生物傳感是人類(lèi)與機(jī)器、人類(lèi)與環(huán)境、機(jī)器與環(huán)境交互的重要媒介。其中，觸覺(jué)能夠?qū)崿F(xiàn)精準(zhǔn)的環(huán)境感知，幫助使用者與復(fù)雜環(huán)境交互。

為模仿人類(lèi)的觸覺(jué)，科研人員開(kāi)發(fā)了各種傳感器，以模擬皮膚對(duì)環(huán)境的感知。然而，觸覺(jué)傳感的要求高、參數(shù)變化多樣，需要大量的研發(fā)經(jīng)驗(yàn)、充分的文獻(xiàn)調(diào)研和大量的試錯(cuò)實(shí)驗(yàn)，研發(fā)周期很長(zhǎng)。

為此，浙江大學(xué)的研究者利用支持向量機(jī)進(jìn)行摩擦電納米發(fā)電機(jī)觸覺(jué)傳感器的參數(shù)優(yōu)化。優(yōu)化后的觸覺(jué)傳感器能夠識(shí)別多種觸摸模式，并實(shí)現(xiàn)盲文識(shí)別。這一成果有望為觸覺(jué)傳感器的研發(fā)提供新方案。

作者 | 雪菜

編輯 | 三羊

為模仿人類(lèi)的感覺(jué)系統(tǒng)，研究人員開(kāi)發(fā)了一系列類(lèi)皮膚傳感器，以監(jiān)測(cè)觸摸、壓力、震動(dòng)、溫度和濕度等信息。其中，觸覺(jué)傳感器是與復(fù)雜環(huán)境交互最重要的部分，已廣泛應(yīng)用于健康監(jiān)測(cè)、智能機(jī)器人、人機(jī)環(huán)境交互和虛擬/增強(qiáng)現(xiàn)實(shí)中。

理想的傳感器應(yīng)具備高靈敏度、寬工作范圍和優(yōu)異的可重復(fù)性。這往往需要根據(jù)研發(fā)經(jīng)驗(yàn)或是文獻(xiàn)調(diào)研選擇傳感器參數(shù)，然后進(jìn)行多次的試錯(cuò)實(shí)驗(yàn)，最后用優(yōu)化得到的傳感器進(jìn)行特定工作。

然而，這種前饋的設(shè)計(jì)策略隔絕了傳感器的設(shè)計(jì)和應(yīng)用，增大了數(shù)據(jù)負(fù)擔(dān)，弱化了信號(hào)特征，降低了計(jì)算分析效率。

圖 1：基于觸覺(jué)傳感器的模塊化假肢 (a) 和乳腺檢查傳感器 (b)

為提高傳感器信號(hào)識(shí)別的穩(wěn)定性，機(jī)器學(xué)習(xí)算法常用于分析不同通道信號(hào)之間的相關(guān)性和細(xì)微差別。近日，浙江大學(xué)的楊賡和徐凱臣課題組更進(jìn)一步，通過(guò)支持向量機(jī) (SVM) 優(yōu)化了摩擦電納米發(fā)電機(jī) (TENG) 觸覺(jué)傳感器的設(shè)計(jì)。優(yōu)化后的傳感器能準(zhǔn)確識(shí)別 6 種動(dòng)態(tài)觸摸模式，并據(jù)此進(jìn)行文字識(shí)別和盲文識(shí)別。相關(guān)成果已發(fā)表于「Advanced Science」。

相關(guān)成果已發(fā)表于「Advanced Science」

論文鏈接：

https://onlinelibrary.wiley.com/doi/10.1002/advs.202303949

實(shí)驗(yàn)過(guò)程

概述：優(yōu)化參數(shù)和優(yōu)化算法

以 TENG 為基礎(chǔ)的觸覺(jué)傳感器的性能主要與以下參數(shù)有關(guān)，包括輸出信號(hào)類(lèi)型、電極密度、表面微結(jié)構(gòu)的形狀和分布，也即 SVM 算法要優(yōu)化的參數(shù)。

手指上的傳感器能夠識(shí)別 6 種觸摸模式，包括按壓、輕拍、上移、下移、左移和右移。這 6 種觸摸模式的識(shí)別即為傳感器的測(cè)試目標(biāo)，用于對(duì)設(shè)計(jì)參數(shù)進(jìn)行優(yōu)化。

