随着电子皮肤、智能机器人、人机交互设备等领域的快速发展，多功能传感设备，尤其是柔性温度压力传感器引起了广泛关注。然而，通过简单的结构制备能够解耦的同时具有高灵敏度的温度-压力双功能传感器，仍然是一个挑战。另一方面，柔性可穿戴传感器的快速发展对电子皮肤提出了新的要求，即电子皮肤应具有数据采集、信息处理和人机交互功能。将深度学习引入传感器领域，能够提高传感器在人机交互领域的应用。然而，如何利用深度学习发挥双参数传感器在人机交互领域的优势，实现传感器信息的高密度和快速高效的传输，目前有很少有研究。另一方面，由于传感器性能和深度学习算法的限制，传感器通常只能识别预先设计的特定动作或信息序列，导致在人机交互领域的实际应用受到限制。因此，制备高灵敏度的可解耦的温度-压力双功能传感器，并利用深度学习算法充分发挥温度压力双模传感器的潜力仍然是一个挑战。
郑州大学橡塑模具国家工程研究中心的申长雨院士和刘春太教授课题组开发了一种基于SWCNT和PEDOT:PSS修饰的多孔三聚氰胺泡沫（MF）的高性能温度压力双模传感器(SPMF)。根据压阻效应和热电效应，压力和温度信号可以被SPMF传感器独立地识别。对SWCNT进行热处理并引入适量的PEDOT:PSS，通过界面势垒过滤低能载流子，提升传感器的塞贝克系数。一系列实验表明，该传感器具有优异的压力/温度双参数传感性能，灵敏度高、响应时间快、长期稳定性好，可用于解耦的温度和压力信号传感和非接触信息传输。得益于出色的传感特性，组装后的传感器阵列显示出良好的识别温度和压力信号空间分布的能力。在深度学习算法的辅助下，对“触摸”和“按压”动作分别显示出99%和98%的高识别准确率，实现了信息的加密传输和随机输入序列的准确识别，为人机交互中高精度多模态感知平台的设计提供了一种有前途的策略。该工作以“Decoupled Temperature-Pressure Sensing System for Deep Learning Assisted Human-Machine Interaction”为题发表在国际权威期刊《Advanced Functional Materials》上。文章第一作者是郑州大学硕士生陈朝阳，通讯作者是刘虎教授和王亚龙博士。
图1. (a)SPMF传感器的制备过程，(b)SPMF的弹性和轻质，(c-d)MF和SPMF的SEM图像，(e)退火前后SWCNT的XPS C1s光谱，(f)具有不同PEDOT:PSS含量的SPMF的塞贝克系数。
图2. (a) SPMF传感器的输出电压随温差的变化，(b)传感器有限元分析结果：在不同温差下的温度和电势分布，(c)传感器在不同温差下的循环响应，( d) 传感器的输出电压随温差连续增加时的变化，( e)在0.03 K的微小温差下传感器的输出电压，(f)传感器温度传感的耐久性测试。
图3. (a) SPMF传感器压力灵敏度，(b)传感器有限元分析结果：不同压力下SPMF传感器上的应力分布，(c)传感器在不同压力下的循环压缩响应曲线，(d)在10 kPa的动态压力下，传感器在不同压缩率下的循环压缩响应曲线，(e)在10 Pa的压力和500 mm/min的压缩速率下，传感器的响应-恢复时间，(f)传感器压力传感的耐久性测试。
图4. (a)SPMF传感器在不同温差下的输出电压随压力的变化，(b)不同外部压力下传感器的塞贝克系数，(c) 传感器有限元分析结果：传感器在不同温差和不同压力下的电势和应力分布，(d-g)传感器在不同条件下的I-V曲线：(d)不同DT和0 kPa压力下、(e)不同的DT和10 kPa压力下、(f)20 k的恒定温差和不同的压力下，(g)不同DT和不同压力下，(h)温度-压力双模传感测试示意图，(i-j)传感器在不同条件下的输出电压和电流：(i)23k的温差和动态压力、(j)20 kPa的稳定压力和动态温度梯度。
图5. (a) SPMF传感器的输出电压随着DT变化，(b) 用手指触摸传感器时，输出电压变化，插图为红外温度图像，(c)当传感器接触装有冷水或热水的烧杯时，输出电压及红外温度图像，(d)传感器的输出电流随应力变化，（e-f）用于实时检测手指弯曲和手腕弯曲时的传感性能，(g-i) SPMF传感器基于莫尔斯电码的非接触式通信和接触式通信，(j-l)传感器在不同刺激下的压力和温度响应：(j)手指触摸，(k)手指按压，和(l)铅笔按压。
图6. (a)用于温度-压力传感的4×4 SPMF传感器阵列演示图，(b-e)温度-压力双模传感器阵列对不同温度烧杯的响应信号。
图7. (a)1D CNN模型架构示意图，(b)“触摸”和“按压”传感器示意图。(c)CNN模型在200次训练期间的有效精度和训练损失，(d)“触摸”和“按压”状态的深度学习模型识别结果，(e)用于信息识别的3×3人机交互阵列示意图，(f)识别“12369”序列的3×3人机交互阵列示意图，(g)借助深度学习模型对“12369”序列的八个典型信息的识别准确率结果，(h)六种复杂信息传输操作的示意图，(i)六个复杂消息的识别准确率结果。
原文链接：https://doi.org/10.1002/adfm.202411688
