柔性力学传感器及其基于神经网络算法的应用

摘要

柔性力学传感器作为可穿戴电子产品不可或缺的一部分，近年来受到了广泛关注，特别是在医疗健康、人机交互、电子皮肤和物联网等领域中的应用。为满足可穿戴设备的需求，柔性传感器在敏感材料、传感器结构设计和制备方法等方面进行了大量研究。同时，神经网络算法作为人工智能的分支，可以高效处理复杂数据，实现多传感器或多模态数据的分析处理，为柔性力学传感器在复杂环境中的应用提供了强大工具。综述了柔性应变和压力传感器及其基于神经网络算法的应用，详细讨论了应变传感器和压力传感器的传感机制和不同类型的传感器的具体应用，如压阻式、压容式、压电式和摩擦电式。神经网络算法显著提高了来自传感阵列以及复杂传感系统的大传感数据的处理效率，并且可以更好地显示感知信号与信息事件之间的关系。随着力学传感器和可穿戴设备的发展，传感器收集到的大量身体活动等生理信号数据集，可以有效训练神经网络算法，从而进一步增强可穿戴设备的性能。此外，还讨论了神经网络算法增强力学传感器在语音识别、手势识别、物体/材质识别和人机交互等方面的应用，并对基于神经网络算法的柔性力学传感器的发展进行了展望。

关键词

柔性传感器; 压力传感器; 应变传感器; 神经网络算法; 可穿戴电子

随着可穿戴设备和人工智能技术的快速发展，柔性电子在电子皮肤^［1-4］、可穿戴医疗设备^［5-6］、智能服务^［7-9］和物联网^［10-13］等领域中展现出广阔的应用前景。将压力或形变等信息转换为电输出信号的柔性力学传感器是柔性电子的重要组成部分，相对传统机械传感器，其具有诸多优异的性能，如制造成本低、结构与测试方案简单，以及可以更加贴合人体或物体的表面等^［14-15］。因此，柔性力学传感器有望继续快速发展，并在人类的生产和生活中得到广泛应用。

柔性力学传感器的发展需要机械工程、电子、材料、生物工程，以及机器人等领域的交叉学科知识，其与传统力学传感器的一大区别就是采用柔性材料。其中，聚合物因其价格低廉、与其他材料相容性好、重量轻、柔韧性好及生物相容性好等优点，常被用做柔性力学传感器的基底，常见的柔性基底主要包括聚二甲基硅氧烷（PDMS）、聚酰亚胺（PI）、热塑性聚氨酯（TPU）、Ecoflex、聚对苯二甲酸乙二醇酯（PET）和聚乙烯醇（PVA）等材料^［16］。除基底外，敏感材料可以将外部机械刺激转换为电信号，也是柔性力学传感器的重要组成部分。目前，敏感材料主要有碳基材料^［17-21］、金属纳米材料^［22］和导电聚合物^［23-24］等。通常，柔性力学传感器是通过将敏感材料集成到柔性基底上加工成器件而形成。目前，研究人员已经开发出了具有不同传感机制的柔性力学传感器，如具有高灵敏度的压阻式和压容式传感器、具有零功耗的压电和摩擦电传感器等。柔性力学传感器可以根据应用场景的不同，用不同的参数和性能指标来表征其对外部刺激的响应，如灵敏度、工作范围、线性范围、响应速度和稳定性等。然而，当传感器集成为大规模传感器阵列应用时会产生大量数据，传统的数据分析方法（如阈值限制、线性回归、手动选择等），已经无法处理如此庞大的复杂的数据量，尤其是涉及到多模态或者多传感器的情形。

为了实现传感器的智能化应用，要求其不仅可以实现检测，而且还需要其能进行分析和决策，因此需要将先进的数据处理方法和柔性传感技术相结合，如神经网络算法可以对收集到的柔性力学传感器的原始数据进行更加复杂和全面的分析，从而更加有效地提取关键数据信息^［15］。图1为web of science系统对“neural network”和“mechanical sensor”两个关键词同时进行检索的结果。从图1可以看到，无论是发文数量还是被引频次都在逐年快速增长，表明越来越多的研究人员将神经网络算法应用到柔性力学传感器中。

图1  通过web of science 对“neural network”和“mechanical sensor”的关键词进行同时检索的近十年的出版物数量和被引频次图

