurangi masalah ini, penulis menerapkan lapisan hidrofobik menggunakan Ecoflex, yang secara efektif meningkatkan impedansi antara kedua elektroda. Hasilnya, biosensor hibrida berhasil mengumpulkan kedua jenis sinyal tanpa gangguan yang signifikan.

Demikian pula, meminimalkan crosstalk adalah pertimbangan penting ketika mengintegrasikan beberapa modalitas penginderaan. Penataan spasial sensor secara signifikan memengaruhi potensi crosstalk. Xu et al. merancang sensor terintegrasi in-ear yang terdiri dari susunan elektroda EEG dan elektroda elektrokimia untuk penginderaan laktat keringat. [ 74 ] Sistem ini disesuaikan dengan anatomi telinga setiap individu. Sensor laktat diposisikan ke arah tragus, area dengan sekresi keringat tertinggi, sebagaimana diverifikasi oleh uji pemetaan keringat in-ear. Sebaliknya, sensor EEG berorientasi ke arah lobus temporal, di mana sekresi keringat minimal (Gambar 2e ). Penempatan sensor yang strategis ini memastikan kedekatan dengan sumber sinyal EEG dan pengurangan potensi crosstalk. Penulis berhasil menunjukkan pemantauan laktat dan EEG secara bersamaan saat subjek mengenakan sensor in-ear selama sesi bersepeda 20 menit. Hasilnya menunjukkan pola data fisiologis yang berbeda dengan noise minimal dan tidak ada crosstalk yang signifikan (Gambar 2f ).

Perangkat multi-sensing yang didesain dengan baik yang meminimalkan crosstalk memfasilitasi analisis korelasi antara parameter fisiologis yang berbeda. Hossain et al. mengembangkan platform penginderaan terintegrasi yang menggabungkan sensor EMG dan kortisol keringat untuk menganalisis hubungan antara latihan dan stres. [ 75 ] Sensor-sensor ini dimasukkan ke dalam patch yang fleksibel, dengan data ditransmisikan secara nirkabel ke perangkat seluler. Untuk mengurangi crosstalk, penulis mengoptimalkan jarak antara dua sensor, meningkatkannya dari 3 menjadi 5 mm (Gambar 2g ). Multi-sensing sinyal elektrofisiologi dan kimia yang dioptimalkan ini, berhasil menangkap sinyal kortisol dan EMG secara bersamaan selama sesi bersepeda, mengungkapkan perbedaan yang berarti dalam respons fisiologis pada titik waktu yang berbeda sepanjang sesi (Gambar 2h ).

2.1.3 Pemantauan Fisik dan Elektrofisiologi
Sinyal fisik dan elektrofisiologi saling bergantung, karena mereka berinteraksi dengan dan dipengaruhi oleh faktor fisiologis lain seperti suhu tubuh dan aktivitas manusia. Oleh karena itu, hanya mengandalkan data elektrofisiologi tidak cukup untuk mendiagnosis penyakit secara akurat atau memprediksi kondisi kesehatan. Sebaliknya, pemantauan berkelanjutan dari kedua sinyal elektrofisiologi, seperti EKG dan EMG, dan parameter fisik memberikan wawasan yang lebih komprehensif tentang kondisi kesehatan. [ 76 ] Namun, penginderaan sinyal fisik dan elektrofisiologi secara bersamaan merupakan tantangan karena sifat material sensor elektrofisiologi. [ 77 – 80 ] Material yang digunakan dalam sensor ini sangat sensitif terhadap regangan dan deformasi yang diberikan, yang menyebabkan ketidakstabilan sinyal dan pembacaan yang tidak akurat. Dengan demikian, upaya rekayasa struktural atau material untuk mengatasi kelemahan tersebut sangat penting untuk aplikasi sensor tingkat lanjut. [ 81 – 90 ] Zhang et al. mengatasi masalah ini dengan menggunakan MXene-Ti₃C₂T x , material dengan konduktivitas listrik dan fleksibilitas mekanis yang sangat baik. Mereka mengembangkan perangkat kesehatan multifungsi yang sangat tipis, yang mengintegrasikan sensor EKG, tekanan, dan suhu dalam struktur lapis demi lapis untuk pemantauan kesehatan secara real-time (Gambar 2i ). Perangkat ini secara efektif melacak deformasi yang disebabkan oleh tubuh manusia, fluktuasi suhu, dan aktivitas EKG, membantu dalam deteksi dini penyakit jantung dan sinyal fisiologis yang abnormal.

Bahasa Indonesia: Selain memantau sinyal fisiologis makroskopis, biosensor multimoda juga dapat menyelidiki aktivitas seluler, di mana kontraksi dan relaksasi otot merupakan hasil dari potensial aksi yang dihasilkan di dalam sel. Misalnya, dalam kardiomiosit, proses penggabungan eksitasi-kontraksi, di mana sinyal EKG mendahului kontraksi jantung, memerlukan pengukuran aktivitas listrik dan detak mekanis secara simultan untuk pemahaman yang komprehensif. [ 91 ] Untuk mencapai hal ini, Zhang et al. mengembangkan sistem biosensing mikroelektroda multimoda yang merekam sinyal elektrofisiologis dan detak mekanis untuk pengujian obat pada kardiomiosit (Gambar 2j ). [ 92 ] Sistem ini menggunakan mikroelektroda yang menempel pada kardiomiosit, menunjukkan adhesi yang lebih lemah selama kontraksi, yang pada gilirannya menyebabkan penurunan impedansi sel-elektroda saat kardiomiosit berkontraksi. Interaksi elektromekanis ini memungkinkan penangkapan sinyal elektrofisiologis dan pola detak mekanis yang berbeda secara simultan. Dengan menggunakan tiga saluran perekaman yang berbeda, penulis berhasil menangkap dua sinyal yang berbeda dan mengamati penundaan puncak antara sel-sel pada saluran ini, yang menunjukkan perambatan sinyal (Gambar 2k ). Khususnya, laju penembakan sinyal elektrofisiologis sangat sesuai dengan laju detak, memperkuat korelasi antara aktivitas listrik seluler dan gerakan mekanis. Temuan ini menggarisbawahi potensi perangkat biosensing multimoda dalam memajukan pemahaman tentang kopling elektromekanis dalam kardiomiosit, menawarkan platform yang kuat untuk penelitian jantung dan pengujian obat.

3 Perangkat Multifungsi
Perangkat multifungsi merupakan sistem biosensor canggih yang memadukan kemampuan penginderaan dengan mekanisme respons aktif. Sistem ini tidak hanya mendeteksi variasi fisiologis atau biokimia, tetapi juga memulai respons yang disesuaikan secara tepat, seperti stimulasi listrik, pelepasan obat terkontrol, atau aktuasi mekanis. Dengan menggabungkan fungsi deteksi dan respons, perangkat ini memfasilitasi intervensi waktu nyata berdasarkan masukan biosignal tertentu, sehingga memungkinkan aplikasi terapeutik dan diagnostik yang sangat personal. [ 93 – 95 ] Sistem terintegrasi tersebut memberikan umpan balik yang segera dan disesuaikan, meningkatkan presisi terapeutik, mengurangi beban pasien, dan mengatasi persyaratan dinamis sistem biologis yang kompleks. Bagian ini mengkaji tiga mekanisme respons utama yang dimasukkan ke dalam biosensor multifungsi: pemberian obat terkontrol, stimulasi listrik, dan aktuasi mekanis.

3.1 Biosensor Terintegrasi Pengiriman Obat
Sistem penghantaran obat merupakan platform yang dirancang untuk pemberian senyawa farmasi yang disesuaikan dengan penyakit atau gejala tertentu, sehingga meningkatkan kemanjuran manajemen penyakit dan intervensi terapeutik. Bila diintegrasikan dengan biosensor, sistem penghantaran obat dapat mendeteksi biomarker dan memberikan obat terapeutik secara bersamaan, sehingga memungkinkan perawatan kesehatan yang dipersonalisasi melalui pemantauan berkelanjutan kadar biomarker, yang bervariasi di antara setiap individu.

