隨著電子皮膚、智能機器人、人機交互設備等領域的快速發展，多功能傳感設備，尤其是柔性溫度壓力傳感器引起了廣泛關注。然而，通過簡單的結構制備能夠解耦的同時具有高靈敏度的溫度-壓力雙功能傳感器，仍然是一個挑戰。另一方面，柔性可穿戴傳感器的快速發展對電子皮膚提出了新的要求，即電子皮膚應具有數據采集、信息處理和人機交互功能。將深度學習引入傳感器領域，能夠提高傳感器在人機交互領域的應用。然而，如何利用深度學習發揮雙參數傳感器在人機交互領域的優勢，實現傳感器信息的高密度和快速高效的傳輸，目前有很少有研究。另一方面，由于傳感器性能和深度學習算法的限制，傳感器通常只能識別預先設計的特定動作或信息序列，導致在人機交互領域的實際應用受到限制。因此，制備高靈敏度的可解耦的溫度-壓力雙功能傳感器，并利用深度學習算法充分發揮溫度壓力雙模傳感器的潛力仍然是一個挑戰。
鄭州大學橡塑模具國家工程研究中心的申長雨院士和劉春太教授課題組開發了一種基于SWCNT和PEDOT:PSS修飾的多孔三聚氰胺泡沫（MF）的高性能溫度壓力雙模傳感器(SPMF)。根據壓阻效應和熱電效應，壓力和溫度信號可以被SPMF傳感器獨立地識別。對SWCNT進行熱處理并引入適量的PEDOT:PSS，通過界面勢壘過濾低能載流子，提升傳感器的塞貝克系數。一系列實驗表明，該傳感器具有優異的壓力/溫度雙參數傳感性能，靈敏度高、響應時間快、長期穩定性好，可用于解耦的溫度和壓力信號傳感和非接觸信息傳輸。得益于出色的傳感特性，組裝后的傳感器陣列顯示出良好的識別溫度和壓力信號空間分布的能力。在深度學習算法的輔助下，對“觸摸”和“按壓”動作分別顯示出99%和98%的高識別準確率，實現了信息的加密傳輸和隨機輸入序列的準確識別，為人機交互中高精度多模態感知平臺的設計提供了一種有前途的策略。該工作以“Decoupled Temperature-Pressure Sensing System for Deep Learning Assisted Human-Machine Interaction”為題發表在國際權威期刊《Advanced Functional Materials》上。文章第一作者是鄭州大學碩士生陳朝陽，通訊作者是劉虎教授和王亞龍博士。
圖1. (a)SPMF傳感器的制備過程，(b)SPMF的彈性和輕質，(c-d)MF和SPMF的SEM圖像，(e)退火前后SWCNT的XPS C1s光譜，(f)具有不同PEDOT:PSS含量的SPMF的塞貝克系數。
圖2. (a) SPMF傳感器的輸出電壓隨溫差的變化，(b)傳感器有限元分析結果：在不同溫差下的溫度和電勢分布，(c)傳感器在不同溫差下的循環響應，( d) 傳感器的輸出電壓隨溫差連續增加時的變化，( e)在0.03 K的微小溫差下傳感器的輸出電壓，(f)傳感器溫度傳感的耐久性測試。
圖3. (a) SPMF傳感器壓力靈敏度，(b)傳感器有限元分析結果：不同壓力下SPMF傳感器上的應力分布，(c)傳感器在不同壓力下的循環壓縮響應曲線，(d)在10 kPa的動態壓力下，傳感器在不同壓縮率下的循環壓縮響應曲線，(e)在10 Pa的壓力和500 mm/min的壓縮速率下，傳感器的響應-恢復時間，(f)傳感器壓力傳感的耐久性測試。
圖4. (a)SPMF傳感器在不同溫差下的輸出電壓隨壓力的變化，(b)不同外部壓力下傳感器的塞貝克系數，(c) 傳感器有限元分析結果：傳感器在不同溫差和不同壓力下的電勢和應力分布，(d-g)傳感器在不同條件下的I-V曲線：(d)不同DT和0 kPa壓力下、(e)不同的DT和10 kPa壓力下、(f)20 k的恒定溫差和不同的壓力下，(g)不同DT和不同壓力下，(h)溫度-壓力雙模傳感測試示意圖，(i-j)傳感器在不同條件下的輸出電壓和電流：(i)23k的溫差和動態壓力、(j)20 kPa的穩定壓力和動態溫度梯度。
圖5. (a) SPMF傳感器的輸出電壓隨著DT變化，(b) 用手指觸摸傳感器時，輸出電壓變化，插圖為紅外溫度圖像，(c)當傳感器接觸裝有冷水或熱水的燒杯時，輸出電壓及紅外溫度圖像，(d)傳感器的輸出電流隨應力變化，（e-f）用于實時檢測手指彎曲和手腕彎曲時的傳感性能，(g-i) SPMF傳感器基于莫爾斯電碼的非接觸式通信和接觸式通信，(j-l)傳感器在不同刺激下的壓力和溫度響應：(j)手指觸摸，(k)手指按壓，和(l)鉛筆按壓。
圖6. (a)用于溫度-壓力傳感的4×4 SPMF傳感器陣列演示圖，(b-e)溫度-壓力雙模傳感器陣列對不同溫度燒杯的響應信號。
圖7. (a)1D CNN模型架構示意圖，(b)“觸摸”和“按壓”傳感器示意圖。(c)CNN模型在200次訓練期間的有效精度和訓練損失，(d)“觸摸”和“按壓”狀態的深度學習模型識別結果，(e)用于信息識別的3×3人機交互陣列示意圖，(f)識別“12369”序列的3×3人機交互陣列示意圖，(g)借助深度學習模型對“12369”序列的八個典型信息的識別準確率結果，(h)六種復雜信息傳輸操作的示意圖，(i)六個復雜消息的識別準確率結果。
原文鏈接：https://doi.org/10.1002/adfm.202411688
