2016年HBO发行的科幻类连续剧《西部世界》营造了一个高科技未来主题公园，其中的机器“接待员”有着和人类一样的外表和行为能力，甚至达到真假难辨的地步。想要实现“行为类人”这一目标，人形机器人的发展离不开柔性传感技术的支持，以便获得和人类接近的感觉系统。事实上，柔性传感技术在多个新兴领域都有着重要应用前景，是构建超互联智能社会的必备要素。如今，柔性传感技术在传感器设备的硬件性能和软件的数据处理能力方面都有了很大的提高。大量研究工作致力于改进柔性传感系统的材料、传感机制和配置方式。与此同时，单个传感器或传感器网络收集的数据日益复杂，因而先进的数据处理方法也被逐步开发。机器学习(ML)作为人工智能的一个重要分支，可以高效地处理这种多维、多模态的复杂数据，从而为轻松解读传感数据提供了强大的工具，并最终实现集检测、分析和决策功能于一体的智能系统。
近日，厦门大学高立波教授、中科院深圳先进技术研究院赵海涛研究员和澳大利亚国立大学Zongyou Yin教授联合发表了关于机器学习助力柔性力传感技术发展的综述文章。清华大学的博士后王月皎为第一作者。本文首先介绍了柔性力传感器的基本工作机理和常见类型及应用。然后阐述了机器学习辅助的数据解释如何提高柔性力传感器和其他密切相关的传感器在各个领域的应用，包括健康监测、人机界面、物体/表面识别、压力预测和人体姿势/运动识别。最后，本文讨论了融合柔性力传感技术和机器学习算法带来的优势、挑战和未来展望。这篇综述将为下一代人造柔性力传感技术的发展提供重要见解。
回顾了柔性力传感平台与机器学习(ML)算法融合的最新进展。
讨论了将ML应用于智能柔性力传感技术的优势、挑战和未来前景。
回顾了柔性力传感器的基本工作机制和常见类型。
图1 柔性力传感技术的刺激、传感机制和ML辅助数据处理概览
图2 常见的力学传感机制
图3 四类柔性力传感技术的常见应用
图4 柔性压力传感器的典型设计策略
图5 柔性应变传感器的典型设计策略
图6柔性振动传感器的典型设计策略
图7柔性剪切力传感器的典型设计策略
图8 ML技术用于数据阐释的常见步骤
图9 ML算法辅助提升柔性传感在健康监测领域的应用
图10 ML算法辅助提升柔性传感在语音HMI领域的应用
图11 ML算法辅助提升柔性传感在手势HMI领域的应用
图12 ML算法辅助提升柔性传感在物体/表面识别领域的应用
图13 ML算法辅助提升柔性传感在压力预测/位置识别领域的应用
图14 ML算法辅助提升柔性传感在人体姿势/运动检测领域的应用
随着传感机制多样化、传感性能大幅提升、更多功能性和器件小型化的发展，柔性电子器件正在快速发展，具有大量的数据和高级别的特征。传统数据处理技术在分析大量传感数据方面的劣势变得越来越明显，因为它通常需要人工干预，步骤复杂，处理时间长。复杂步骤和长时间处理。将机器学习（ML）方法纳入柔性传感技术中可以加速该技术的发展，ML方法可以有效地处理高维和非线性数据，以发现大型数据集中错综复杂/隐藏的关系。本综述从与ML辅助数据处理算法结合的角度，对智能力传感技术的最新进展进行了概述。ML技术如何使柔性力传感技术受益可以归纳为三个方面：
首先，ML 显著提高了来自大型传感阵列或/和复杂传感系统的大传感数据的处理效率。相同传感机制测量的同质传感数据的阵列集成可以通过ML直接结合，得出所需信息。例如，将32×32像素的大型压阻传感器阵列数据输入到CNN中，可识别抓取的物体[34]。此外，在多模式传感系统中，由不同传感机制测量的异质传感数据也可以通过ML进行全面分析。甚至可以将视觉数据与手指上的柔性应变传感数据集成，以准确分类手势，这在没有ML的情况下很难实现，因为数据维数和数据密度的不匹配[114]。
其次，与噪声或多个外部刺激之间的耦合，以及相邻传感器之间的信号重叠，可以通过 ML 消除或解耦以提供合理的结果，与传统的数据处理技术相比，精度和分辨率都有所提高。例如，一种多功能柔性传感器可以对应变、压力和呼吸刺激做出反应，通过ET算法可将信号分解为单个刺激的响应。同样，通过使用ML进行信号分解，也可以解决如弯曲、扭曲和拉伸等不必要机械变形会引起器件性能变化的常见挑战。此外，没有阵列化图案的压阻复合材料甚至可以通过将边缘的电阻变化输入DNN 来测量压力大小和所在位置。
第三，ML 可挖掘传感信号和关键事件之间的隐藏关系。通过ML整合数据，研究结果发现检测到的心电图信号、呼吸和皮肤电反应可以共同提供精神疲劳水平的信息。总之，在硬件性能没有重大更新的情况下，ML 技术已被广泛证明是提高柔性力传感性能的一个有前景的解决方案。
另一方面，尽管柔性力传感与ML 算法的集成取得了快速进展，但智能柔性传感系统的开发也面临着不可避免的挑战。ML 赋予了系统自动合并所有信息并从经验中学习以提高预测精度的能力，但ML辅助处理柔性力传感数据的策略不可避免地存在着 ML算法的缺陷。
首先，通常需要从传感系统中收集大量多样化的、经过严格审核的训练数据，以确保 ML 模型的高预测精度，这是一个繁琐而耗时的过程。对于大多数基于有机材料的柔性传感器来说，其固有的器件间差异和较差的长期稳定性，使得在结合ML算法时增加了很大的难度，因为可重复性与模型训练直接相关。因此，需要开发更智能的 ML 算法以简化训练步骤，并应改善传感器的性能 (特别是稳定性和均匀性)。其次，根据传感数据和预期目标设计合适的 ML 模型是重中之重。各种 ML 算法已经被开发出来，每一种算法都有优点和缺点，在解决不同情况时需要考虑，还必须进行超参数的调整以找到最佳设置。由于这两个原因， ML 辅助的数据处理方法并不总是最好的解决方案，其他方法如线性校准和非线性拟合，在更简化的关系中可能显示出优势。ML对柔性传感数据的学习和决策过程需要更具相应知识和推理规则来调控，以确保特定应用的有效效果。
在未来，ML不仅可以应用于柔性传感器系统的数据处理，而且还会进一步影响柔性传感系统的设计阶段，包括配置和材料。利用ML 实现的逆向设计，可以开发具有目标功能的理想传感材料和具有紧凑型结构的传感器以实现最佳传感配置，从而引领具有超强传感性能的新一代智能柔性传感系统。多模态传感平台将集成柔性力传感、化学传感、和生物传感，以提供更全面的信息，其中 ML有望在复杂的设计过程和数据分析方面发挥重要作用。另一方面，预计通过ML进行柔性传感信号的传感器内处理以提供实时分析将得到广泛应用，因为它拥有比无线传输原始数据到外部计算设备更多的优势，提供了更小的通信链路带宽和无线电功率需求。通过本地处理信号，个人数据的安全性也可以得到提高。随着对传感器、微处理器单元、计算技术、无线通信和人工智能技术的不断改进，我们相信， ML 增强的柔性力传感可以进一步提高我们的生活质量，其影响涵盖从健康监测、HMI、动作/手势识别、电子皮肤到其他相关领域。
原文详情：https://link.springer.com/article/10.1007/s40820-023-01013-9