Biosensor terintegrasi penghantaran obat dapat mendeteksi berbagai biosignal, termasuk keringat, pH, glukosa, laktat, sinyal EKG, dan suhu tubuh. Sebagai respons terhadap sinyal-sinyal ini, sistem dapat melepaskan agen terapeutik seperti polipeptida, polisakarida, atau molekul kecil dengan cara yang terkendali. [ 96 – 98 ] Misalnya, Liu et al. mengembangkan sistem patch jarum mikro yang mampu mengelola diabetes dengan melepaskan insulin berdasarkan kadar glukosa yang terdeteksi. [ 99 ] Ketika patch jarum mikro ditempelkan pada kulit, susunan jarum mikro berongga polistirena dimasukkan ke dalam lapisan dermis, tempat elektroda film tipis berlapis grafena bertindak sebagai elektroda penginderaan ( Gambar 3 a ). Elektroda ini menggunakan analisis spektroskopi impedansi elektrokimia (EIS) untuk mengukur kadar glukosa interstisial. Sinyal yang terdeteksi diproses melalui papan sirkuit cetak (PCB) dan komputer yang terhubung ke perangkat. Ketika kadar glukosa melebihi 8,3 mm terdeteksi , mikropompa elektroosmotik diaktifkan secara otomatis. Mekanisme ini melepaskan insulin dari reservoir obat selama 10 menit, yang kemudian disalurkan melalui saluran berongga dari jarum mikro. Dengan menggunakan sistem patch loop tertutup, perangkat ini memungkinkan pemberian insulin tanpa rasa sakit secara real-time sebagai respons terhadap kadar glukosa, sehingga memungkinkan manajemen diabetes yang efektif. Seperti yang ditunjukkan pada Gambar 3b , kadar glukosa darah menurun dari 22,0 mm ke kisaran normal 8,0 mm dalam waktu 110 menit setelah menggunakan sistem patch loop tertutup. Sistem ini secara efektif mempertahankan kadar glukosa dalam kisaran normal bahkan setelah pemberian insulin dihentikan, yang mengonfirmasi kemanjuran manajemen diabetes. Selain patch berbasis jarum mikro, berbagai perangkat lain dapat digunakan untuk sistem pemberian obat. Misalnya, Meng et al. memperkenalkan sistem pemberian obat menggunakan susunan berbasis polimer yang terintegrasi ke dalam perban pintar untuk manajemen dan perawatan luka. [ 100 ]Ketika cedera kulit terjadi, infeksi bakteri dapat menimbulkan risiko yang signifikan. Perangkat ini mengatasi infeksi tersebut dengan mendeteksi perubahan pH, biomarker yang terkait dengan penyembuhan luka. pH kulit normal agak asam, berkisar antara 5,5 hingga 6,5, tetapi ketika luka terjadi dan tingkat bakteri meningkat, pH menjadi basa, meningkat ke kisaran 7,15–8,9. Patch pintar menggabungkan sensor berbasis polianilin untuk memantau tingkat pH dan sensor berbasis Poli(3,4-etilendioksitiofena) untuk mendeteksi konsentrasi asam urat yang dikompensasi pH. Berdasarkan perubahan yang terdeteksi, ia menggunakan pembawa obat berbasis polipirol untuk mengantarkan siprofloksasin ke lokasi luka. Perangkat ini menggunakan susunan elektroda grafena yang diinduksi laser (LIG) yang terintegrasi ke dalam patch 3D, yang memungkinkannya untuk merasakan tingkat pH dalam kisaran 4–10 dan konsentrasi asam urat di atas 0,9 mm m . Pengiriman obat kemudian dieksekusi berdasarkan konsentrasi biomarker yang terdeteksi, melepaskan siprofloksasin ke area yang terkena. Platform perban pintar ini menawarkan pemantauan biomarker luka secara real-time dan mengelola perawatan luka secara nirkabel melalui sistem pengiriman obatnya, memberikan solusi praktis untuk perawatan luka yang dipersonalisasi (Gambar 3c ).

Gambar 3
Buka di penampil gambar
Kekuatan Gambar
Perangkat multifungsi. a) Skema patch jarum mikro pada kulit. b) Perubahan glukosa darah yang menunjukkan sistem injeksi glukosa jarum mikro mengurangi glukosa darah tikus diabetes ke kisaran normal. c) Ilustrasi skema perban theranostik pintar multifungsi yang memungkinkan pengukuran elektrokimia kadar pH (dalam kisaran 4–10) dan konsentrasi UA (hingga 0,9 mm ) sebagai indikator status luka. d) Skema mekanisme pengoperasian sistem BSI (kiri) dan model komputasi untuk menentukan posisi optimal kabel dayung elektroda bersama dengan spektrogram yang menggambarkan kalibrasi daring BSI, yang memungkinkan fleksi pinggul kehendak dalam posisi duduk (kanan). e) Gambar skema stimulasi, perekaman, dan elektroda referensi selama SEP latensi pendek yang ditimbulkan oleh stimulasi saraf median. f) Skema menggambarkan mekanisme pengoperasian penginderaan tekanan dan stimulasi elektrotaktil yang diterapkan pada jari pada tekanan rendah (kiri), pada tekanan tinggi (kanan), dan peta warna yang merekam respons sensasi elektrotaktil dalam kondisi kontrol yang berbeda. g) Skema komponen soft exosuit (i) komponen struktural terperinci (ii), dan katup tarik penginderaan sendiri (STV) dalam mode terbalik, di mana tekanan ruang berkurang dengan peningkatan regangan (iii, iv). h) Tinjauan umum soft exosuit, yang menunjukkan pengguna mengenakan perangkat. i) Berbagai gerakan tangan yang dilakukan oleh lima subjek dan direplikasi oleh robot humanoid, Mitra. a,b) Direproduksi dengan izin. [ 99 ] Hak Cipta 2024, Springer Nature. c) Direproduksi dengan izin. [ 100 ] Hak Cipta 2024, Springer Nature. d) Direproduksi dengan izin. [ 106 ] Hak Cipta 2023, Springer Nature. e,f) Direproduksi dengan izin. [ 111 ] Hak Cipta 2024, Springer Nature. g,h) Direproduksi dengan izin. [ 116 ] Hak Cipta 2023, Springer Nature. i) Direproduksi dengan izin. [ 119 ] Hak Cipta 2024, Frontiers Media SA
3.2 Biosensor Stimulasi Listrik Terintegrasi
Sistem stimulasi listrik memberikan pulsa listrik yang ditargetkan sebagai respons terhadap biomarker yang terdeteksi atau perubahan fisiologis, dengan demikian memulihkan atau meningkatkan fungsi biologis. [ 33 , 101 ] Sistem stimulasi listrik ini dapat mengatur gerakan otot, mengaktifkan regenerasi saraf, dan mendorong penyembuhan luka, memungkinkan pemulihan fungsi tubuh yang menurun atau pengaturan aktivitas abnormal. [ 102 ] Teknologi tersebut memiliki aplikasi luas dalam menangani gangguan fungsional dan berbagai kondisi biomedis. Misalnya, alat pacu jantung yang terintegrasi dengan biosensor telah banyak digunakan untuk mendeteksi dan mengoreksi aritmia dengan memberikan rangsangan listrik korektif, memberikan intervensi penyelamatan nyawa bagi pasien dengan penyakit jantung. [ 103 ] Karena perangkat pendeteksi aritmia tersebut memerlukan invasi minimal, perangkat ini beroperasi dalam mekanisme yang relevan secara fisiologis melalui pemanfaatan bahan yang biokompatibel dan lembut sebagai elektroda. Misalnya, Kim et al. mengembangkan elektroda logam cair biokompatibel dalam bentuk struktur 3D berbentuk pilar mikro untuk meminimalkan ketidaksesuaian mekanis. [ 104 , 105 ] Elektroda ini melekat secara konformal pada permukaan jantung dan kulit, yang memungkinkan analisis jantung jangka panjang. Logam cair, dengan modulus mekanisnya yang rendah, tidak hanya meminimalkan peradangan tetapi juga mengurangi ketidaknyamanan jaringan, yang menawarkan keuntungan signifikan untuk aplikasi in vivo. Selain itu, kelompok Grégoire Courtine telah menyelidiki metode untuk memulihkan gerakan sukarela pada pasien dengan cedera sumsum tulang belakang dengan menganalisis antarmuka otak-sumsum tulang belakang dan memberikan stimulasi listrik yang terkontrol ke sumsum tulang belakang. Perangkat stimulasi mereka mendeteksi niat motorik dari sinyal otak pasien, membantu individu dengan tetraplegia kronis karena cedera sumsum tulang belakang dalam berdiri dan berjalan. [ 106 ] Sistem ini menggunakan implan kortikal yang terdiri dari 64 elektroda untuk mengukur sinyal ECoG dari korteks sensorimotor, yang kemudian dikirimkan ke unit pemrosesan yang dapat dikenakan. Unit ini memprediksi niat motorik berdasarkan data saraf dan mengarahkan generator pulsa implan yang terletak di zona masuk akar dorsal sumsum tulang belakang untuk memberikan stimulasi yang ditargetkan. Stimulasi ini, yang dipandu oleh program stimulasi listrik epidural, secara selektif menginduksi gerakan otot, memungkinkan gerakan ekstensi dan fleksi (Gambar 3d ).

Baru-baru ini, aplikasi stimulasi listrik berdasarkan data biosensing telah meluas melampaui penggunaan biomedis seperti manajemen penyakit dan pemulihan fungsi motorik ke domain yang lebih luas, termasuk robotika lunak, realitas virtual (VR), realitas tertambah (AR), dan teknologi tampilan. [ 107 – 110 ] Misalnya, Lim et al. mendemonstrasikan perangkat yang mampu menerapkan sensasi taktil dalam realitas virtual dan tertambah menggunakan sistem stimulasi. [ 111 ] Perangkat ini mengintegrasikan aktuator elektrotaktil interferensi yang dapat dikalibrasi tekanan transparan (TPIEA) dan transistor peka tekanan untuk mencapai sensasi taktil yang tepat. Transistor mengkompensasi variasi taktil yang disebabkan oleh perbedaan individu dalam tekanan sentuhan. Elektroda perekam ditempatkan di korteks sensorik, dan elektroda referensi diposisikan di wilayah otak yang terkait dengan memori kerja untuk mengukur perubahan persepsi sensasi elektrotaktil. Respons korteks somatosensori dipantau, dan analisis potensial bangkitan somatosensori (SEP) dilakukan untuk mengevaluasi rangsangan taktil listrik untuk mengonfirmasi secara kuantitatif pemrosesan elektrotaktil di otak (Gambar 3e ). Ketika pengguna menekan TPIEA dengan jari-jari mereka, perangkat memantau perubahan tekanan sentuhan dan menyesuaikan sensasi elektrotaktil untuk mengimbangi kekuatan penekanan individu untuk memberikan sensasi taktil yang konsisten terlepas dari tekanan yang dapat bervariasi di antara individu. Akibatnya, parameter stimulasi dimodifikasi sebagaimana mestinya. Studi ini mengkategorikan kondisi tekanan menjadi empat tingkat dan menganalisis perubahan sensasi elektrotaktil di bawah setiap kondisi (Gambar 3f ).