SVM 算法用于評(píng)價(jià)輸出信號(hào)質(zhì)量，篩選出最優(yōu)設(shè)計(jì)參數(shù)。與傳統(tǒng)的經(jīng)驗(yàn)驅(qū)動(dòng)設(shè)計(jì)流程不同，SVM 的設(shè)計(jì)流程提供了一種數(shù)據(jù)驅(qū)動(dòng)的參數(shù)優(yōu)化方法，將器件的設(shè)計(jì)和算法緊密聯(lián)系在了一起。

圖 2：基于機(jī)器學(xué)習(xí)的觸覺(jué)傳感器優(yōu)化流程

機(jī)器學(xué)習(xí)模型：SVM + CNN

本研究在 Python 中運(yùn)用 scikit-learn 庫(kù)得到 SVM 分類(lèi)器。分類(lèi)器共 10 個(gè)，正則化參數(shù)范圍為 0.1-1.0。

同時(shí)，基于 PyTorch 框架，用 Python 開(kāi)發(fā)一維卷積神經(jīng)網(wǎng)絡(luò) (CNN)，用于驗(yàn)證過(guò)程的特征學(xué)習(xí)和識(shí)別。CNN 包括 5 個(gè)卷積層，后接批量歸一化函數(shù)和線性整流單元 (ReLU)。模型通過(guò)自適應(yīng)矩估計(jì) (Adam) 算法進(jìn)行訓(xùn)練，學(xué)習(xí)率 0.001，batch size為 128。

圖 3：CNN 模型示意圖

制作流程：激光直寫(xiě) + PDMS 封裝

TENG 觸覺(jué)傳感器的制作主要包括 6 個(gè)步驟：

1、通過(guò)紅外激光直寫(xiě)技術(shù)制作叉指電極。激光的熱效應(yīng)可以誘導(dǎo)聚酰亞胺 (PI) 膜碳化，得到激光誘導(dǎo)石墨烯 (LIG) 圖形；

2、將聚二甲基硅氧烷 (PDMS) 旋涂在 LIG/PI 膜上；

3、PDMS 溶液滲入 LIG 的孔狀結(jié)構(gòu)后，剝離 PI 膜，得到 LIG/PDMS 薄膜；

4、用氧等離子體對(duì)薄膜進(jìn)行處理，引入電負(fù)性基團(tuán)，并除去薄膜表面雜質(zhì)；

5、引入全氟乙烯丙烯共聚物 (FEP) 薄膜，增強(qiáng)器件的摩擦電效應(yīng)；

6、最后用 PDMS 進(jìn)行封裝，并通過(guò)激光進(jìn)行圖形化。

圖 4：TENG 觸覺(jué)傳感器制作流程

輸出信號(hào)類(lèi)型：電流與電壓

輸出信號(hào)類(lèi)型與 TENG 的檢測(cè)性能高度相關(guān)，因此研究人員首先對(duì)比了摩擦電壓和摩擦電流對(duì)傳感器性能的影響。

首先是這兩種輸出信號(hào)類(lèi)型的數(shù)據(jù)可重復(fù)性。電流信號(hào)的分布不規(guī)則，且與平均數(shù)據(jù)的偏差較大，而電壓數(shù)據(jù)與平均數(shù)據(jù)只有較小的偏差，重復(fù)性更強(qiáng)。

此外，研究人員利用線性 SVM 分類(lèi)器進(jìn)行了數(shù)據(jù)分類(lèi)，電壓信號(hào)的分類(lèi)準(zhǔn)確率為 94.278%，電流信號(hào)的準(zhǔn)確率為 95.579%。電壓信號(hào)和電流信號(hào)的可分離性 (Separability) 和離散性 (Dispersion) 分別為 [3,636, 11.877] 和 [3.528, 11,267]。

為消除不同維度數(shù)據(jù)的影響，將上述指標(biāo)歸一化后，電壓信號(hào)的結(jié)果由 [94,278%, 3.636, 11,877] 變?yōu)?[0, 1, 1]，電流信號(hào)的結(jié)果由 [95,579%, 3.528, 11,267] 變?yōu)?[1, 0, 0]。這說(shuō)明電壓信號(hào)有兩個(gè)評(píng)價(jià)標(biāo)準(zhǔn)，更適用于信號(hào)輸出。

