卷积神经网络用于用电可逆交联聚合物和封装的Ag纳米线进行运动检测
Su Bin Choi1, Hyun Sik Shin1, Jong-Woong Kim1,2
1Department of Smart Fab Technology, Sungkyunkwan University, Suwon 16419, Republic of Korea.
ACS applied materials & interfaces
|October 2, 2023
概括
一个新的基于聚丁的尿 (PBU) /AgNW/PBU传感器 (PAPS) 为精确的运动检测提供了卓越的机械稳定性. 机器学习算法在从这个先进的可穿戴传感器分类运动信号时达到98%以上的准确性.
科学领域:
- 材料科学:开发用于传感器应用的新型复合材料.
- 工程:先进传感器技术的设计和制造.
- 计算机科学:机器学习用于信号处理的应用.
背景情况:
- 传统的传感器往往缺乏机械强度,对曲非常敏感.
- 复合材料传感器的现有制造方法可能很复杂,并导致不完美.
- 在可穿戴应用中需要可靠和耐用的传感器来准确检测可穿戴应用中的运动.
研究的目的:
- 设计,制造和实施一种基于聚丁的新型尿 (PBU) /AgNW/PBU传感器 (PAPS),具有增强的机械稳定性和运动检测能力.
- 与传统的AgNW/PBU传感器 (APS) 相比,研究PAPS的性能.
- 探索机器学习和深度学习算法的应用,用于解释传感器信号.
主要方法:
- 使用PBU的电,Ag纳米线 (AgNW) 电极的集成,以及用于封装的顺序Diels-Alder (DA) 和逆DA反应来制造PAPS.
- 传感器性能的表征,包括机械稳定性,曲不敏感性和从身体运动中生成信号.
- 应用K-means集群用于可重现性评估和深度学习模型 (1D CNN,LSTM) 用于信号分类.
主要成果:
- 与APS相比,PAPS表现出优越的机械稳定性和曲不敏感性.
- 独特的信号曲线是由PAPS生成的,对应于特定的身体部位和运动度.
- K-means聚类证实了PAPS信号的更高可重现性.
- 深度学习模型实现了超过98%的分类准确度,独特的1D CNN模型表现出色.
结论:
- 由于其强大的设计和制造,PAPS代表了智能运动传感的重大进步.
- 传感器能够产生可靠的信号,并且它与机器学习的兼容性提高了其用于运动跟踪的实用性.
- 这项技术为开发具有高精度和耐用性的下一代可穿戴运动传感器提供了一个有前途的平台.