3.3 Biosensor Terintegrasi Aktuasi Mekanik
Biosensor terintegrasi aktuasi mekanis dirancang untuk mendeteksi perubahan dalam lingkungan biologis dan merespons dengan menyesuaikan sifat mekanis atau melakukan tindakan tertentu. Perangkat ini mengubah sinyal biologis yang didekodekan menjadi gerakan atau gerak fisik, memberikan solusi inovatif dalam bidang seperti robotika bantuan dan rekayasa jaringan. [ 112 ] Dalam teknologi bantuan, sistem robotika terintegrasi biosensor menafsirkan maksud pengguna atau rangsangan lingkungan untuk melakukan gerakan mekanis yang tepat, sehingga membantu individu dengan gangguan sensorimotor dalam melakukan aktivitas kehidupan sehari-hari (ADL). [ 113 ] Perangkat bantuan ini meningkatkan, melengkapi, atau mengganti fungsi motorik anggota tubuh, berkontribusi untuk memulihkan atau menambah kekuatan anggota tubuh. Misalnya, Jiryaei et al. mengusulkan sarung tangan robotik lunak yang memanfaatkan aktuator pneumatik, menunjukkan kelayakannya berdasarkan rentang gerak sendi interphalangeal proksimal dan antarmuka yang ramah pengguna. [ 114 ] Mekanisme kontrol pompa sarung tangan dapat dioperasikan menggunakan anggota tubuh yang utuh, seperti tangan yang berlawanan, siku, atau dagu, memastikan aksesibilitas bagi individu dengan quadriplegia dan kekuatan cengkeraman yang lemah.

Kemajuan terkini telah mengintegrasikan penginderaan dan kontrol dalam satu sistem, menggabungkan fungsi persepsi (kontrol umpan balik) untuk memungkinkan adaptasi otonom. [ 115 ] Cheo et al. memperkenalkan katup tarik penginderaan sendiri (STV) yang secara bersamaan dapat mendeteksi status mekanisnya dan mengatur kontrol proporsional aktuator pneumatik lunak saat beroperasi di bawah tekanan pasokan yang konsisten. [ 116 ] Para peneliti menggunakan STV untuk mengembangkan robot lunak yang dapat dikenakan yang mampu mendeteksi gerakan manusia dan secara otonom menyesuaikan mekanisme kontrol. Proses fabrikasi STV meliputi tabung dalam dan luar elastomer, benang heliks pembungkus, dan konektor lunak cetak 3D di setiap ujungnya (Gambar 3g(i) ). Konektor cetak 3D mengontrol arah aliran udara dengan menetapkan rongga antara tabung dalam dan luar sebagai saluran masuk dan rongga tabung dalam sebagai saluran keluar (Gambar 3g(ii) ). Bahasa Indonesia: Ketika STV mencapai regangan maksimum ε = ε max , aliran udara melalui saluran keluar dibatasi, yang memungkinkan tekanan ruang ( P ch ) mencapai tekanan suplai konstan ( P S ) (Gambar 3g(iii),(iv) ). Seperti yang ditunjukkan pada Gambar 3h , pakaian luar siku mendeteksi fleksi siku melalui pengukuran regangan dan menghasilkan tekanan ruang keluaran yang sesuai menggunakan STV, sehingga memodulasi torsi bantu untuk mengurangi beban otot yang disebabkan oleh gravitasi. Lebih jauh lagi, informasi biologis dikumpulkan dari sumber internal dan eksternal melalui berbagai modalitas untuk meniru kemampuan beradaptasi dan kepatuhan sistem biologis. Integrasi dengan sistem kontrol eksternal ini telah memfasilitasi aplikasi dalam interaksi manusia-robot, robotika lunak, dan realitas virtual. [ 117 ] Belford dkk. menerapkan tangan robot humanoid yang mereplikasi sensasi sentuhan dengan memanfaatkan informasi gaya yang diperoleh dari sarung tangan fleksibel yang tertanam sensor sentuhan. [ 118 ] Sistem ini memungkinkan jari-jari robot untuk menggenggam objek dengan gaya yang sama seperti tangan manusia, yang memungkinkan manipulasi yang tepat dari barang-barang yang halus. Selain itu, Olikkal et al. menggunakan kamera eksternal untuk merekam gerakan tangan secara real-time menggunakan kerangka kerja MediaPipe, yang memungkinkan identifikasi berbagai postur. [ 119 ] Gerakan tangan yang diukur direplikasi oleh robot humanoid Mitra secara real-time, yang secara efektif mencerminkan gerakan peserta manusia (Gambar 3i ).

Integrasi mekanisme penginderaan dan respons aktif dalam perangkat multifungsi menggarisbawahi potensi transformatifnya dalam perawatan kesehatan dengan memfasilitasi intervensi terapeutik yang adaptif, personal, dan waktu nyata. Selain itu, kemajuan ini berkontribusi pada evolusi robotika lunak dengan meningkatkan kemampuan beradaptasi lingkungan dan meningkatkan presisi dalam kontrol gerakan. Meskipun demikian, tantangan yang cukup besar tetap ada dalam mencapai regulasi yang tepat dari integrasi biosignal yang kompleks dan memastikan kontrol yang akurat atas pemberian obat atau aktuasi mekanis. Selain itu, perangkat ini saat ini tidak memiliki kemampuan prediktif, seperti kemampuan untuk mengantisipasi gerakan atau memberikan peringatan dini berdasarkan skenario yang diproyeksikan. Mengatasi keterbatasan ini memerlukan penggabungan algoritma pembelajaran mesin, yang secara signifikan dapat meningkatkan kapasitas perangkat untuk memproses kumpulan data yang luas, mengidentifikasi pola yang kompleks, dan mengoptimalkan mekanisme respons. Dengan memanfaatkan pembelajaran mesin, perangkat multifungsi dapat maju ke sistem prediktif dan adaptif, sehingga mewujudkan potensi penuhnya dalam sistem perawatan kesehatan.

3.4 Pembelajaran Mesin dalam Bioelektronika
Pembelajaran mesin berfungsi sebagai metodologi yang sangat efektif untuk mengekstrak wawasan yang bermakna dari kumpulan data skala besar yang dihasilkan oleh bioelektronika multimoda. Melalui pemrosesan algoritmik berulang, teknik pembelajaran mesin dapat mengidentifikasi hubungan statistik dalam biodata masukan, mengkategorikan data ke dalam kelompok yang berbeda, dan mengungkap pola baru. [ 120 – 122 ] Proses ini, pada gilirannya, meningkatkan akurasi diagnostik dan kemampuan prediktif dalam perawatan kesehatan. Data berlabel mengacu pada data yang diberikan dengan jawaban yang benar yang digunakan untuk melatih model. Pembelajaran mesin secara umum dikategorikan menjadi pembelajaran tanpa pengawasan dan pembelajaran terbimbing, tergantung pada apakah data masukan berisi label ( Gambar 4 a ). [ 123 – 125 ]

Gambar 4
Buka di penampil gambar
Kekuatan Gambar
Algoritma pembelajaran mesin untuk menganalisis data dari bioelektronika. a) Mengkategorikan algoritma pembelajaran mesin berdasarkan karakteristik data dan tujuan analisis. b) Pengelompokan K-means untuk mengklasifikasikan data berdasarkan jumlah centroid. c) Pengelompokan hierarkis yang menggabungkan secara berulang berdasarkan jarak berpasangan dan dendrogram yang menggambarkannya secara visual. d) PCA dengan reduksi dimensionalitas melalui sumbu baru yang mencerminkan varians. e) Regresi linier untuk merepresentasikan hubungan linier antara fitur. f) Algoritma ANN yang terdiri dari lapisan input, satu atau dua lapisan tersembunyi, dan lapisan output. g) DNN sebagai perluasan dari ANN, dengan lebih banyak lapisan tersembunyi untuk analisis data yang lebih kompleks. h) SVM yang mengklasifikasikan data melalui hyperplane, yang memaksimalkan jarak antara setiap kelas. i) Pohon keputusan, representasi visual dari pengambilan keputusan dalam struktur pohon, yang terdiri dari simpul keputusan yang merepresentasikan partisi data berdasarkan fitur atau atribut, dan simpul daun yang merepresentasikan hasil yang diprediksi. j) Hutan acak, salah satu teknik pembelajaran ensemble, yang menggabungkan beberapa pohon keputusan untuk menciptakan model prediktif yang lebih akurat dan kuat.
3.5 Pembelajaran Tanpa Pengawasan
Pembelajaran tanpa pengawasan mengacu pada teknik pembelajaran mesin yang memanfaatkan data tak berlabel untuk mengidentifikasi pola atau struktur mendasar dalam kumpulan data. [ 126 ] Teknik ini dapat dibagi menjadi pengelompokan dan pengurangan dimensionalitas, berdasarkan tujuan analisis data dan pendekatan terhadap masalah.

Pengelompokan melibatkan partisi data ke dalam kelompok berdasarkan karakteristik atau pola yang sama, sehingga mengungkap struktur tersembunyi dalam kumpulan data. [ 127 ] Salah satu algoritma pengelompokan yang paling banyak digunakan, K-means, mengelompokkan data ke dalam K klaster, yang masing-masing ditentukan oleh sebuah centroid (Gambar 4b ). [ 128 ] Titik data kemudian ditetapkan ke centroid terdekat. K-means efisien secara komputasi, mudah diimplementasikan, dan dapat diskalakan untuk kumpulan data besar, menjadikannya pilihan populer dalam berbagai aplikasi bioelektronik. Misalnya, telah digunakan untuk mengklasifikasikan atlet ke dalam tiga klaster berdasarkan variabilitas denyut jantung (HRV) untuk mendeteksi dehidrasi. [ 129 ] Namun, K-means memiliki kelemahan yang nyata, termasuk sensitivitas tinggi terhadap inisialisasi, di mana hasil bergantung pada pemilihan centroid awal, dan kerentanan terhadap outlier.

Algoritma pengelompokan terkemuka lainnya, pengelompokan hierarkis, mengatur data ke dalam struktur hierarkis dengan menggabungkan atau membagi klaster secara berulang (Gambar 4c ). [ 130 ] Metode ini menghasilkan representasi seperti pohon, yang dikenal sebagai dendrogram, yang secara visual menggambarkan hubungan klaster. Klaster dapat ditentukan dengan memotong dendrogram pada ketinggian tertentu, yang sering kali sesuai dengan perbedaan biologis yang bermakna. [ 131 ] Pengelompokan hierarkis sangat berguna untuk menganalisis pola respons dari sensor dan mengoptimalkan larik sensor. Namun, keterbatasan utamanya meliputi kompleksitas komputasi yang tinggi dan kesulitan memodifikasi penugasan klaster karena perlunya perhitungan ulang matriks jarak yang berkelanjutan.