圖 5：輸出電壓和輸出電流對(duì) 6 種觸摸模式的信號(hào)響應(yīng)

a&b：分別為電壓和電流對(duì) 6 種觸摸模式的信號(hào)響應(yīng)；

c&d：分別為輸出電壓和電流信號(hào)的降維結(jié)果。

電極密度：稀疏與密集

電極的密度會(huì)影響信號(hào)的復(fù)雜度。研究人員探究了電極稀疏分布和密集分布時(shí)的器件性能。信號(hào)降維后，可以看到稀疏分布的電極信號(hào)區(qū)分度更大。

稀疏排布電極信號(hào)的分類(lèi)準(zhǔn)確率、可分離性和離散性分別為 [96.975%, 3.695, 14.759]，密集排布的電極為 [95,958%, 3.528, 11.542]。歸一化后分別為 [1, 1, 1] 和 [0, 0, 0]，說(shuō)明稀疏排布的電極信號(hào)有三個(gè)評(píng)價(jià)標(biāo)準(zhǔn)。

圖 6：稀疏分布和密集分布電極對(duì) 6 種觸摸模式的信號(hào)響應(yīng)

a&b：分別為稀疏分布電極和密集分布電極對(duì) 6 種觸摸模式的信號(hào)響應(yīng)；

c&d：分別為稀疏分布電極和密集分布電極記錄信號(hào)的降維結(jié)果。

微結(jié)構(gòu)形狀：指紋與網(wǎng)格

PDMS 表面粗糙的微結(jié)構(gòu)可以降低粘性效應(yīng)對(duì)信號(hào)的影響，提高信號(hào)的信噪比。研究人員對(duì)比了指紋狀的微結(jié)構(gòu)和網(wǎng)格狀的微結(jié)構(gòu)對(duì)器件性能的影響，發(fā)現(xiàn)指紋狀結(jié)構(gòu)的數(shù)據(jù)更加集中，而網(wǎng)格狀結(jié)構(gòu)的信號(hào)不穩(wěn)定。

指紋狀結(jié)構(gòu)和網(wǎng)格狀結(jié)構(gòu)信號(hào)的準(zhǔn)確率、可分離性和離散性分別為 [96.50%, 4.227, 14.958] 和 [95.056%, 3.725, 11.783]。歸一化后為 [1, 1, 1] 和 [0, 0, 0]，說(shuō)明指紋狀的微結(jié)構(gòu)更適于本實(shí)驗(yàn)。

圖 7：指紋狀微結(jié)構(gòu) (a) 和網(wǎng)格狀微結(jié)構(gòu) (b) 對(duì) 6 種觸摸模式的信號(hào)響應(yīng)

微結(jié)構(gòu)分布：溝道間隔

指紋狀微結(jié)構(gòu)中，相鄰溝道的間隔同樣會(huì)影響信號(hào)的質(zhì)量。研究人員對(duì)比了溝道間隔為 100、200 和 300 μm 的器件性能，三者的歸一化指標(biāo)分別為 [1, 0.902, 1]、[0.042, 1, 0] 和 [0, 0, 0.228]，說(shuō)明間隔越小越有利于信號(hào)的輸出。

圖 8：不同溝道間隔對(duì) 6 種觸摸模式的信號(hào)響應(yīng)

a：指紋狀微結(jié)構(gòu)溝道間隔示意圖；

b&c&d：分別為溝道間隔為 300 μm、200 μm、100 μm 時(shí)的信號(hào)響應(yīng)。

SVM 優(yōu)化得到的器件參數(shù)總結(jié)如下：

表 1：SVM 優(yōu)化參數(shù)及結(jié)果匯總

實(shí)驗(yàn)驗(yàn)證：文字識(shí)別

得益于 SVM 算法優(yōu)化得到的參數(shù)，TENG 觸覺(jué)傳感器能夠準(zhǔn)確識(shí)別 6 種觸摸模式。因此，在電壓測(cè)量模式下，TENG 觸覺(jué)傳感器可以分辨不同字母，進(jìn)而實(shí)現(xiàn)文字識(shí)別。

