研究背景
在智能社会的新时代，随着人工智能物联网(AIoT)和第五代(5G)通信技术的快速发展具有各种功能的柔性电子器件经历了蓬勃的发展。柔性和可拉伸机械传感器作为其中一个重要部分，正吸引着广泛的研究，因为它们拥有通过电信号量化外部机械刺激的能力如压力、应变、剪切力和振动 (图1)。与传统的刚性传感器相比，柔性机械传感器甚至可以变形为任何形状，以符合人体皮肤、机器人/假体和智能设备的表面，赋予它们智能传感能力。同时，柔性机械传感器还被开发出其他新的特性，特别是光学透明性，以视觉上无法察觉的方式发挥作用。因此，已经建立了广泛的应用，如健康/运动监测，人机界面(HMI)和智能家居，等等。作为基本原理，不同的传感机制已经被开发出来从具有高灵敏度的压阻式和电容式传感器到具有零功耗的明显优势的压电式和摩擦静电式传感器。基于这些机械传感器，不同的物理参数被记录下来，以感知具有不同传感特性的外部刺激，如敏感度、工作范围、线性度和稳健性，因此可以在不同的场景中加以利用。此外，为了完成一个智能传感系统，不仅可以检测，而且可以分析和决策，先进的数据处理方法相应地与灵活的机械传感技术融合。特别是，机器学习(ML)算法已被广泛报道，对收集到的柔性传感器的原始数据进行更复杂和全面的分析，以有效地提取有用的信息，远远超出传统方法的可解释性。ML 中的训练模型已经被用来根据目标应用中单个传感器或多个/多模态传感器的指定任务进行分类、识别和预测值。
研究成果
为了实现一个具有高生产力的超级连接的智能社会，非常需要柔性传感技术的进步。如今柔性传感技术已经见证了传感器设备的硬件性能和设备软件的数据处理能力的改进。为了满足未来技术的要求，大量的研究工作已经投入到改进材料、传感机制和柔性传感系统的配置上。同时，正在开发先进的数据分析方法，以从单个传感器或传感器网络收集的日益复杂的数据中提取有用的信息。机器学习(ML)作为人工智能的一个重要分支，可以有效地处理这种复杂的数据，这些数据可能是多维和多面的，从而为方便解释传感数据提供了一个强大的工具。在这篇评论中，首先介绍了柔性机械传感器的基本工作机制和常见类型。然后阐述了ML 辅助数据解释如何改善柔性机械传感器和其他密切相关的传感器在各个领域的应用其中包括健康监测、人机界面、物体/表面识别、压力预测和人体姿势/运动识别。最后，讨论了与柔性机械传感技术和 ML 算法的融合有关的优势、挑战和未来前景。这些将为下一代人工柔性机械传感的发展提供重要的见解。相关报道以“Machine Learning‑Enhanced Flexible Mechanical Sensing”为题发表在Nano-Micro Letters期刊上。厦门大学Libo Gao教授、澳大利亚国立大学Zongyou Yin教授及中科院深圳深圳先进技术学院Haitao Zhao研究员为共同通讯作者。清华大学Yuejiao Wang为第一作者。
综述要点
1. 回顾了柔性机械传感平台与机器学习 (ML) 整合的最新进展。
2. 讨论了将ML应用于智能柔性机械传感技术的优势、挑战和未来前景。
3. 回顾了柔性机械传感器的基本工作机制和常见类型。
总结与展望
随着传感机制的多样化、传感性能的高度增强、更多的功能和器件的小型化的发展，柔性电子器件正以大量的数据和高级特征快速发展。传统的数据处理技术在分析大量传感数据方面的能力不足变得很明显，因为它通常需要人工干预，步骤复杂，处理时间长。灵活的传感技术可以通过纳入 ML 方法来加速发展，它可以有效地处理高维和非线性数据，以发现大数据集中的错综复杂/隐藏的关系。在这篇综述中，作者从与 ML 辅助的数据处理算法的结合上对智能机械传感技术的最新进展进行了概述。ML 技术对柔性机械传感的好处可以归纳为三个方面：