Figure 1  The number of publications and frequency of citations for the last ten years， using the keywords "neural network" and "mechanical sensor"， were searched simultaneously by web of science

本文主要介绍柔性力学传感器类型，以及神经网络算法在力学传感器中的应用。介绍了应变和压力传感器的传感机制和一些典型的应用，以及神经网络算法的工作机制和其在应变传感器、压力传感器中的应用，主要包括物体识别、健康监测及运动识别等。展望了柔性力学传感器与神经网络算法结合的优势与挑战。

1 传感机制

柔性力学传感器主要包括应变传感器和压力传感器，其可分为压阻式、压容式、压电式和摩擦电式（见图2）。柔性力学传感器的组成主要包括基底材料、敏感材料和电极3个部分。基底材料是传感器的支撑部分，应易于贴附于物体不规则表面上，其一般需要具备良好的拉伸性和柔韧性；而敏感材料是柔性力学传感器的核心，其可以将施加的力信号转换为电学信号，应具有良好的力学性能、电学性能和热性能。

图2  应变传感器和压力传感器的器件结构示意图及其典型的响应曲线示意图^［14］

Figure 2  The schematic diagrams of the device structure for the strain sensor and pressure sensor are presented along with their typical response curves

（a）—应变传感器；（b）—压力传感器。

（a）—strain sensor；（b）—pressure sensor.

1.1 应变传感器

应变式传感器是基于测量物体因受外力而产生形变的一种传感器，其可以将物理变形转换为电信号输出，用于健康监测、人体运动检测和人机界面等^［25-27］。压电和摩擦电应变传感器，由于可以实现高速的电荷转移，所以具有高的灵敏度和快的响应速度。但是，由于干扰大，他们较难在实际可穿戴器件中应用。电容式应变传感器具有读出电路简单、动态负载检测性能高等优点，但缺点是灵敏度低。而电阻式应变传感器，由于成本低、信号易收集和抗干扰能力强等优点，其应用前景更广阔并得到了更多的关注^［28］。应变传感器在施加外力时会发生形变，从而导致其电阻上升，随着形变量的增大电阻变化率也随之改变，引起的电阻相对变化（ΔR/R）与其单向应力引起的表面轴向应变之比就是灵敏度。根据不同应变下的电学响应，可以得到传感器的传感范围及灵敏度等性能。通过对应变传感器中基底材料和敏感材料的结构设计，可以提高器件的灵敏度、传感范围、线性工作范围、稳定性等性能，以通过对敏感材料的结构设计来提高传感性能。图3为基于不同敏感层结构的应变传感器^［25，29-30，32-33］。

图3  基于不同敏感层结构的应变传感器^［25，29-30，32-33］

Figure 3  Strain sensor based on different sensitive layer structures

（a）—梯度结构^［29］；（b）—波纹结构^［30］；（c）—皱褶结构^［25］；（d）—双向褶皱结构^［32］；（e）—各向异性结构^［33］。

（a）—gradient structure；（b）—corrugated structure；（c）—wrinkled structure；（d）—bi-directional wrinkled structure；（e）—anisotropic structure.

1.1.1 梯度结构设计

应变传感器的性能主要取决于敏感材料的机械和电气性能，评估传感器性能的主要参数包括灵敏度、拉伸性和稳定性等。在脉搏检测等应用中，需要应变传感器具有高的灵敏度；而关节运动监测，特别是在软机器人和工业机器人中，则需要高拉伸性。然而，高灵敏度和高拉伸性一般是很难同时实现，这是因为高灵敏度要求敏感材料导电网络容易断裂而产生电阻变化，而高拉伸性则要求敏感导电网络在变形时更稳定。最近，采用化学气相沉积的方法，制备了各向同性结构的碳纳米管海绵体、各向异性结构的碳纳米管阵列和梯度结构的碳纳米管，然后将其与Ecoflex结合，形成了一种基于梯度结构碳纳米管（CNT）的新型柔性应变传感器，该传感器可以同时实现高灵敏度和宽的检测范围（见图3（a））。结果表明，基于各向同性结构碳纳米管海绵体的传感器具有高的灵敏度（175）和低的拉伸性（40%），而基于碳纳米管阵列的传感器具有低的灵敏度（0.85）和高的拉伸性（270%），说明通过对敏感材料碳纳米管的结构设计使其形成梯度结构，可以平衡所制备的传感器的灵敏度和拉伸性。基于梯度结构碳纳米管所构建的应变传感器，具有适中灵敏度（GF=13.5）和高的拉伸性（570%），通过对敏感层材料的梯度结构设计可同时优化灵敏度与拉伸性能。

