通过医学或技术进行人体增强可恢复或增强人类的能力，从而有助于改善人们的生活质量。在医疗方面的人体增强，如植入医疗设备、基因编辑和摄入体内化学物质，这些依靠侵入性方法来可以改善或修复身体机能。然而，在体内操作的侵入性方法不容易直接观察，一旦失去疗效，就不能随时更换，从而增加了不可控的风险和医疗更换成本。智能电子设备与人工智能（AI）相结合可以构成高效的人机界面以增强或扩展人类感知外界或与外界互动的能力。与侵入模式相比，佩戴智能电子设备进行人体增强作为一种非侵入模式可以显著降低医疗风险。然而，由刚性和易碎材料制成的传统电子设备在佩戴时会引起不适和尴尬。织物电子设备往往会融入衣物中，可以作为人体增强的非侵入性辅助手段。由于织物的灵活性和舒适性，这些设备可实现自由和舒适的互动体验。为了满足人体增强的强劲发展需求，织物电子设备应确保灵活性、可切割性、高度稳定的触摸灵敏度和快速响应以及可扩展的功能，即使在佩戴过程中发生变形时，也能根据指定的指令进行人机交互。

  为了实现触摸检测功能，一种策略是采用集成分立传感器单元的方法。通过打印的方法，可以制造具有分层分布微结构的触觉传感器，并将其应用于触觉面板的离散传感单元中，以实现人机交互。分立式传感器单元集成的柔性设备在佩戴在身体上时会弯曲和变形。这样，它们的电信号可能会改变或丢失，因此设备无法根据原始指令可靠地与机器交互。由于织物结构的柔软性和透气性，因此是用织物基是柔性电子一种的重要方法。通过交叉寻址，织物电子单元被编织到衣服中，并通过交错的电线连接在一起，从而实现物体的分类。这种触摸信号的检测就需要大量的布线。但是应该注意的是，遍布全身的大量复杂导线会限制织物固有的生理舒适性，并阻碍人体自由运动。此外，考虑到适应不同人的行为和个人互动模式，织物电子设备需要具有可编程性和可重构性，即形状可以定制、功能可以改变、结构可以重新配置。 因此，目前织物电子设备的进展与人体增强的实际需求之间存在鲜明的对比。除了可编程性和可重构性外，织物电子设备还需要高性能和多样性，以便满足个性化的交互需求。

本文亮点

  1.本工作采用了织物基材料，开发了一种基于电气平行双侧结构的可编程智能织物触摸传感器（IP织物传感器），可赋予人类与外界互动的能力；

  2.该IP织物传感器实现了感知-传输-识别一体化功能，具有微秒级别的响应时间（<400 us）和超高的稳定性（>20000次循环测试），可以快速且稳定地用于人机交互。

  3.该IP织物传感器具有弯曲不敏感性，即使贴合于衣物上，也不会明显改变器件的信号，因此可以将其自由穿戴用于外界交互；

  4.该IP织物传感器具有可重构性，可以通过裁剪、拼接的方式来拓展新的功能。

图1.多功能 IP 织物传感器的设计概述。（a） 与IP织物传感器集成的多功能交互系统的概念功能。（b） IP织物传感器示意图。（c） IP织物传感器的工作原理和相应的等效电路。（d） IP织物传感器的可重构性：（i） IP织物传感器的可切割性和可扩展性，以及（ii）IP织物传感器的可修复性。（e） 不同放大倍率下纯棉织物的FESEM图像。（f） 不同放大倍率下涂有碳纳米管的织物形态的FESEM图像。（g） 各种形状的IP织物传感器的形状具体展示。

图2. IP织物传感器性能和电输出特性的系统研究。（a） IP 织物传感器的响应时间和恢复时间。（b） 不同去离子水与碳纳米管溶液重量比下导电织物条的电阻与长度的关系。（c） 在 IP 织物传感器的不同位置测量的 I–V 曲线。（d） IP织物传感器不同位置的电响应。（e） IP 织物传感器处于不同状态时响应电阻与位置的关系。（f） IP 织物传感器的可切割性。（g） IP 织物传感器的可修复性。

图3. 基于方形IP织物传感器的闭环互动娱乐系统。(a) 闭环互动娱乐系统直接控制示意图。(b) 闭环互动娱乐系统的工作流程。(c) 方向控制器示意图。(d) 方形IP织物传感器中每个角在不同状态下的电压响应。(e) 方形IP织物传感器的长期连续触碰电压信号。(f) 快速触碰IP织物传感器时发出的指令。(g) 交互界面在执行不同指令时的操作。

图4. 基于条形 IP 织物传感器的智能家居系统。(a)智能家居系统的示意图。(b) 智能家居系统的电路图。(c) 显示 （i） 灯、（ii） 门、（iii） 风扇、（iv） 窗户和 （v） 铃铛的控制。铃铛开机后继续工作一段时间，然后自动关闭。

图5. 基于S形IP织物传感器的用户识别和验证系统。（a） 用户识别和验证系统流程示意图。（b）S形IP织物传感器以不同数字序列输入的不同用户的响应电压。（c） 当不同用户输入相同的数字序列时，S 形 IP 织物传感器的响应电压。（d） 1D CNN的最终结构，经过优化，用于识别三个用户。（e） 一维 CNN 模型的精度（无量纲）。（f） 训练过程中 1D CNN 模型的损失（无量纲）。（g） 测试集的混淆矩阵。

论文信息

第一作者：Zihan Chen

通讯作者：Xinqin Liao，Zhong Chen

通讯单位：厦门大学

期刊：Advanced Fiber Materials，IF 16.1，一区TOP

https://doi.org/10.1007/s42765-023-00350-z