首先，ML 显著提高了来自大型传感阵列或/和复杂传感系统的大传感数据的处理效率。通过相同的传感机制测量的同质传感数据的阵列集成可以直接结合起来，得出所需信息。例如，一个大型压阻传感器阵列的 32x32 像素被作为触觉手套的 CNN 的输入以识别被抓的物体。此外，具有由不同传感机制测量的异质传感数据的多模态传感系统也可以得到全面的分析。甚至可以将视觉数据与手指上的柔性应变传感器结合起来，对手势进行准确分类，由于数据维度和数据密度的不匹配，没有 ML 是很难实现的。
其次，与噪声或多个刺激之间的耦合，以及相邻传感器之间的重叠，可以通过 ML 减少或解耦，以提供合理的结果，与传统的数据处理技术相比，精度和分辨率都有所提高。例如，可以对应变、压力和呼吸刺激作出反应的多功能传感器的信号通过 ET 方案进行分解，以获得每个单一的刺激。同样，避免由不需要的机械变形(如弯曲、扭曲和拉伸)引起的设备性能变化的共同挑战也可以通过使用 ML 来解决信号分解。此外，没有阵列图案的笨重压阻复合材料甚至可以通过将边缘的电阻变化输入DNN 来测量压力值和位置。
第三，ML 挖掘感应信号和信息事件之间的隐藏关系。检测到的心电图信号、呼吸和皮肤电化学反应可以共同提供精神疲劳程度信息。总之，ML 技术已被广泛证明是提高柔性机械传感能力的一个有前途的解决方案，而不需要对硬件进行重大更新。
另一方面，尽管柔性机械传感与ML 算法的整合取得了快速进展，但智能柔性传感系统的发展也面临着不可避免的挑战。尽管 ML 赋予了系统自动合并所有信息并从经验中学习以提高预测精度的能力，但ML辅助处理柔性机械传感数据不可避免地存在着 ML算法的缺陷。
首先，通常需要从传感系统中收集大量多样化的、经过严格审核的训练数据，以确保 ML 模型的高预测精度，这是一个繁琐而耗时的过程。对于大多数基于有机材料的柔性传感器来说它们拥有内在的设备与设备之间的差异和较差的长期稳定性，由于可重复性与模型训练直接相关，所以在梳理 ML 算法时增加了很大的困难。因此，需要开发更智能的 ML 算法以简化训练步骤，并应改善传感器的性能 (特别是稳定性和均匀性)。
其次，根据传感数据和预期结果设计一个合适的 ML 模型是重中之重。各种 ML 算法已经被开发出来，每一种算法都有优点和缺点，在解决不同情况时需要考虑。还必须进行超参数的调整，以找到最佳设置。由于这两个原因，应该指出，ML 辅助的数据处理并不总是最好的解决方案，其他方法如线性校准和非线性拟合，在更简化的关系中可能显示出优势。
最后，灵活传感数据的 ML的学习过程和决策需要由相应的知识和推理规则来调节，以确保特定应用的有效结果。
在未来，ML不仅可以应用于柔性传感器系统的数据处理，而且还会进一步影响柔性传感系统的设计阶段，包括配置和材料。利用ML 实现的逆向设计，可以找到具有理想功能的理想材料和具有紧凑型传感器实现的最佳传感配置，从而产生具有强大传感性能的新一代智能柔性传感系统。多模态传感平台将通过整合柔性机械传感与化学和生物传感来形成，以提供更全面的信息，其中 ML有望在复杂的设计过程和数据分析方面发挥重要作用。另一方面，通过 ML 对柔性传感信号进行传感器内处理以提供实时分析，预计将广泛实现，因为它拥有比无线传输原始数据到外部计算设备更多的优势，提供更少的通信链路带宽和无线电功率要求。个人数据的安全性也可以通过本地处理信号得到改善。随着对传感器、微处理器单元、计算技术、无线通信和人工智能技术的不断改进，相信，经过 ML 增强的柔性机械传感可以进一步提高我们的生活质量，达到更高的水平包括健康监测、HMI、运动/手势识别、电子皮肤以及其他相关领域。
文献链接
Machine Learning‑Enhanced Flexible Mechanical Sensing
https://doi.org/10.1007/s40820-023-01013-9
转自：“i学术i科研”微信公众号
如有侵权，请联系本站删除！
