机器学习支持的环境适应性皮肤电子传感器用于人类手势识别
Yongjun Song1,2, Thi Huyen Nguyen1,2, Dawoon Lee1,2
1Department of Photonics and Nanoelectronics, Hanyang University, Ansan 15588, Republic of Korea.
ACS applied materials & interfaces
|February 8, 2024
概括
这项研究引入了一种新的可伸缩传感器,用于准确识别人类手势,即使在变化的温度下也是如此. 它的机器学习支持的设计实现了92.86%的准确度,用于联合运动预测.
科学领域:
- 材料科学 材料科学 材料科学
- 机器人技术 机器人技术 机器人技术
- 生物医学工程 生物医学工程
背景情况:
- 可伸缩传感器对于人类运动检测和医疗监测至关重要.
- 材料的粘弹性特性导致非线性应力-应变行为,降低身体关节的传感器精度.
- 温度和湿度等环境因素进一步降低了手势识别的准确性.
研究的目的:
- 开发一种适应环境的可伸缩传感器,具有高应力-应变线性和耐用性.
- 为了提高人类手势识别的准确性,在身体关节上使用可伸缩的传感器.
- 整合机器学习,在不同的环境条件下提高传感器性能.
主要方法:
- 设计了一种蛇形形的,基于离子液体的可伸缩传感器,具有高线性 (高达150%的应变) 和耐用性 (>100,000个周期).
- 在人体关节上对传感器进行符合层面的叠加,以实现人体手势识别.
- 利用机器学习算法来分析传感器数据,包括机械应变和温度变化.
主要成果:
- 在开发的可拉伸传感器中实现了高应力-应变线性和耐用性.
- 在温度变化的环境中成功测量和预测关节运动.
- 在使用机器学习分析的手势识别中获得了92.86%的准确性 (R平方).
结论:
- 蛇形状的基于离子凝的伸缩传感器,结合机器学习,提供环境适应式传感.
- 这项技术代表了多分析传感应用的重大进步.
- 拟议的系统可以使未来的可穿戴电子,软机器人和人机交互等领域的发展成为可能.
