东南大学研发可穿戴无缝多模传感器,可识别不同的关节运动状态
2022-02-26 11:31:01   来源:麦姆斯咨询   评论:0   点击:

该可穿戴无缝多模传感器能够解耦压力和应变刺激,并识别不同的关节运动状态。在机器学习算法的帮助下,该传感器能够准确识别不同关节位置和状态的运动特征。

据麦姆斯咨询报道,近日,东南大学电子科学与工程学院MEMS教育部重点实验室的孙立涛教授研究团队在Microsystems & Nanoengineering上报道了一种新型可穿戴无缝多模传感器,该传感器能够解耦压力和应变刺激,并识别不同的关节运动状态。在机器学习算法的帮助下,该传感器能够准确识别(97.13%)不同关节位置和状态的运动特征。

东南大学孙立涛教授

东南大学孙立涛教授

无缝电阻-电容结构多模(seamless resistance-capacitance structural multimode,SRCSM)传感器的形貌表征

无缝电阻-电容结构多模(seamless resistance-capacitance structural multimode,SRCSM)传感器的形貌表征

使用可穿戴传感器监测和识别人体运动特征是了解人体活动和生命体征的重要手段,尤其是在智能医疗康复、智能运动锻炼、软机器人和电子皮肤等应用中。然而,人体运动是一个涉及多个关节的复杂过程,每个关节运动包括骨骼的弯曲/压缩和覆盖在骨骼表面的皮肤的拉伸。迄今为止,典型的柔性传感器通常与人体表面接触,因此,这些传感器会受到压缩压力和拉伸应变的共同刺激。在不同的刺激下,大多数传感器都会产生类似的电输出,因此很难区分这些机械性刺激。由于每个关节的弯曲/压缩和拉伸同时发生,因此非常有必要开发一种多模可穿戴传感器来监测和解耦关节运动的多个参数。

近年来,人们提出了三种设计多模柔性传感器的策略。第一种是设计一个单一结构的传感器来同时监测不同的刺激。然而,单一结构的传感器仍然难以区分不同的刺激。第二种是设计两个分立的传感器,并以某种方式将它们组装在一起,以检测不同的刺激。这些组装好的传感器很好地解决了多种刺激的解耦问题,但其机械性能和稳定性一直存在问题,制造工艺也相对复杂。第三种是设计一个单一的结构作为传感器,并带有两个集成的独立部件。该传感器可以同时检测和区分压力信号和应变信号。然而,复杂的工艺流程增加了这种传感器的制造难度和成本。因此,开发一种制造工艺简单的可穿戴多模传感器以实现多个参数的解耦至关重要。

东南大学孙立涛教授研究团队制备出了一种可穿戴无缝电阻-电容结构多模(seamless resistance-capacitance structural multimode,SRCSM)传感器,该传感器可以解耦人体运动过程中施加在每个关节上的压力和拉伸应变。SRCSM传感器被集成到一个独特的无缝结构中,该结构由两个不同的主要部分(电阻元件和电容元件)组成,以通过独立的电阻-电容传感机制将不同的刺激解耦。研究人员还提出了一种便于大批量生产的逐层铸造工艺。

SRCSM传感器的制造工艺

SRCSM传感器的制造工艺

SRCSM传感器性能

SRCSM传感器性能

为了证明SRCSM传感器在可穿戴电子领域的巨大应用潜力,研究人员测量了由人体运动引起的关节弯曲(手指、肘部、手腕和膝盖)的实时物理信号。此外,由于SRCSM传感器的解耦双信号输出特性,研究人员通过长短期记忆网络(long short-term memory,LSTM)深度学习算法对不同关节不同姿势的电子信号进行分类,以进行识别训练。结果表明,当同时使用电阻和电容数据时,手指关节弯曲30°、膝关节弯曲45°、肘关节弯曲45°的分类准确率分别为94.64%、97.78%和94.44%。此外,其他关节姿势的分类准确率达到了100%。仅使用电阻数据、电容数据以及同时使用电阻和电容数据的整体分类准确率分别为74.79%、77.36%和97.13%,这表明SRCSM传感器在区分姿势方面的分类准确率最高。因此SRCSM传感器在科学运动训练、创新医学和其他领域具有显著优势。

SRCSM传感器在较宽压力和应变范围内的潜在应用

SRCSM传感器在较宽压力和应变范围内的潜在应用

SRCSM传感器在不同姿势识别中的应用

SRCSM传感器在不同姿势识别中的应用

尽管这项研究只是概念验证,但研究人员认为,这种简单、低成本且高效的策略可能成为便携式电子皮肤、医疗保健和智能运动监控设备、高级人机界面和智能软机器人感知系统中可穿戴应用的潜在候选方案。

论文信息:

Wen, L., Nie, M., Chen, P. et al. Wearable multimode sensor with a seamless integrated structure for recognition of different joint motion states with the assistance of a deep learning algorithm. Microsyst Nanoeng 8, 24 (2022).

https://doi.org/10.1038/s41378-022-00358-2

延伸阅读:

《可穿戴传感器技术及市场-2020版》

《可穿戴技术及市场-2021版》

《印刷和柔性传感器技术及市场-2021版》 

相关热词搜索:可穿戴传感器 压力传感器

上一篇:TDK推出超薄设计的AVD系列MEMS压力变送器:高精度测量低压
下一篇:意法半导体发布第三代MEMS传感器,带来性能和功能的又一次飞跃