圖 9：TENG 觸覺(jué)傳感器在文字識(shí)別中的應(yīng)用

a&b：分別為上下左右滑動(dòng)時(shí)的電壓和電流輸出；

c：通過(guò)觸摸進(jìn)行文字識(shí)別的過(guò)程示意圖；

d-h：TENG 觸覺(jué)傳感器對(duì)不同語(yǔ)句的響應(yīng)信號(hào)。

仿生驗(yàn)證：盲文識(shí)別

為模仿人類(lèi)皮膚的觸摸特性，上述 TENG 觸覺(jué)傳感器被固定在機(jī)器手上，用于盲文識(shí)別測(cè)試。首先通過(guò)機(jī)器手收集 10 個(gè)盲文數(shù)字的觸摸信號(hào)。之后，通過(guò)高通濾波，提取出滑動(dòng)過(guò)程中的微弱信號(hào)。

圖 10：10 個(gè)盲文數(shù)字的觸摸信號(hào)（左）及降維分布（右）

這些盲文數(shù)字具有較高的相似性，存在一定的識(shí)別難度。為此，研究人員使用了 CNN 用于特征學(xué)習(xí)和分類(lèi)。CNN 的分類(lèi)準(zhǔn)確率為 96.12%，僅對(duì) 0, 3, 8 這 3 個(gè)相似度很高的盲文數(shù)字準(zhǔn)確率較低。

為驗(yàn)證其在實(shí)際應(yīng)用中的可行性，研究人員利用機(jī)器手進(jìn)行了 11 位盲文電話號(hào)碼的實(shí)時(shí)識(shí)別。在打印出一組盲文電話號(hào)碼后，機(jī)器手能夠連續(xù)識(shí)別每位數(shù)字，提供實(shí)時(shí)反饋，并在圖像用戶界面 (GUI) 上顯示。

圖 11：TENG 觸覺(jué)傳感器用于盲文電話號(hào)碼的實(shí)時(shí)識(shí)別

上述結(jié)果表明，SVM 優(yōu)化的 TENG 觸覺(jué)傳感器可以通過(guò)接觸有效識(shí)別文字，增強(qiáng)了機(jī)器與環(huán)境之間的交互能力，并有望為殘障輔助提供新方案。

TENG 觸覺(jué)傳感器

最早的生物傳感器是基于抗原-抗體的免疫反應(yīng)或是 DNA 雙鏈反應(yīng)構(gòu)建的。這些傳感器非常精準(zhǔn)，但多用于分子生物學(xué)，很難進(jìn)行大規(guī)模的生物監(jiān)測(cè)。

「物聯(lián)網(wǎng)」這一概念被提出后，研究人員開(kāi)始研發(fā)高通量、低成本、大規(guī)模的生物傳感器，包括觸覺(jué)傳感器的一系列環(huán)境傳感器應(yīng)運(yùn)而生。

圖 12：生物傳感器的發(fā)展歷程

早期的觸覺(jué)傳感器是基于電阻、電容、壓電、熱電效應(yīng)等設(shè)計(jì)的，這些元器件會(huì)大大增加傳感器的體積，限制了其多場(chǎng)景使用。

2012 年，TENG 被提出后，觸覺(jué)傳感器的研發(fā)進(jìn)入新階段。納米級(jí)的 TENG 可以被嵌入各種柔性基底中，構(gòu)成可穿戴傳感器，進(jìn)而衍生出了電子皮膚等理念。

然而，傳統(tǒng)的 TENG 觸覺(jué)傳感器研發(fā)主要依靠課題組的經(jīng)驗(yàn)、文獻(xiàn)調(diào)研與多次試錯(cuò)推進(jìn)。如今，在 AI 的幫助下，TENG 觸覺(jué)傳感器的研發(fā)可以由經(jīng)驗(yàn)驅(qū)動(dòng)轉(zhuǎn)向應(yīng)用驅(qū)動(dòng)，這能夠大大降低研發(fā)周期和成本，加速研發(fā)落地，助力 TENG 觸覺(jué)傳感器與需求側(cè)結(jié)合，為人們的生活提供更多便利。

參考鏈接：

[1]https://www.mdpi.com/1424-8220/17/11/2653

[2]https://onlinelibrary.wiley.com/doi/full/10.1002/adma.202008276