Bahasa Indonesia: Selain pengelompokan, pembelajaran tanpa pengawasan mencakup pengurangan dimensionalitas, yang menghilangkan fitur-fitur yang berlebihan atau sangat berkorelasi dari data berdimensi tinggi dan mengubahnya menjadi representasi berdimensi lebih rendah. [ 132 , 133 ] Dalam bioelektronika, analisis komponen utama (PCA) umumnya digunakan untuk analisis biodata (Gambar 4d ). PCA adalah algoritma pengurangan dimensionalitas yang menerapkan transformasi linier pada data berdimensi tinggi, menciptakan sumbu-sumbu baru yang memaksimalkan varians. [ 134 ] Teknik ini menawarkan keuntungan efisiensi komputasi, yang memungkinkan pemrosesan cepat dan visualisasi data yang intuitif. Zhongda Sun et al. memanfaatkan PCA untuk mengurangi dimensionalitas fitur dan memfasilitasi visualisasi data dalam sistem pengenalan gerakan yang menggabungkan sensor triboelektrik dan piroelektrik untuk persepsi taktil dan suhu. [ 135 ]

3.6 Pembelajaran Terbimbing
Pembelajaran terbimbing adalah pendekatan pembelajaran mesin yang menggunakan data berlabel untuk mempelajari pola dan hubungan antara masukan dan keluaran. [ 136 ] Dengan memahami hubungan ini, model dapat membuat prediksi untuk data masukan baru. Pembelajaran terbimbing dapat dikategorikan menjadi regresi dan klasifikasi, tergantung pada apakah keluaran yang diprediksi bersifat kontinu atau diskrit. [ 137 ] Regresi menganalisis data masukan untuk memprediksi nilai numerik kontinu, termasuk kadar pH atau tekanan darah. Di sisi lain, klasifikasi digunakan untuk memprediksi hasil kategoris seperti deteksi aritmia, status kelelahan mental, dan dehidrasi. [ 138 – 140 ] Di antara enam model pembelajaran terbimbing yang dibahas dalam makalah ini, semua kecuali regresi linier dapat diterapkan pada tugas regresi dan klasifikasi.

Regresi linier adalah salah satu algoritma paling mendasar di antara model regresi yang digunakan untuk memprediksi nilai kontinu (Gambar 4e ). [ 141 ] Regresi linier diterapkan secara luas dalam menganalisis berbagai hubungan linier, misalnya, saat memperkirakan nilai pH melalui analisis kolorimetri atau memprediksi volume pernapasan dengan mengkorelasikan ekskursi diafragma dengan fungsi pernapasan. [ 142 , 143 ] Regresi linier menawarkan beberapa keuntungan, termasuk efisiensi komputasi, eksekusi cepat, dan kemudahan interpretasi dalam mengevaluasi hubungan linier antara variabel. Namun, regresi linier tidak cocok untuk memodelkan data nonlinier, dan korelasi yang kuat antara variabel independen dapat mengakibatkan kinerja model yang buruk karena multikolinearitas.

Sebaliknya, jaringan saraf tiruan (ANN) adalah model komputasi yang terinspirasi oleh jaringan saraf biologis dan dirancang untuk menganalisis data nonlinier (Gambar 4f ). [ 12 ] ANN memproses data masukan dan mempelajari pola untuk melakukan tugas-tugas seperti prediksi dan klasifikasi. Mereka biasanya terdiri dari lapisan masukan yang menerima data, satu atau lebih lapisan tersembunyi yang mengekstraksi fitur dan pola yang kompleks, dan lapisan keluaran yang menghasilkan prediksi akhir. ANN sangat berguna untuk analisis data nonlinier yang relatif sederhana dan tugas-tugas klasifikasi, seperti mengklasifikasikan tekstur material berdasarkan sinyal tegangan dari sensor triboelectric nanogenerator (TENG). [ 144 ] Namun, mereka memiliki keterbatasan dalam menangkap korelasi antara variabel yang sangat kompleks.

Jaringan saraf dalam (DNN) memperluas ANN dengan menggabungkan beberapa lapisan tersembunyi, sehingga memungkinkannya mempelajari pola yang lebih kompleks dan abstrak untuk meningkatkan akurasi prediktif (Gambar 4g ). Hannun et al. mengembangkan DNN untuk mengklasifikasikan 12 ritme jantung yang berbeda menggunakan data elektrokardiogram (EKG). [ 138 ] Model ini secara efektif menganalisis sinyal EKG yang dikumpulkan dari perangkat portabel untuk mendeteksi aritmia jantung dengan akurasi tinggi.

Support vector machine (SVM) adalah algoritma klasifikasi yang mengidentifikasi hyperplane optimal yang memisahkan berbagai kelas dalam kumpulan data tertentu dan sangat cocok untuk klasifikasi biner (Gambar 4h ). [ 145 ] Hyperplane diorientasikan untuk memaksimalkan margin antara kedua kelas, sehingga meningkatkan akurasi klasifikasi. SVM menunjukkan efektivitas yang kuat dalam menangani data berdimensi tinggi, memberikan akurasi tinggi dan telah diterapkan pada tugas-tugas seperti pengenalan gerakan dan deteksi objek menggunakan berbagai sinyal taktil dan data gerakan jari. [ 135 ] Namun, SVM pada dasarnya tidak dirancang untuk klasifikasi multikelas dan dapat menjadi tantangan untuk ditafsirkan secara intuitif.

Model pohon keputusan adalah model hierarkis berstruktur pohon yang mempartisi data berdasarkan kondisi tertentu untuk akhirnya mengklasifikasikan suatu contoh ke dalam suatu kategori (Gambar 4i ). [ 146 ] Model ini menawarkan keuntungan karena mudah diinterpretasikan, sehingga cocok untuk tugas klasifikasi multikelas. Zhang et al. mengumpulkan data pola pernapasan pengguna melalui masker pintar dan secara efektif mengklasifikasikan penyakit pernapasan kronis menggunakan model pohon keputusan. [ 147 ] Namun, pohon keputusan sangat sensitif terhadap noise dan rentan terhadap overfitting, yang menyebabkan penurunan kinerja seiring bertambahnya kedalaman pohon.

Untuk mengatasi keterbatasan ini, algoritma random forest dikembangkan. Metode ini menggunakan ensemble learning dengan melatih beberapa pohon keputusan dan menggabungkan prediksi mereka, sehingga mengurangi overfitting dan meningkatkan stabilitas dan akurasi klasifikasi (Gambar 4j ). [ 148 , 149 ] Rani et al. menggunakan model random forest untuk menganalisis pola EKG yang dikumpulkan melalui sensor EKG, mencapai tingkat akurasi 88% dalam prediksi penyakit jantung, yang lebih tinggi daripada model pohon keputusan. [ 150 ]

3.7 Bioelektronika Multimodal yang Disempurnakan dengan Pembelajaran Mesin
Mengingat besarnya skala data yang diperoleh dari bioelektronika multimoda, mengintegrasikan pembelajaran mesin dapat memberikan wawasan yang rumit melalui analisis, prediksi, klasifikasi, dan umpan balik. Dengan menggunakan serangkaian algoritma otomatis, pembelajaran mesin mengidentifikasi pola dan korelasi kompleks yang mungkin tidak langsung terlihat di permukaan. Analisis terkomputasi ini tidak hanya meningkatkan pemahaman kita tentang mekanisme biologis yang mendasarinya, tetapi juga memungkinkan pemodelan prediktif untuk deteksi dini potensi bahaya dalam status kesehatan individu. [ 123 , 151 , 152 ]

3.7.1 Analisis Pentingnya Fitur
Manfaat dari beberapa biomarker yang disediakan oleh perangkat bioelektronik multimoda melampaui keragaman parameter yang dapat diukur, karena biomarker yang diukur dapat diintegrasikan ke dalam berbagai analisis untuk mengungkapkan wawasan yang komprehensif tentang status kesehatan. Salah satu jenis informasi tersebut adalah pentingnya fitur biomarker. Koefisien korelasi seperti koefisien Pearson dapat mengungkap korelasi sederhana, tetapi sering kali, mengevaluasi pentingnya fitur dengan bantuan pembelajaran mesin membantu memahami hubungan yang kompleks antara variabel. [ 153 – 155 ] Untuk ini, fitur yang dapat mewakili data yang terdeteksi diekstraksi dan kepentingannya dinilai dengan indeks seperti nilai penjelasan aditif Shapley (SHAP). [ 156 , 157 ] Melalui analisis ini, kita dapat menemukan interaksi fisiologis yang rumit dan mencapai wawasan yang lebih dalam tentang proses biologis yang kompleks, yang memberikan informasi berharga untuk manajemen kesehatan.