1.1.2 波纹结构设计

在敏感层的结构设计方面，Liang等 ^［30］提出了一种简单、低成本、环保的转印的方法，该法用于直接制备图案化的碳纳米管薄膜，并基于该薄膜构建了应变传感器（见图3（b））。在制备过程中，先将多孔状碳纳米管块体压印到洁净的Ecoflex表面，在范德华力的相互作用下碳纳米管块体表层的碳纳米管被转移并粘附到Ecoflex表面，完成了碳纳米管薄膜的转移。通过将碳纳米管块体表面雕刻成波纹结构或在Ecoflex表面做一定掩膜设计，可以制备出具有波纹结构的碳纳米管薄膜。基于该波纹结构碳纳米管薄膜所构建的应变传感器，不仅具有高灵敏度和良好的拉伸性（应变系数为9 959.8、检测范围85%），而且还具有高的循环稳定性（大于5 000次循环）。

1.1.3 褶皱结构设计

将导电二维纳米材料与可拉伸基底相结合，被认为是获得可拉伸导电网络的有效策略。例如：通过将石墨烯纳米片涂覆到织物表面而形成柔性应变传感器，该传感器在10%的应变下灵敏度达到124^［31］；通过合理的结构设计，在基于二维纳米片的薄膜中引入褶皱结构，传感器可实现高灵敏度和高传感范围的良好平衡，在拉伸过程中敏感层中的褶皱结构可以展开而不破坏薄膜的连续性。最近，Jia等 ^［25］报道了一种基于周期性平行褶皱结构石墨烯薄膜的应变传感器（见图3（c））。他们将溶液表面自组装形成的石墨烯薄膜，转移到预拉伸的PDMS基底表面，构建形成了应变传感器，通过控制基底的预拉伸应变量可以调控石墨烯薄膜中褶皱的宽度，通过在同一PDMS基底上多次转移石墨烯薄膜可以得到具有褶皱结构的多层薄膜。研究结果表明，基于双层褶皱石墨烯薄膜的器件，在拉伸过程中底层褶皱逐渐展平甚至开裂，而顶层褶皱石墨烯保持连续。该应变传感器具有高的灵敏度，在运动检测、健康监测和人造皮肤等方面具有良好的应用前景。

1.1.4 各向异性结构设计

通过单向预拉伸和释放过程获得了褶皱结构，但只能沿一个方向拉伸，这限制了传感器在监测复杂多向形变中的应用。Yang等^［32］通过预拉伸策略，制备了具有平面双向周期性褶皱结构的MXene薄膜，并构建了基于该薄膜的高性能柔性应变传感器（见图3（d））。制备方法为通过界面自组装获得MXene薄膜，并转移到双向预拉伸的PDMS基底上，释放预应变后在MXene薄膜中形成均匀的双向褶皱结构。基于双向褶皱MXene薄膜的应变传感器，可准确检测不同应变的大小和方向。此外，Xie等^［33］成功地制备了平行排列的垂直石墨烯阵列，并且构建了应变矢量传感器（见图3（e））。由于制备的石墨烯纳米片平行排列、呈各向异性，因此构建的传感器在电学上也呈各向异性。该传感器可以同时检测应变的方向和大小，并具有较高的灵敏度和精度。

通过以上分析可以看到，对于柔性应变传感器通过对敏感层的结构设计，不仅可以同时实现应变传感器的灵敏度和拉伸性的提高，还可以监测力的方向等信息，提高了应变传感器在可穿戴设备中的应用场景。

1.2 压力传感器

压力传感器是能感受压力信号，并且能按照一定的规律将压力信号转换成电信号的器件。根据传感机制不同，柔性压力传感器可分为压阻式^［19，34］、压容式^［35］、压电式和摩擦电式。图4为压阻式^［36］、压容式^［37］、压电式^［38］和摩擦电^［39］传感器的传感机制。

图4  四种典型的压力传感器传感机制^［36-39］

Figure 4  Sensing mechanisms of the four types of pressure sensors

（a）—压阻式^［36］；（b）—压容式^［37］；（c）—压电式^［38］；（d）—摩擦电^［39］。

（a）—piezoresistive；（b）—piezocapacitive；（c）—piezoelectric；（d）—triboelectric.

