成果简介
用于可穿戴电子和智能医学的新一代人体运动传感器在超轻质、柔韧性、稳定性、生物兼容性、高精度等方面具有与严格要求。然而,传统传感器由于其刚性结构、传感材料的高本征密度以及紧凑型组装/封装策略,难以满足新一代可穿戴电子器件要求。
可穿戴动作传感器的另一个挑战是高效信号处理能力。一般来说,拉伸/弯曲型传感器能够收集多种人体运动特征信号(如手指运动,膝盖弯曲等),这些信号由于振幅和频率的显著差异,可以通过使用传统方式(如离散傅里叶变换)对其进行有效的分类。然而,对类似运动相关的反应或轻微动作的准确分类依然具有挑战(如对喉咙动作分类)。 近年来,计算机科学的高速发展使得人工智能技术广泛应于各个领域。其中,机器学习和神经网络凭借其高维特征提取特性能够有效实现对看似不规则信号的分类。因此,将机器学习与先进的可穿戴传感器相结合,对于高效、准确的人体运动跟踪以及下一代人工智能日常健康监护系统的开发具有重要意义。
有鉴于此,林森课题组提出一种轻质、柔软、生物兼容的全纤维运动传感器(AFMS),用于高识别率的可穿戴电子设备,如人体运动监测。该传感器具有超低的密度(68.7 mg cm-3),较高的透水性(59.7 g m-2 h-1),较高的透气性(流量为31.6 L min-1时,气体阻力为9.8×10-3 Pa),良好的生物兼容性,以及肘部、膝关节和手指运动中优异的运动信号识别能力。此外,利用机器学习模型对足够数量的数据进行进一步处理,将器件准确率提升至85%以上。该工作展示了AFMS用作识别不同喉部运动的AI传感器的可能性和应用于医疗监护领域(特别是咳嗽信息监控)的巨大潜力。相关成果于2022年发表于中国科技期刊卓越行动计划高起点新刊《自然合作期刊-柔性电子》(npj Flexible Electronics, 6(1), 1-8.)。
应用前景
人体的动作信号蕴含着各种生理过程的海量信息,这些信息与人体的运动状态、呼吸、脉搏、心血管状态、手势语言、潜在疾病等密切相关。因此,开发方便、可靠的动作信号传感器,配合以高效数据处理手段对人体的全天候健康监护和疾病诊疗具有重要应用前景。
成熟度
本团队长期致力于柔性电子器件开发和新型人-机交互技术研究,目前具备多尺度柔性纤维材料制备,及柔性电子学基础测试条件。在人-机交互领域,团队具备非侵入式电生理信号(ECG,EMG,EEG)采集和分析条件。
成果展示
图1 全纤维传感器的制造工艺和形态学表征
图2 全纤维传感器的电学性能
图3 全纤维传感器用于人工智能喉咙行为监测
成果完成人
物理科学与工程技术学院:林森
成果转化,请联系成果与合作处,联系人:王老师,联系电话:0771-3810467。