Salah satu teknik yang ampuh untuk memvisualisasikan pentingnya setiap fitur adalah plot keputusan SHAP. Song et al. membuat kulit elektronik yang dapat mendeteksi berbagai biomarker dan menunjukkan pentingnya biomarker dalam berkontribusi terhadap gangguan kognitif dan perilaku setelah konsumsi alkohol. [ 158 ] Kulit elektronik terdiri dari beberapa sensor untuk mendeteksi konsentrasi alkohol dari keringat dan biomarker biofisik tambahan (misalnya, pH, denyut nadi, dan suhu) dari kulit. Selain itu, perangkat tersebut mencakup elektroda iontophoresis untuk induksi keringat dan sistem mikrofluida untuk pengambilan sampel keringat ( Gambar 5 a ). Alkohol dideteksi saat enzim AOx menghasilkan H 2 O 2 setelah oksidasi. pH diukur berdasarkan perubahan potensial yang disebabkan oleh protonasi atau deprotonasi permukaan karbon nanotube-stirena butadiena-stirena-polianilin (CNT-SBS-PANI), dan denyut nadi dihitung dengan mendeteksi tekanan di seluruh busa CNT-PDMS berpori. Suhu diukur dengan film MXene serpentin, yang menunjukkan koefisien suhu negatif. Dengan kompartemen tersebut, perangkat dapat merasakan konsentrasi alkohol, pH, denyut nadi, dan suhu secara bersamaan setelah minum bir (Gambar 5b ). Terutama difokuskan pada menemukan perubahan waktu reaksi dan tingkat gangguan perilaku, penulis membandingkan beberapa aspek kognitif dengan menyelidiki waktu reaksi, koordinasi, kewaspadaan, penilaian, dan kemampuan untuk mengendalikan diri sebelum dan sesudah minum. Kemudian, mereka membangun alur pembelajaran mesin menggunakan model regresi ridge untuk mengekstraksi fitur, yang merupakan pilihan yang wajar mengingat berbagai biomarker dan sejumlah kecil sampel ( n = 5). Regresi ridge menghukum parameter model, sehingga mengurangi kekuatan fitur terkait melalui normalisasi. Ini menyederhanakan data, sehingga mencegah masalah overfitting. [ 159 , 160 ] Fitur yang diekstraksi dari beberapa data fisikokimia dianalisis untuk menyelidiki kontribusi masing-masing terhadap variabel target, yaitu perubahan waktu reaksi dan tingkat gangguan perilaku. Hasilnya divisualisasikan oleh plot keputusan SHAP, yang mengungkapkan kontribusi relatif dari setiap fitur (Gambar 5c ).

Gambar 5
Buka di penampil gambar
Kekuatan Gambar
Perangkat multimoda digunakan untuk analisis pentingnya fitur. a) Ilustrasi skema kulit e3 . b) Biosignal yang diukur oleh kulit e3 setelah asupan bir. c) Plot keputusan SHAP dari biosignal yang diukur oleh kulit e3 untuk memprediksi gangguan kognitif. d) Tampilan terurai dari perangkat kulit elektronik yang diperkuat kecerdasan buatan terkonsolidasi (CARES). e) Biosignal yang diukur oleh CARES setelah uji cold pressor (CPT). f) Diagram akord yang menunjukkan korelasi antara biosignal yang diukur oleh CARES. g) Ilustrasi skema yang menyajikan aplikasi sistem sensor fabrikasi yang terdiri dari perangkat periferal dan perangkat dada. Perangkat periferal dipasang ke permukaan di sekitar saraf perifer seperti jari, dan perangkat dada dipasang ke dada. h) Sinyal elektrofisiologis yang direkam oleh sistem sensor. i) Nilai SHAP absolut rata-rata dari waktu perambatan denyut arteriol (penundaan MW), waktu kedatangan denyut (PAT), dan denyut jantung (HR) untuk memprediksi dasar keadaan hemodinamik. ac) Direproduksi dengan izin. [ 158 ] Hak cipta 2023, American Association for the Advancement of Science. df) Direproduksi dengan izin. [ 161 ] Hak cipta 2024, Springer Nature. g–i) Direproduksi dengan izin. [ 165 ] Hak cipta 2023, Springer Nature.
Dalam contoh lain di mana multi-biomarker terdeteksi dari keringat, kulit elektronik yang diperkuat kecerdasan buatan terkonsolidasi (CARES) dibuat untuk mengukur tiga tanda vital (respons kulit galvanik, suhu kulit, bentuk gelombang denyut nadi) dan enam biomarker molekuler (glukosa, laktat, asam urat, ion natrium, ion kalium dan amonium) secara bersamaan (Gambar 5d ). [ 161 ] Untuk penginderaan simultan, perangkat tersebut terdiri dari beberapa sensor amperometrik dan elektroda selektif ion. Dengan perangkat ini, penulis mengukur biomarker dalam berbagai kesempatan (Gambar 5e ). Para peserta ditempatkan dalam aktivitas santai seperti berjalan, bekerja, dan berolahraga, serta tiga pemicu stres: meletakkan satu tangan di air es, memainkan permainan VR, dan berolahraga di mesin sepeda statis. Dengan data yang diperoleh, korelasi antara stres dan biomarker dihitung dengan berbagai model pembelajaran mesin untuk mengidentifikasi algoritma optimal dengan kinerja yang kuat. Setelah menyelidiki kinerja enam model berbeda (XGBoost, linear SVM, radial basis function SVM (RBF SVM), regresi logistik, regresi ridge, pohon keputusan), XGBoost dipilih. Kinerja XGBoost yang tinggi dapat dikaitkan dengan kekuatan dalam melatih model non-linier dan mengekstraksi fitur. [ 162 , 163 ] Selain itu, karena arsitekturnya yang berbasis pohon, XGBoost dapat menangkap berbagai distribusi dalam data yang berasal dari berbagai biomarker yang berubah dengan mekanisme yang berbeda. Seperti yang ditunjukkan pada Gambar 5f , korelasi antara penanda dari berbagai sensor diilustrasikan oleh diagram akord. Selain itu, teknik visualisasi lainnya (misalnya, diagram Sankey, plot ringkasan SHAP, plot keputusan SHAP) menggambarkan korelasi antara biomarker dan tingkat kecemasan keadaan, memberikan profil metabolik yang komprehensif untuk perawatan kesehatan yang dipersonalisasi dengan bioelektronik yang dapat dikenakan multimoda.

Selain penginderaan biokimia, beberapa pendekatan telah dilakukan untuk memanfaatkan sinyal elektrofisiologis untuk pemantauan kesehatan. [ 73 , 74 , 164 ] Misalnya, Franklin et al. membuat sistem yang dapat dipakai yang disinkronkan yang terdiri dari dua perangkat berbeda untuk pemantauan hemodinamik yang efektif berdasarkan berbagai aktivitas kardio (Gambar 5g ). [ 165 ] Satu perangkat yang dipasang ke dada mencakup sensor elektrofisiologis untuk merekam sinyal EKG, sensor suhu, dan akselerator triaksial untuk seismokardiogram (SCG) dan penginderaan gerakan tubuh inti. Perangkat lainnya dipasang ke bagian tubuh dengan saraf tepi yang dapat diakses (misalnya, jari dan telinga) termasuk sensor fotopletismografi multipanjang gelombang dan multispasial (MWPPG) dengan susunan LED linier. Berbagai parameter hemodinamik, termasuk tekanan darah, penundaan multipanjang gelombang, waktu kedatangan denyut nadi, dan denyut jantung, diekstraksi dari sinyal EKG, SCG, dan MWPPG mentah yang dideteksi dari beberapa sensor (Gambar 5h ). Data yang diperoleh yang mewakili aktivitas hemodinamik diproses dengan model SVM untuk ekstraksi fitur dan analisis terkait. Khususnya, analisis SHAP dilakukan untuk menghitung pentingnya fitur variabel dalam mengklasifikasikan status hemodinamik (Gambar 5i)

3.8 Prediksi Data
Di antara kemampuan pembelajaran mesin, satu tugas yang populer adalah prediksi data. [ 166 – 168 ] Karena perangkat multimoda menghasilkan beberapa set data, data ini dapat digunakan untuk prediksi yang kompleks. Sementara kata “prediksi” memiliki banyak definisi dalam konteks pembelajaran mesin, seperti “menebak kelas,” kami berfokus pada penggunaan pembelajaran mesin untuk “perkiraan data berkelanjutan” dalam tinjauan ini. Perangkat multimoda baru untuk pemantauan berkelanjutan berbagai biomarker sedang berkembang dalam jumlah, dan prediksi menjadi fungsi utama untuk perangkat ini. Pembelajaran mesin menganalisis pola tertentu yang melekat dalam biosignal dan mengenali ketergantungan data target pada berbagai data lain yang dideteksi dari sensor. [ 169 , 170 ] Melalui proses ini, kita dapat memprediksi perubahan dalam biosignal, yang dapat bermanfaat bagi perawatan kesehatan dengan memberikan informasi pra-peringatan tentang status kesehatan dan wawasan berharga tentang sistem kesehatan kita. [ 171 , 172 ]

Salah satu keutamaan baru dari penggunaan pembelajaran mesin adalah bahwa sinyal biologis yang tak terelakkan terdeteksi oleh metode invasif dapat disimpulkan dari jenis sinyal lain yang dapat dikumpulkan secara non-invasif. Li et al. memperkenalkan perangkat berstruktur mesh yang memungkinkan prediksi profil ekspresi gen dari sinyal elektrofisiologis. Untuk mencapai tujuan ini, penulis membuat perangkat berstruktur mesh yang terdiri dari elektroda Pt berlapis hitam dan kode batang fluoresensi berbeda yang berdekatan dengannya ( Gambar 6 a ). [ 173 ] Kode batang fluoresensi menunjukkan lokasi sel yang menghasilkan sinyal selama pencitraan fluoresensi sekuensing RNA. Dengan demikian, komponen perangkat ini memfasilitasi penyelidikan sinyal listrik dan ekspresi gen dari sel yang identik (Gambar 6b ​​). Perekaman elektrofisiologis dilakukan untuk memperoleh sinyal listrik dari patch kardiomiosit yang dikultur pada perangkat. Kemudian, perangkat difiksasi dalam hidrogel untuk mempertahankan lokasi sel, diikuti oleh sekuensing RNA untuk menemukan ekspresi gen. Dengan menggunakan weighted nearest neighbor (WNN), sinyal listrik dan ekspresi gen diintegrasikan ke dalam satu ruang sebagai representasi gabungan, yang memungkinkan klasifikasi sel menurut gabungan keadaan sifat elektrofisiologis dan transkripsi. [ 174 ] Selain itu, fitur setiap data (misalnya, rasio puncak-palung sinyal listrik dan profil ekspresi gen data RNA) diekstraksi dan dimasukkan sebagai input untuk model sparse reduced-rank regression (RRR). [ 175 , 176 ] RRR dilakukan untuk menemukan korelasi antara data elektrofisiologis dan data RNA. Berdasarkan korelasi ini, penulis mengembangkan autoencoder berpasangan untuk memprediksi keadaan transkripsi dari keadaan elektrofisiologis dan sebaliknya (Gambar 6c ). Pada akhirnya, autoencoder memungkinkan inferensi dua arah antara sinyal saraf dan ekspresi gen.