1.2.1 压阻式传感器

柔性压阻式传感器因结构简单、工作范围相对较宽、工作电压低、能耗低、易于制造、信号收集和读数简单等优点而被广泛关注。柔性压阻式传感器的原理是基于将施加到传感器上的外部压力转换为可记录的电阻值，该值由电极和敏感材料之间界面处的接触电阻、敏感材料电阻和电极的内部电阻组成。敏感材料的电阻可以用公式$R=\frac{\rho L}{A}$表示，其中ρ、L和A分别表示敏感材料的电阻率、长度和横截面积。在电路模型中，敏感材料的每个部分都被认为是一个电阻，敏感材料的总电阻在大多数情况下被认为是和电极部分的电阻串联。基于该机制，Liang等^［36］开发了一种基于CNTs/SU-8/CNTs三明治结构的高灵敏度、节能的压阻式压力传感器（见图4（a））。当传感器受到压力时，两层碳纳米管电极会变形并沉入SU-8孔中，而SU-8绝缘层保持不变，在临界压力下这两个电极刚好接触，允许电流在他们之间流通，随着压力的增加两层的接触面积将扩大而使电流增加。

1.2.2 压容式传感器

柔性压容式压力传感器通常由堆叠在电介质层两侧的两个平行电极组成，电容式压力传感器的输出是由外部压力刺激引起的传感器电容变化。电容式柔性压力传感器结构简单、功耗低、可靠性高。He等^［37］提出了一种基于弹性尼龙网介质层的压容式压力传感器（见图4（b）），两个石墨烯导电电极由低成本尼龙网隔离开，该压力传感器具有出色的灵敏度（在1 kPa的压力下为0.33 kPa^–1）和超低检测线（3.3 Pa），以及良好的循环稳定性（1 000多次加载/卸载循环后仍稳定）。

1.2.3 压电式和摩擦电式传感器

压电效应通常是指当机械压力施加到各向异性晶体材料上时，由于材料电极化而产生的电势。通常，当对器件施加外部压力时，取向非中心对称的晶体结构的变形，导致正负电荷的空间分离，从而在两个电极上产生电荷累积。由于压电传感器具有高灵敏度和瞬态传感能力，而被广泛用于动态压力和高频振动的检测。Yuan等^［38］提出了一种受鱼类侧线结构启发的柔性仿生压电传感器（见图4（c）），基于聚偏二氟乙烯（PVDF）优异的压电效应和仿生结构设计，该传感器具有0.000 5 N的低检测限、0.24 V∙N^-1的灵敏度和4 ms的快速响应时间，其可以用于监测多种呼吸状态，如呼吸暂停、咳嗽和深呼吸等。

摩擦电效应已经被广泛报道^［39］。摩擦电式传感器主要基于摩擦电效应，即当具有不同电性能的材料之间发生摩擦时电荷会转移并集中，从而产生可检测的电信号。摩擦电压力传感器的输出信号与接触力、速度、面积及材料特性有关。Zhong等^［40］开发了一种基于化学修饰微图案的PDMS自供电摩擦电压力传感器（见图4（d）），他们以不同的金属丝网作为模板，在摩擦电层上制造微结构，并且在摩擦电层表面引入官能团以扩大摩擦电极性差，在压力作用下PDMS微观结构逐渐变形、接触面积增大、介电层厚度减小，以及化学修饰引起的摩擦电极性差增加的电荷密度的协同效应，使得该传感器的灵敏度达到44.31 V∙kPa^-1（0.006—2 kPa范围内）和7.16 V∙kPa^-1（2—8.5 kPa范围内）。

