最近，河北工業(yè)大學胡寧教授、王子瑩博士研究團隊提出了一種基于氧化石墨烯-聚丙烯酰胺（GO-PAM）水凝膠的應變傳感器。該傳感器可用作摩擦納米發(fā)電機（TENG）來收集機械能。基于0.02 wt％GO-PAM水凝膠的TENG輸出功率高達26兆瓦，是純PAM水凝膠膜的2.2倍。通過點亮353個發(fā)光二極管（LED）并為電子溫度計供電，展現(xiàn)了TENG在為電動設備供電方面的能力。此外，設計了可穿戴的鞋具監(jiān)測系統(tǒng)，其中包括鞋墊，數(shù)據(jù)處理模塊和使用Python開發(fā)的PC接口。在具有不同算法的模型中，人類日常生活步態(tài)和病理步態(tài)具有人工神經(jīng)網(wǎng)絡系統(tǒng)的識別精度高達99.5%和98.2%。該系統(tǒng)可用于多種醫(yī)療應用，例如早期診斷，康復評估和患者治療，為人體步態(tài)監(jiān)測和識別提供了更方便的選擇。

GO-PAM水凝膠膜設計為三明治結構，由銀納米線作為上電極，可拉伸的GO-PAM水凝膠膜作為中間層和銅作為下電極。該團隊研究了GO的質量分數(shù)對GO-PAM水凝膠膜的電輸出性能的影響，顯示了具有不同摻雜GO的GO-PAM水凝膠膜的輸出電壓、輸出電流和輸出功率。與純PAM相比，GO-PAM水凝膠膜的輸出電壓，輸出電流和輸出功率增加。當GO濃度為0.02 wt%時，輸出電壓，輸出電流和輸出功率達到了值（輸出電壓為990 V，輸出電流約為63.84 μA，輸出功率約為26 mW）。當GO的濃度太高時，會在膜中形成導電路徑，從而導致表面電荷的流動。當外部電阻為5MΩ時，0.02 wt% GO-PAM水凝膠膜的峰值輸出功率達到26 mW，是純PAM水凝膠膜的2.2倍。

研究組針對0.02 wt% GO-PAM水凝膠研究其應變傳感性能。0.02 wt% GO-PAM水凝膠在小拉伸應變范圍內分別為10–60%和較大的拉伸應變范圍為80–300%的相對電阻變化（ΔR/R 0）。當連續(xù)的機械拉伸在0%至80–300%的應變中應用時，GO-PAM水凝膠的ΔR/R 0增加，然后返回到0%，呈現(xiàn)出穩(wěn)定的三角形形狀，表明GO-PAM水凝膠在80–300%的拉伸應變范圍內表現(xiàn)出良好的傳感穩(wěn)定性和可重復性。除此之外，還計算了GF以評估應變靈敏度。當應變范圍為0–60%時，GF為2.13；當應變范圍為60–200%時，GF從2.13增加到4.89。但是，隨著應變范圍從200%增加到300%，GF值則達到了7.97。當拉伸應變?yōu)?0%時，響應和恢復時間為0.02 wt% GO-PAM水凝膠分別為0.5 s和0.6 s，簡短的時間有利于對人運動的實時監(jiān)測。

近年來，機器學習作為人工智能（AI）研究領域已被廣泛用于數(shù)據(jù)分析和模式識別。將AI引入摩擦納米發(fā)電機可以提高模式識別的準確性，并可以開發(fā)具有高精度和實時處理的可穿戴電子系統(tǒng)。在本文中，設計了一個智能鞋墊，并根據(jù)這三種算法構建了步態(tài)識別模型，該算法可用于人類日常行為步態(tài)識別和人類病態(tài)步態(tài)識別。在機器學習模型中，選擇重量約60公斤的志愿者穿著智能鞋墊。收集了五個不同人類日常行為步態(tài)的電壓信號，并在窗口中顯示了100個信號的數(shù)據(jù)點，從而實現(xiàn)了實時監(jiān)視并確保信號的有效性和準確性。

基于步態(tài)識別模型，機器學習方法擴展到特殊疾病的步態(tài)識別。該研究的三個機器學習模型成功地用于識別帕金森氏病，左側偏癱步態(tài)和右側偏癱步態(tài)。總體識別精度達到90%以上。經(jīng)過500次對ANN的訓練，測試集的識別精度達到98.2%。此外，通過建立步態(tài)監(jiān)測系統(tǒng)，在計算機上實時顯示了患者的步態(tài)波形。當患者進行步行訓練時，可以將患者的活動信息數(shù)字存儲在計算機上，例如步驟，步行速度等。通過分析這些數(shù)據(jù)，可以及時調整患者的培訓和康復狀況。該研究表明，引入機器學習輔助方法可以準確診斷疾病，提高康復訓練的效率，并提供遠程康復的治療指導。

在這項研究中，研究者開發(fā)了具有高可拉伸性，可壓縮性，粘附性和自我修復性的水凝膠。該水凝膠可以將其延伸至約860%，具有良好的穩(wěn)定性和耐用性，可以至少回收380次。此外，它對各種材料具有很強的粘附性能，包括塑料，紙，金屬，皮膚，木材和玻璃。另外，研究了基于水凝膠TENG的輸出電性能，這表明TENG可以點亮353盞 LED燈并為電子溫度計供電。基于水凝膠的可穿戴應變傳感器也可以實時監(jiān)測人類運動。在此基礎上，設計了一個智能鞋墊，并基于三種算法構建了步態(tài)識別模型，該算法可用于正常和異常的步態(tài)識別。在這三個模型中，對正常步態(tài)和異常步態(tài)的ANN算法的識別精度分別達到99.5%和98.2%。總而言之，這項工作中提出的監(jiān)測系統(tǒng)提供了一種低成本的方法，可以用于實施人工智能的醫(yī)療系統(tǒng)。

來源：傳感器專家網(wǎng)