Gambar 6
Buka di penampil gambar
Kekuatan Gambar
Prediksi data berdasarkan data multi-biosignal yang dideteksi oleh bioelektronika multi-moda. a) Tampilan terurai dari elektroda jala untuk perekaman elektrofisiologis dengan indeks fluoresensi. b) Peta panas yang menunjukkan fitur elektrofisiologis dan profil ekspresi gen. c) Ilustrasi sinyal yang diukur dan disimpulkan oleh elektroda jala dan autoencoder. d) Susunan fabrikasi yang menempel pada korteks tikus (kiri), gambar dua-foton rata-rata waktu dari lapisan L2/3 (tengah) dan L1 (kanan). e) Contoh sinyal yang didekodekan dibandingkan dengan sinyal sebenarnya. f) Tampilan terurai dari gelang tangan nirkabel. g) Tekanan darah sistolik (SBP) dan tekanan darah diastolik (DBP) yang diprediksi, keduanya diplot dengan tekanan darah referensi untuk validasi. h) Ilustrasi penangkapan gerak menggunakan pakaian penangkap gerak, yang memfasilitasi 17 sensor inersia yang merasakan gerakan anggota tubuh. i) Demonstrasi keakuratan skor Scale for the Assessment and Rating of Ataxia (SARA) menggunakan jas dibandingkan dengan studi EFACTS standar emas. j) Prediksi lintas bagian skor SARA dan Spinocerebellar Ataxia Functional Index (SCAFI), dari tes jalan 8 meter (8-MW) dan tes pasak 9 lubang (9-HPT). a–c) Direproduksi dengan izin. [ 173 ] Hak Cipta 2023 Elsevier Inc. d,e) Direproduksi dengan izin. [ 177 ] Hak Cipta 2024 Springer Nature. f,g) Direproduksi dengan izin. [ 183 ] Hak Cipta 2023 Springer Nature. h–j) Direproduksi dengan izin. [ 178 ] Hak Cipta 2023 Springer Nature.
Ketika metode invasif seperti penyisipan probe saraf diperkenalkan untuk mendeteksi sinyal elektrofisiologis dari otak, beberapa penelitian menggunakan model pembelajaran mesin untuk memprediksi sinyal elektrofisiologis dari set data lain yang dideteksi oleh metode non-invasif. [ 177 – 181 ] Dalam satu penelitian, penulis mengembangkan susunan mikroelektroda transparan berdensitas tinggi berbasis grafena yang dapat membaca potensial permukaan dan aktivitas kalsium dari permukaan otak yang menempel dengan dan tanpa stimulus visual kisi-kisi yang melayang (Gambar 6d ). [ 177 ] Potensi permukaan dibagi menjadi pita frekuensi yang berbeda untuk mengamati ketergantungan respons yang ditimbulkan secara visual pada frekuensi, dan aktivitas kalsium yang terekam digunakan untuk menghitung aktivitas saraf resolusi sel tunggal. Berdasarkan data perekaman ini, dua model berbeda digunakan untuk praproses dan prediksi dalam penelitian ini. Analisis faktor proses Gaussian (GPFA) digunakan untuk mengurangi dimensionalitas data dengan menemukan ruang laten yang berdimensi rendah namun sangat representatif terhadap data, yang menghasilkan variabel laten. GPFA adalah pembelajaran tanpa pengawasan yang memiliki kekuatan dalam pengurangan dimensionalitas, namun, ia memiliki kemampuan untuk memodelkan kontinuitas data deret waktu, tidak seperti PCA. [ 182 ] Kemudian, memori jangka panjang dua arah (BiLSTM) digunakan untuk melatih pola variabel laten dari potensi permukaan dan memperkirakan perubahan variabel laten. BiLSTM adalah jaringan saraf yang unggul dalam melatih ketergantungan waktu dari suatu kumpulan data saat membaca data secara dua arah, sehingga cocok untuk data deret waktu. Variabel laten yang diprediksi kemudian didekodekan oleh GPFA untuk diubah menjadi aktivitas saraf. Hasilnya, aktivitas kalsium yang mewakili aktivitas tingkat sel tunggal dapat disimpulkan dari potensi permukaan yang direkam oleh elektroda graphene (Gambar 6e ).

Prediksi data kontinu tidak terbatas pada studi elektrofisiologis tetapi melibatkan berbagai studi lain, termasuk perawatan kesehatan. Misalnya, Li et al. menyajikan perangkat gelang yang dapat dikenakan termasuk sensor piezoelektrik untuk mendeteksi gelombang denyut darah dan memprediksi tekanan darah arteri. Tampilan perangkat yang meledak ditunjukkan pada Gambar 6f . [ 183 ] Dalam perangkat tersebut, selain dari dua sensor piezoelektrik, modul adaptasi tekanan dengan pompa mikro berfungsi sebagai generator tekanan balik untuk mendeteksi deformasi minor dalam arteri dengan andal oleh perambatan darah, dan modul pemrosesan data mengekstrak data yang diperlukan dari sinyal mentah seperti kecepatan gelombang denyut, denyut jantung, dan tekanan jantung. Selain itu, waktu transit denyut (PTT) dihitung dari perbedaan waktu kedatangan denyut di dua sensor piezoelektrik. Data tersebut diproses terlebih dahulu untuk mengekstrak fitur matematika dari data, seperti puncak dan palung karakteristik gelombang dan waktu. [ 184 , 185 ] Kemudian, model XGBoost dilatih dengan fitur-fitur tersebut dan membuat prediksi pada tekanan darah (Gambar 6g ). Dalam studi ini, XGBoost merupakan pilihan yang masuk akal mengingat banyaknya fitur nonlinier, dan ukuran data yang kecil ( n = 87). Hal ini tercermin dalam uji kinerja yang dilakukan sebelum prediksi, di mana XGBoost mengungguli SVR, AdaBoost, dan k-nearest neighbor (k-NN).

Dalam studi lain, pakaian penangkap gerak IGS-800 (Animazoo) digunakan untuk mengukur gerakan tubuh. [ 178 ] Dengan 17 sensor yang tertanam di kain, pakaian tersebut mengukur berbagai fitur yang terkait dengan gerakan, seperti data sudut sendi dan data posisi 3D (Gambar 6h ). Pemakai pakaian diminta untuk berjalan sejauh 8 meter (8-MW) dan menempatkan 9 pasak ke dalam lubang yang tepat dan membukanya (9-HPT) untuk mengevaluasi Indeks Fungsional Ataksia Spinocerebellar (SCAFI) dan Skala untuk Penilaian dan Pemeringkatan Ataksia (SARA), yang merupakan penilaian klinis standar untuk ataksia Friedreich. [ 186 , 187 ] Regresi proses Gaussian (GP) digunakan untuk memprediksi skor SARA dan SCAFI pada bulan ke-9 dan ke-12 penelitian dan menemukan akurasi prediksi yang lebih tinggi dibandingkan data dari penelitian EFACTS standar emas saat ini, [ 188 ] meskipun ukuran sampelnya jauh lebih kecil (7 untuk penelitian ini, 164 untuk EFACTS, Gambar 6i,j ).

3.9 Klasifikasi Data
Data mentah yang diperoleh oleh biosensor multimoda sering kali sulit untuk ditafsirkan sendiri karena kompleksitasnya. Dalam hal ini, menggunakan model pembelajaran mesin, yang dapat mengidentifikasi fitur dan mengklasifikasikan data ke dalam kategori tertentu, sangat penting untuk memberikan informasi yang lebih intuitif kepada penggunanya. Dalam klasifikasi pembelajaran mesin, tujuannya adalah untuk memprediksi kategori data yang diberikan berdasarkan masukan yang diberikan. [ 189 , 190 ] Pembelajaran terbimbing, bagian dari pembelajaran mesin, melibatkan pelatihan model menggunakan data berlabel. Pelatihan melibatkan pengaitan data masukan dengan label keluaran yang benar dan kemudian menggunakan model untuk mengklasifikasikan data baru. [ 191 ] Dengan bantuan pengklasifikasi pembelajaran mesin yang terlatih dengan baik, sejumlah besar data yang dikumpulkan dari bioelektronika multimoda dapat diproses dengan cepat dan efisien. Misalnya, sinyal elektrofisiologis dari berbagai jaringan, seperti EEG dan EKG, dapat dikumpulkan dan diklasifikasikan untuk mendeteksi sinyal vital. [ 192 – 194 ] Sinyal sensorik seperti suhu dan tekanan dapat dikumpulkan dan diklasifikasikan untuk pengenalan objek. Algoritma mesin populer yang digunakan untuk klasifikasi data termasuk tetapi tidak terbatas pada ANN dan SVM. [ 145 , 195 ]

Kwon et al. telah mengembangkan sebuah patch tidur yang dapat ditempelkan pada wajah untuk memantau beberapa sinyal elektrofisiologi. [ 193 ] Dua patch dipasang pada penggunanya, satu pada dahi untuk mengumpulkan EEG dan elektrookulogram (EOG) dan satu pada dagu untuk mengumpulkan EMG. ( Gambar 7 a ). Perangkat ini dapat menilai kualitas tidur dan mendeteksi sleep apnea saat penggunanya sedang tidur. Data EEG dan EOG yang dikumpulkan dari subjek direpresentasikan menggunakan spektrogram dan hipnogram, seperti yang ditunjukkan pada Gambar 7b . Sinyal karakteristik diberi label untuk setiap tahap tidur. Kemudian, data tersebut dimasukkan ke dalam algoritma jaringan saraf konvolusional (CNN) untuk penilaian kualitas tidur dan deteksi sleep apnea. Gambar 7c menunjukkan keseluruhan aliran arsitektur pembelajaran mesin, mulai dari data input (sinyal EEG dan EOG) hingga deteksi sleep apnea. Penulis telah menyertakan matriks kebingungan untuk menunjukkan akurasi tinggi (88,52%) dari patch tidur dibandingkan dengan diagnosis manual oleh teknolog tidur (Gambar 7d ).