压力传感器的发展和研究离不开摩擦电材料的发现和使用，但是使用寿命受摩擦的影响很大，需要进一步的研究和改进。

2 神经网络算法辅助力学传感器的应用

使用力学传感器等可穿戴设备时，会收集大量的原始数据和信号，但是这些数据需要进一步处理和分析，才能准确理解和分析这些数据反映的具体信息^［41］。但是，传统的数据分析方法（如阈值限制、线性回归或者手动选择等）已经无法处理如此庞大复杂的数据量，尤其是涉及到多模态或者多传感器的情形。因此，机器学习算法在打造新的数据分析方式方面发挥了关键作用，进一步促进了人工智能和智能可穿戴电子设备的进步和实用性^［15］。其中，作为机器学习的一大分支，神经网络算法在力学传感器方向得到了大量的应用。受大脑中生物神经元网络的启发，神经网络算法在过去十年中取得了快速发展^［42］。神经网络算法的主要优点包括^［43］：（1）使用非线性模型，提取原始数据中的特征量；（2）可以设置大量参数，以优化不同参量；（3）通过对模型进行训练，来获得最佳性能。随着力学传感器和可穿戴设备的发展，收集到的大量身体活动等生理信号数据集，可以有效训练神经网络算法，从而进一步增强可穿戴设备的性能。下面主要介绍3种常见的神经网络算法，包括全连接神经网络（FCNN）、递归神经网络（RNN）和卷积神经网络（CNN）。图5为常见的3种神经网络算法示意图。

图5  三种常见的神经网络算法（全连接神经网络（FCNN）、递归神经网络（RNN）和卷积神经网络（CNN））^［43］

Figure 5  Three common neural network algorithms（including fully connected neural network（FCNN）， recurrent neural network（RNN）and convolutional neural network（CNN））

2.1 神经网络算法介绍

2.1.1 全连接神经网络

FCNN的神经网络架构由输入层、隐藏层和输出层组成，隐藏层可以配置两个或多个，其中一层中的所有节点（即神经元）都连接到下一层的节点。输入数据将每个神经元初始化为具有随机权重和偏差值的输入层节点，然后数据在整个神经网络中定向传播，一旦通过数学函数达到阈值，隐藏层中的每个神经元节点就会被激活，当数据在应用特定的数学函数处理后到达输出层中的节点时，回归或分类问题得到解决。FCNN算法的性能提升可以通过反向传播的学习技术获得。简而言之，一旦数据传播到输出层，就会通过将输出结果与预期值进行比较来计算来自神经网络的误差，如果错误不在所需范围内，则这些错误会通过神经网络传播回去。因此，这种学习方法进一步优化了内部模型参数^［42］ 。

2.1.2 递归神经网络

RNN循环网络是具有层内连接的前馈网络，循环神经元节点可以保存其先前隐藏状态中的活动信息，并将此信息与新的输入状态集成，他们不是无状态的，输入的时间和顺序很重要。RNN的一个缺点是难以使用呈现时间偶然性（即长期依赖性）的数据进行模型训练。作为RNN的最先进的变体，长短期记忆（LSTM）和门控循环单元（GRU）被提出来应对这一“偶然性”挑战，从而在模型训练中优化RNN的缺点^［44］。

2.1.3 卷积神经网络

CNN是目前为止用于计算机视觉相关任务最广泛的神经网络算法，如对象检测、图像识别和面部情感解码。CNN通常包括含卷积层、池化层和全连接层。卷积层由多个卷积核组成，用于学习输入数据集的局部特征。池化层用于降低数据集维数，而全连接层继承了常规神经网络的类似属性^［45］。

2.2 神经网络辅助应变传感器

通过机器学习，对柔性应变传感器的数据进行分析处理，尤其是需要融合视觉、语音、结构位置和传感器数据等多模态数据时，可以实现手势识别、语音识别以及结构健康监测等复杂应用。图6为神经网络辅助应变传感器的应用。

图6  神经网络辅助应变传感器应用^［46-48］

Figure 6  Neural network-assisted strain sensor applications

（a）—手势识别^［46］；（b）—语音识别^［47］；（c）—结构健康监测^［48］。

（a）—gesture recognition；（b）—speech recognition；（c）—structural health monitoring.

通过神经网络算法辅助分析，可以利用连接在智能手套上的柔性应变传感阵列来进行手势识别及其应用，如进行手语翻译、抓握动作识别及VR控制等。其中，通过算法对人类手势识别进行的辅助分析，在医疗保健和人机交互等领域中有重要的应用潜力。Wang等^［46］研究了一种仿生数据融合架构（见图6（a）），该架构可以通过将视觉数据与来自用碳纳米管制成的可拉伸应变传感器的体感数据集成进行人类的手势识别，学习架构使用卷积神经网络进行视觉处理，在特征级别实现稀疏神经网络进行传感器数据融合和识别。结果表明，传感系统可以对训练的手势实现100%的识别精度，可以通过手势对机器人进行导航，在正常照明下误差仅为1.7%，在黑暗中误差为3.3%。

