基于深度学习的器官芯片驱动设备运行状态监测方法研究
高超

东南大学，江苏省南京市，210096；

摘要：器官芯片技术在生物医学领域具有广泛应用，其稳定运行依赖于精确的流体驱动设备。蠕动泵作为常见的驱动装置，长期运行过程中可能因机械磨损导致输送异常，影响实验的稳定性。为此，本研究提出了一种基于长短期记忆（LSTM）网络的智能监测方法，通过负载数据分析，实现蠕动泵运行状态的自动分类与故障预警。本研究构建了数据采集系统，获取不同状态下的负载信号，并利用LSTM模型进行训练与分类。实验结果表明，该方法能够有效区分正常运行、输送衰减和输送失效三种状态，分类准确率较高，验证了模型的可行性。进一步结合嵌入式微处理器和无线通信模块，可实现远程监测和自动故障报警，提高实验的自动化水平和运行稳定性。本研究为器官芯片驱动设备的智能化监测提供了技术支持，有助于提高生物医学实验的可靠性和维护效率。

关键词：器官芯片；蠕动泵；运行状态监测；长短期记忆网络（LSTM）

参考文献

[1]Zhang, B., Korolj, A., Lai, B. F. L., & Radisic, M. (2018). Advances in organ-on-a-chip engineering. Nature Reviews. Materials, 3(8), 257–278.

[2]Ma, C., Peng, Y., Li, H., & Chen, W. (2021). Organ-on-a-Chip: A New Paradigm for Drug Development. Trends in Pharmacological Sciences (Regular Ed.), 42(2), 119–133.

[3]Aazmi, A., Zhang, D., Mazzaglia, C., Yu, M., Wang, Z., Yang, H., Huang, Y. Y. S., & Ma, L. (2024). Biofabrication methods for reconstructing extracellular matrix mimetics. Bioactive Materials, 31, 475–496.