Gambar 7
Buka di penampil gambar
Kekuatan Gambar
Bioelektronika multimoda yang menggunakan klasifikasi data. a) Patch kulit yang dapat dikenakan untuk memantau sinyal EEG, EOG, EMG untuk mendeteksi sleep apnea. b) Spektrogram hipnogram, EEG, dan EOG yang menangkap sinyal karakteristik setiap keadaan tidur/bangun. c) Diagram alir yang menunjukkan arsitektur CNN yang digunakan untuk mendeteksi sleep apnea. d) Matriks konfusi yang menunjukkan keakuratan deteksi kejadian apnea. e) Pengodean informasi tekanan dan suhu dinamis ke dalam CSSN. f) Akurasi pengenalan untuk strategi pemrosesan single-modal dan crossmodal. g) Diagram alir tentang bagaimana sinyal pernapasan diproses melalui CNN untuk klasifikasi napas dalam masker WISE. h) Matriks konfusi yang menunjukkan keakuratan pengenalan sistem. a–d) Direproduksi dengan izin. [ 193 ] Hak cipta 2023, AAAS. e,f) Direproduksi dengan izin. [ 196 ] g,h) Direproduksi dengan izin. [ 197 ] Hak cipta 2023, American Chemical Society.
Li et al. melaporkan pengembangan neuron sensorik spiking crossmodal (CSSN) berdasarkan memristor VO 2 yang fleksibel . [ 196 ] Ia mengodekan dan memproses sinyal sensorik menjadi rangkaian lonjakan neuronal dengan memanfaatkan peralihan ambang batas. Sifat transisi logam-ke-isolator dari VO 2 memungkinkan pengodean informasi sensorik dinamis (suhu dan tekanan) menjadi sinyal spiking, yang meniru neuron sensorik biologis. Lonjakan ini dimasukkan ke dalam CSSN, yang dikodekan ke dalam sistem komputasi reservoir spiking (Gambar 7e ). Jaringan reservoir spiking, jenis khusus jaringan saraf spiking (SNN), mengklasifikasikan lebih lanjut lonjakan ini, dan penurunan gradien stokastik digunakan untuk melatih jaringan pembacaan. Tidak seperti SNN, yang merupakan subset khusus dari ANN yang terinspirasi dari komunikasi neuronal biologis, komputasi reservoir spiking hanya perlu melatih lapisan pembacaan untuk klasifikasi. Ini secara signifikan mengurangi kompleksitas komputasi dibandingkan dengan melatih semua lapisan sepenuhnya dalam SNN. Karena strategi pemrosesan lintas modal dan komputasi yang efisien, CSSN menunjukkan akurasi pengenalan yang tinggi untuk klasifikasi bentuk objek (huruf berbeda dalam alfabet) (Gambar 7f ).

Zhao et al. telah memperkenalkan masker wajah sensorik nirkabel all-in-one (masker WISE) yang dapat merasakan perubahan pada tingkat suhu dan pola pernapasan. [ 197 ] Masker terbuat dari filter nonwoven dua lapis yang terbuat dari serat nano poliakrilonitril (PAN-PA) yang didoping asam fitat dan serat mikro polipropilena. Selama respirasi, transpor proton yang diinduksi secara termal dari filter PAN-PA memungkinkan penginderaan suhu waktu nyata. Selain itu, variasi suhu yang disebabkan oleh inhalasi dan ekshalasi menginduksi perubahan resistansi lapisan PAN-PA. Perubahan resistansi ini dikumpulkan dan diubah menjadi sinyal listrik yang sesuai dengan perilaku pernapasan yang berbeda. Data yang sesuai dengan pola pernapasan dimasukkan ke dalam CNN, bagian dari ANN, untuk pemantauan kesehatan (Gambar 7g ). Algoritme dapat mengklasifikasikan data ini menjadi pernapasan normal, pernapasan cepat, batuk, dll., untuk deteksi kelainan waktu nyata dan peringatan SOS. Gambar 7h adalah matriks kebingungan yang menunjukkan bahwa sistem dapat secara akurat mengenali pola pernapasan yang berbeda.

Beberapa perangkat lain menggabungkan algoritma pembelajaran mesin untuk klasifikasi biosignal. Ouyang et al. telah memperkenalkan implan nirkabel dan tanpa baterai untuk perekaman saraf otonom dan neuromodulasi pada hewan kecil. [ 198 ] Perangkat tersebut mencakup sensor untuk pemantauan EEG, EMG, dan suhu tubuh serta probe optogenetik dan sistem pengiriman obat untuk neuromodulasi. CNN digunakan untuk klasifikasi sinyal EEG secara real-time untuk membedakan antara pola EEG normal dan kejang. [ 198 , 199 ] Selain itu, perangkat lain menggabungkan sinyal fisiologis dan elektrokimia dari tubuh manusia dan menggunakan klasifikasi pembelajaran mesin untuk memantau kesehatan penggunanya. [ 74 , 161 ]

Secara keseluruhan, klasifikasi data dalam biosensor multimoda sangat penting untuk membedakan sinyal kritis dari data yang tidak diproses. Dengan mempelajari pola dalam kumpulan data berlabel, model klasifikasi dapat secara efektif mengkategorikan data masukan untuk memberikan informasi status kesehatan subjek. [ 73 ] Bioelektronika multimoda dapat menggunakan model klasifikasi yang terlatih tidak hanya untuk memantau kesehatan tetapi juga menangkap tanda-tanda vital yang dapat menjadi penting bagi kesejahteraan pengguna. Kemampuan ini memungkinkan penilaian kesehatan yang akurat dan real-time serta deteksi penyakit dini. Namun, tantangan seperti salah tafsir data yang tidak seimbang dan overfitting tetap signifikan. Masalah ini dapat dikurangi melalui teknik seperti bobot kelas yang ditetapkan secara otomatis untuk data yang tidak seimbang dan validasi silang dalam sistem. [ 200 ] Pekerjaan masa depan dalam biosensor multimoda mencakup pengembangan model hemat energi yang dioptimalkan untuk komputasi tepi. Kemajuan ini akan memungkinkan operasi berkelanjutan tanpa kendala spasial dan memberikan latensi rendah untuk pemantauan real-time yang ditingkatkan.

3.10 Umpan Balik yang Disesuaikan
Di era di mana solusi yang dipersonalisasi menjadi yang terpenting, pembelajaran mesin telah muncul sebagai alat yang ampuh untuk memberikan umpan balik yang disesuaikan di berbagai domain. [ 201 ] Dengan menganalisis pola yang kompleks dan mengadaptasi respons secara dinamis, pembelajaran mesin meningkatkan pengalaman pengguna, khususnya dalam perangkat pintar, robotika, dan VR imersif, dengan memungkinkan kontrol yang disesuaikan secara real-time. Kontrol perangkat eksternal yang jauh dan tepat melalui teknologi nirkabel telah menjadi penting dalam mengatasi tantangan praktis, seperti mengurangi risiko kontaminasi di ruang operasi dan memastikan keselamatan saat menangani bahan kimia berbahaya. Bioelektronik yang disesuaikan, yang dirancang berdasarkan biosignal individu, semakin diperlukan untuk memenuhi tuntutan ini. Untuk mengatasi tantangan ini, data yang dikumpulkan dari biosensor multimoda yang dapat dikenakan dapat melatih model pembelajaran mesin untuk memungkinkan kontrol sistem jarak jauh yang andal dan tepat melalui antarmuka manusia-mesin, yang menawarkan operasi yang lebih aman. Penelitian saat ini terus memajukan sistem umpan balik yang memanfaatkan data waktu nyata, mendorong inovasi dalam keselamatan industri, aplikasi VR, dan seterusnya.

Kwon et al. telah mengembangkan sensor multimoda yang mampu mendeteksi sinyal EMG dari berbagai otot di lengan bawah ( Gambar 8 a ). [ 194 ] Elektronik hibrida nanomembran yang seluruhnya dicetak (p-NHE) menggunakan grafen konduktif fungsional sebagai sensornya untuk mengumpulkan sinyal EMG. Dua jenis algoritme pembelajaran mesin digunakan dalam studi ini untuk memproses data yang dikumpulkan. CNN diimplementasikan untuk mengidentifikasi gerakan tertentu dari satu p-NHE untuk mengendalikan sistem eksternal. Ini secara efektif memanfaatkan kumpulan data sinyal EMG deret waktu yang relatif besar untuk mengenali pola yang terkait dengan gerakan yang berbeda. Selain itu, algoritme KNN digunakan untuk mengidentifikasi dan menyinkronkan data EMG dari beberapa p-NHE yang ditempatkan pada otot yang berbeda, memfasilitasi respons cepat dan waktu nyata dari tangan robot. Gambar 8b mengilustrasikan kemampuan aktuasi perangkat yang mendukung EMG untuk konfigurasi p-NHE tunggal dan ganda. Dengan satu p-NHE, aktuasi drone dan mobil kendali jarak jauh (RC) dimungkinkan melalui gerakan tangan yang berbeda. Dengan menggunakan beberapa p-NHE, perangkat ini memungkinkan pengaktifan tepat beberapa gerakan tangan robot dengan akurasi tinggi sebesar 98,6%.