除处理手势识别以外，语音识别与交互也是神经网络算法辅助柔性应变传感器的一个重要发展方向。该方法可以更好地处理微小的声音和嘈杂环境中的语音场景。Yang等^［47］提出了一种基于石墨烯的智能可穿戴人工喉咙（见图6（b）），该人工喉咙对人类语音和发声相关的运动很灵敏。实验结果表明：混合模态的人工喉能够检测基本语音元素（音素、声调和单词），平均准确率为99.05%；能够通过集成AI模型，识别喉切除术患者模糊地说出的日常单词，准确率超过90%；将识别出的内容合成为语音并在人工喉上播放，可以恢复患者的发声能力。

除了在医疗保健等方面的应用，神经网络算法辅助柔性应变传感器在工程技术方面也有重要的应用。例如，结构损坏会降低飞机、建筑物、桥梁等机器和工程结构的使用寿命、可靠性，并可能导致严重的事故和经济损失。所以，工程结构的健康监测就尤为重要。传统的工程结构健康监测技术通常需要大量传感器，Yoon等 ^［48］提出了一种基于神经网络算法结合应变传感器的监测方法，利用少量应变传感器对裂纹进行实时精确的监测和定位，并且基于实验数据验证了该方法的可行性（见图6（c）），通过神经网络算法对复杂数据进行分析处理，并且结合视觉数据等其他工具，使得柔性应变传感器在可穿戴器件以及工程结构等场景的实际应用成为可能。

2.3 神经网络算法辅助压力传感器

柔性压力传感器结合神经网络的开发，在可穿戴设备中的应用同样受到广泛的关注。柔性压力传感器除了传统人体健康监测外，还可以实现语音识别、人机交互、物体/材质识别、坐姿识别和动作识别等。图7为神经网络辅助压力传感器的应用。

图7  神经网络辅助压力传感器应用^［49-53］

Figure 7  Neural network assisted pressure sensor applications

（a）—语音识别^［49］；（b）—光标控制^［50］；（c）—物体识别^［51］；（d）—坐姿识别^［52］；（e）—动作识别^［53］。

（a）—speech recognition；（b）—cursor control；（c）—object recognition；（d）—sitting recognition；（e）—motion recognition.

近期，Jin等^［49］基于二维MXene，通过结合深度学习成功地制备了柔性压力传感器（见图7（a）），该传感器可以对声音的压力和振动进行识别，并有具有高的识别和分辨率。通过利用神经网络算法对该压力传感器获得的大量数据进行训练和测试，成功识别出了人类发音的长元音和短元音，在检测人类说话过程中可以检测不同的发音和声调，对相同发音具有较高的重复性和准确性。此外，Jung等^［50］提出了一种制备具有三维微尺度表面形貌的压力传感器的方法，该方法所制备的传感器可以识别柔软的物体，并且可实现绘图、多点触控和基于深度学习的运动控制等各种功能（见图7（b））。

结合机器学习的柔性压力传感器，还可以集成到手套上进行触觉感知。Sundaram等^［51］提出了一种用548个传感器覆盖整个手形的低成本、可扩展的触觉手套（见图7（c）），通过触觉手套和深度卷积神经网络算法，均匀分布在手上的传感器可用于识别单个物体、估算他们的重量，并且显示抓取物体时出现的典型触觉模式。

除了进行物体识别，还可以进行坐姿识别和动作识别。Huang等^［52］提出了一种高灵敏度的MXene/纤维素双类型传感器，其包括压力传感器和生物电传感器，并且借助深度神经网络可以识别出6种常见的坐姿，准确率达97.5%（见图7（d））。同时，可检测久坐，有助于及时提醒久坐、纠正不良坐姿。Shi等^［53］开发了基于摩擦电机制的深度学习智能地板垫，以实现智能、低成本、可扩展的地板监控系统（见图7（e））。该智能地板监控系统，通过将摩擦电传感器阵列与基于高级深度学习的数据分析集成来实现的。智能地板垫采用丝网印刷制造，在大面积应用中具有成本效益、可扩展性和自我可持续性的优点。此外，通过集成的基于深度学习的数据分析，可以使用卷积神经网络（CNN）模型从输出信号中提取与步行步态模式相关的特征信息。