Gambar 8
Buka di penampil gambar
Kekuatan Gambar
Bioelektronika multimoda yang menggunakan umpan balik yang disesuaikan. a) Sistem yang dapat dikenakan yang dapat mendeteksi sinyal EMG dari berbagai otot di lengan bawah. b) Aktuasi perangkat eksternal melalui identifikasi berbagai gerakan. c) Saraf aferen organik buatan yang dirakit pada robot yang memungkinkan deteksi stimulus dan umpan balik loop tertutup. d) Diagram yang menunjukkan penggunaan LSTM untuk memproses data deret waktu yang dikumpulkan dari gripper robot. e) Diagram alir yang menunjukkan mekanisme kerja dari penginderaan stimulus dinamis hingga pembelajaran mesin dan umpan balik haptik dari ATH-Ring. f) Gambar yang menunjukkan umpan balik vibro-haptik menurut sinyal tumbukan di ruang virtual. g) Demonstrasi umpan balik termo-haptik menurut suhu suatu objek di ruang virtual. h) Matriks kebingungan yang menunjukkan akurasi pengenalan objek dari ATH-Ring. a,b) Direproduksi dengan izin. [ 194 ] Hak Cipta 2020, Springer Nature. c,d) Direproduksi dengan izin. [ 202 ] Hak Cipta 2024, Springer Nature. eh) Direproduksi dengan izin. [ 135 ] Hak Cipta 2022, Springer Nature.
Chen et al. merancang saraf aferen organik buatan (AOAN) yang mengintegrasikan mekanoreseptor buatan dan transistor organik dengan pembelajaran mesin untuk memberikan umpan balik yang disesuaikan. [ 202 ] Mekanoreseptor buatan yang terinspirasi dari biologi ini meniru fungsi sensorik taktil dari mekanoreseptor manusia dan dikombinasikan dengan transistor sinaptik elektrokimia organik. Ketika tekanan diterapkan pada mekanoreseptor, tekanan tersebut mengubah konduktivitas transistor organik, meniru potensial aksi neuron (Gambar 8c ). Untuk pemrosesan data, sinyal taktil spasiotemporal dikodekan ke dalam AOAN, yang menggunakan lapisan memori jangka pendek panjang (LSTM) untuk mengekstrak fitur-fitur utama seperti intensitas tekanan dan waktu (Gambar 8d ). Model pembelajaran mesin ini belajar mengenali pola selip dan memprediksi penyesuaian yang diperlukan untuk mencengkeram. Setelah diintegrasikan ke lengan robot, AOAN yang terlatih memproses informasi sentuhan secara real-time, memungkinkan fungsi seperti pencegahan selip dan meningkatkan ketepatan pegangan robot.

Sun et al. memperkenalkan augmented tactile-perception and haptic-feedback ring (ATH-Ring) yang mengintegrasikan triboelectric nanogenerators (TENGs) dan polyvinylidene fluoride (PVDF) sebagai sensor taktil dan suhu, masing-masing. [ 135 ] Ini juga mencakup vibrator elektromagnetik untuk umpan balik vibro-haptic, mensimulasikan sensasi sentuhan fisik, dan pemanas kawat nikrom untuk umpan balik termo-haptic, mereplikasi sensasi suhu. Selama interaksi pengguna, sinyal taktil dan suhu dikumpulkan dan dianalisis menggunakan SVM. Data yang diproses kemudian ditransmisikan ke aktuator dalam ATH-Ring, memungkinkan umpan balik vibro- dan termo-haptic yang tepat (Gambar 8e ). Para penulis menunjukkan potensinya dalam platform sosial virtual berbasis metaverse, untuk menunjukkan kemampuannya dalam menciptakan simulasi yang sangat mendalam dan realistis yang disesuaikan dengan pengguna individu. Misalnya, Gambar 8f menyoroti umpan balik vibro-haptik selama demonstrasi pelatihan piano virtual, di mana getaran dikirimkan melalui ATH-Ring berdasarkan tabrakan virtual. Demikian pula, Gambar 8g mengilustrasikan umpan balik termo-haptik yang dicapai dengan pemanas kawat nikrom, yang mensimulasikan suhu objek di lingkungan virtual. Selain itu, perangkat ini juga mampu secara akurat membedakan berbagai objek yang digenggam, yang memungkinkan rekonstruksi item yang realistis di ruang virtual (Gambar 8h ).

Zhu et al. mengembangkan sarung tangan modular lembut yang mampu merasakan rangsangan stres dan regangan menggunakan TENG dan mendeteksi perubahan suhu dengan elektroda nikrom. [ 203 ] CNN dilatih pada data taktil dan termal yang dikumpulkan oleh sarung tangan untuk mengidentifikasi objek yang sedang digenggam. Untuk umpan balik tambahan, sistem dua sarung tangan digunakan; satu sarung tangan menangkap masukan dan melakukan penginderaan, sementara yang lain memberikan umpan balik dan interaksi. CNN memproses sinyal taktil dan termal dari sarung tangan penginderaan untuk mengenali objek. Setelah diidentifikasi, sarung tangan umpan balik secara dinamis menyesuaikan aktuator pneumatik dan termalnya untuk mereplikasi sifat objek, seperti bentuk dan suhu.

Kesimpulannya, algoritma pembelajaran mesin memberikan umpan balik yang disesuaikan dengan menganalisis pola data yang kompleks, yang memungkinkan sistem untuk disesuaikan dengan kebutuhan spesifik pengguna. Integrasi pembelajaran mesin meningkatkan presisi, efisiensi, dan personalisasi di seluruh aplikasi seperti robotika, VR, dan teknologi yang dapat dikenakan. Umpan balik yang disesuaikan dengan pembelajaran mesin yang disempurnakan dapat memberikan respons adaptif yang meningkatkan fungsionalitas dan pengalaman pengguna. Namun, interpretabilitas model tetap menjadi area penting untuk penelitian di masa mendatang. Arsitektur pembelajaran yang kompleks seperti jaringan saraf memiliki cara kerja internal yang sulit diuraikan. [ 204 ] Untuk mengatasi hal ini, algoritma pembelajaran mesin yang lebih sederhana dapat dikembangkan untuk transparansi. [ 205 ] Dengan kemajuan yang berkelanjutan, umpan balik yang disesuaikan yang didukung oleh pembelajaran mesin berpotensi untuk merevolusi industri, mulai dari menciptakan pengalaman virtual yang imersif hingga memajukan pengobatan yang dipersonalisasi.

4 Pandangan dan Kesimpulan
Bioelektronika multimoda menghasilkan data heterogen berdimensi tinggi, yang memerlukan teknik pembelajaran mesin tingkat lanjut untuk integrasi dan interpretasi yang efisien. Dengan memanfaatkan algoritma pembelajaran mesin yang canggih, bioelektronika ini meningkatkan presisi diagnostik dan memfasilitasi intervensi terapeutik yang dinamis melalui teknik seperti analisis korelasi, pemodelan prediktif, klasifikasi status, dan umpan balik yang disesuaikan. Kemajuan ini mengoptimalkan perawatan yang dipersonalisasi dan meningkatkan hasil perawatan kesehatan secara keseluruhan. [ 206 , 207 ]

Di luar kemampuan bioelektronik multimodal saat ini, biosensor generasi berikutnya akan berinteraksi secara dinamis dengan sistem biologis, bergeser dari perangkat pemantauan pasif ke platform bioelektronik adaptif. [ 208 , 209 ] Transisi ini akan didorong oleh antarmuka bioelektronik dwiarah, yang tidak hanya merasakan keadaan fisiologis tetapi juga memberikan respons terapeutik yang disesuaikan secara real-time melalui arsitektur loop tertutup. Kemajuan tersebut memiliki potensi yang sangat besar untuk antarmuka otak-mesin, prostetik, dan terapi neuromodulasi real-time, yang menawarkan intervensi yang sangat responsif dan digerakkan oleh pembelajaran mesin untuk kondisi neurologis dan fisiologis. [ 210 – 213 ] Seiring dengan terus berkembangnya algoritma pembelajaran mesin, bioelektronik multimodal akan beralih dari alat biosensing statis ke sistem biomedis yang cerdas dan mengatur diri sendiri yang mampu beradaptasi secara real-time, intervensi loop tertutup, dan pengoptimalan kesehatan yang dipersonalisasi. Kemajuan di masa depan akan fokus pada model AI pembelajaran mandiri yang mampu beradaptasi secara otonom dengan variasi fisiologis yang dinamis, sehingga meningkatkan akurasi diagnostik. Kerangka kerja pembelajaran mendalam, seperti jaringan saraf grafik (GNN) dan arsitektur berbasis transformator, selanjutnya akan memungkinkan fusi data multimoda, mengekstraksi pola saling bergantung di seluruh biosignal dengan presisi yang belum pernah terjadi sebelumnya. [ 214 – 216 ] Gambar 9 mengilustrasikan operasi loop tertutup dari sistem bioelektronik adaptif, yang terdiri dari perangkat pemantauan biosignal multimoda untuk akuisisi sinyal fisiologis waktu nyata, kerangka kerja pembelajaran mendalam untuk ekstraksi fitur dan pengenalan pola, dan antarmuka umpan balik untuk memberikan umpan balik terapeutik yang dipersonalisasi, aplikasi dalam antarmuka otak-mesin, dan prostesis.

Gambar 9
Buka di penampil gambar
Kekuatan Gambar
Platform bioelektronik adaptif sebagai biosensor generasi berikutnya. Tinjauan umum platform bioelektronik adaptif yang mendeteksi sinyal fisiologis melalui perangkat pemantauan, memproses data yang diperoleh melalui kerangka pembelajaran mendalam, dan memberikan intervensi terapeutik yang disesuaikan melalui antarmuka otak-mesin, sistem prostetik, atau modalitas perawatan yang dipersonalisasi.
Untuk merealisasikan potensi ini secara penuh, penelitian di masa depan harus mengatasi tantangan-tantangan utama, termasuk meningkatkan efisiensi komputasi, [ 217 , 218 ] mengembangkan perangkat keras sensor beresolusi tinggi dan hemat energi, [ 80 , 111 , 219 , 220 ] dan memastikan validasi klinis yang kuat. [ 221 , 222 ] Mengatasi hambatan-hambatan ini akan memungkinkan bioelektronik multimoda yang didukung pembelajaran mesin tidak hanya meningkatkan presisi diagnostik dan intervensi terapeutik tetapi juga berkontribusi pada pengembangan sistem biomedis yang cerdas dan otonom yang mampu beradaptasi dengan kondisi fisiologis yang kompleks.