柔性压力传感器是可穿戴电子产品不可或缺的分支，结合神经网络算法的数据分析能力，使其在健康监测、人机交互、人工智能、物联网等领域中的发展更进一步。

2.4 多功能传感器应用

神经网络算法对多模态和多传感器的场景，都有很强的应用前景。很多研究者除了将其应用到应变/压力传感器中外，还结合多种传感器（如温度、摩擦力或生理信号）或忆阻器等模块实现多功能的应用。图8为多功能传感器的应用。

图8  多功能传感器应用^［54-56］

Figure 8  Multifunctional sensor applications

（a）—物体识别^［54］；（b）—材质识别^［55］；（c）—温度与形状识别^［56］。

（a）—object recognition；（b）—material recognition；（c）—temperature and shape.

Sun等^［54］提出了一种智能软机器人机械手，其由摩擦电纳米发电机触觉和长度传感器及聚偏氟乙烯（PVDF）热释电温度传感器组成（见图8（a））。借助机器学习进行数据处理及传感器的融合可以实现对抓取物体的自动识别，对28种不同形状的物体的识别准确率达到97.143%，同时也可以通过热释电传感器获得物体温度分布。Yang等^［55］设计了一个多功能软机器人手指用于材料识别（见图8（b）），其内置纳米级温度和压力触觉传感器，通过这种多功能触觉传感器手指在三个压力范围内可以快速识别4种金属和高接触压力范围内的13种材料，通过结合触觉信息和神经网络手指可以精确地识别材料且准确率为95.9%。该这项工作证明了多功能软机器人手指在材料识别中的应用潜力。

Zhu等^［56］报道了一种结构紧凑的多模融合尖峰神经元（MFSN），该神经元可实现类似人类的多感官感知（见图8（c））。MFSN集成了用于处理压力的压力传感器和基于NbO_x的忆阻器来感测温度，其可以将多感官模拟信息融合到一个尖峰序列中，从而显示出出色的数据压缩和转换能力。此外，通过解耦输出频率和幅度，将压力和温度信息与融合尖峰区分开来，支持多模态触觉感知。他们制作了一个3×3的MFSN阵列，并将融合的频率模式馈送到尖峰神经网络中以增强触觉模式识别。最后，他们仿真了一个更大的MFSN阵列，对不同形状、温度和重量的物体进行分类，验证了MFSN在实际应用中的可行性。

神经网络算法可以对传感器的原始数据进行更加复杂与全面的分析，以有效提取特征信息，对于多类型/多个传感器组成的阵列也可以进行更有效的分类和识别，从而实现多功能应用。

3 结语

讨论了柔性应变和压力传感器及其结合神经网络算法的发展现状，对应变传感器和压力传感器的传感机制进行了详细的讨论，包括压阻式、压容式、压电式和摩擦电式，并介绍了每种类型的传感器的潜在应用。同时，还针对神经网络算法辅助应变传感器和压力传感器进行了介绍。神经网络算法显著提高了来自大型传感阵列和复杂传感系统的大量传感数据的处理效率，并且可以更好显示感知信号与信息事件之间的关系。随着力学传感器和可穿戴设备的发展，收集到的大量身体活动等生理信号数据集可以有效训练神经网络算法，从而进一步增强可穿戴设备的性能。此外，还讨论了神经网络算法增强力学传感器在语音识别、手势识别、物体/材质识别和人机交互等方面的应用。

尽管柔性力学传感器与神经网络算法已经取得了快速发展，但是智能穿戴系统的发展也面临着不可避免的挑战。第一，对于大多数的柔性传感器，需要实现器件标准化，以解决器件差异大和稳定性问题；第二，越来越多的器件集成了多功能传感器（如温度、生理信号、压力、应变等），并且实现了高密度阵列，需要采集的数据量大且繁杂；第三，准确识别需要收集大量多样化和经过严格审查的训练数据，以确保模型的高预测精度，这是一个繁杂且耗时长的过程；第四，对于多功能传感器，不同类型传感器信号往往耦合在一起进行输出，但是却很难对不同信号进行解耦，从而失去了多功能的意义。我们相信，经过不断的改进与发展，神经网络算法增强的力学传感器可以进一步提高我们的生活水平，在医疗健康、人机交互和电子皮肤等领域得到更好的应用。