張嘉偉 姚鴻博 張遠征 蔣偉博 吳永輝 張亞菊 敖天勇 鄭海務(wù)?

1) (河南大學物理與電子學院,開封 475001)

2) (武漢大學物理科學與技術(shù)學院,人工微結(jié)構(gòu)教育部重點實驗室,武漢 430072)

3) (河南大學人工智能學院,鄭州 475001)

在物聯(lián)網(wǎng)時代,如何開發(fā)一種可持續(xù)供電、部署方便且使用靈活的智能傳感器系統(tǒng)成為了亟待解決的難題.以麥克斯韋位移電流作為驅(qū)動力的摩擦納米發(fā)電機(triboelectric nanogenerator,TENG)可直接將機械刺激轉(zhuǎn)化為電信號,因此可作為自驅(qū)動傳感器使用.基于TENG 的傳感器擁有結(jié)構(gòu)簡單、瞬時功率密度高等優(yōu)點,為構(gòu)建智能傳感器系統(tǒng)提供了重要手段.同時,機器學習作為一種成本低、開發(fā)周期短、數(shù)據(jù)處理能力和預(yù)測能力強的技術(shù),對TENG 產(chǎn)生的大量電學信號處理效果顯著.本文梳理了基于TENG 的傳感器系統(tǒng)通過采用機器學習技術(shù)進行信號處理和智能識別的最新研究進展,從交通安全、環(huán)境監(jiān)測、信息安全、人機交互和健康運動檢測等角度出發(fā),概述了該研究方向的技術(shù)特點與研究現(xiàn)狀.最后,深入討論了該領(lǐng)域當前存在的挑戰(zhàn)和未來的發(fā)展趨勢,并分析了未來如何改進以期開拓更廣闊的應(yīng)用空間.我們相信機器學習技術(shù)與TENG 傳感器的結(jié)合將推動未來智能傳感器網(wǎng)絡(luò)的快速發(fā)展.

1 引言

近年來,隨著物聯(lián)網(wǎng)的快速發(fā)展,人類對信息的存儲、處理及使用方法的需求日益凸顯.2020年5 月7 日,工信部發(fā)布工信廳通信[2020]25 號文,即《工業(yè)和信息化部辦公廳關(guān)于深入推進移動物聯(lián)網(wǎng)全面發(fā)展的通知》.通知表示,移動物聯(lián)網(wǎng)(基于蜂窩移動通信網(wǎng)絡(luò)的物聯(lián)網(wǎng)技術(shù)和應(yīng)用)是新型基礎(chǔ)設(shè)施的重要組成部分.貫徹落實黨中央、國務(wù)院關(guān)于加快5G、物聯(lián)網(wǎng)等新型基礎(chǔ)設(shè)施建設(shè)和應(yīng)用的決策部署,加速傳統(tǒng)產(chǎn)業(yè)數(shù)字化轉(zhuǎn)型,有力支撐制造強國和網(wǎng)絡(luò)強國建設(shè)[1].物聯(lián)網(wǎng)的核心—無線傳感器網(wǎng)絡(luò)由數(shù)十億個傳感器構(gòu)成,這些傳感器分布廣泛,可以幫助人們監(jiān)測周圍環(huán)境和人體健康狀態(tài).而隨著物聯(lián)網(wǎng)的推廣應(yīng)用,無線傳感器節(jié)點數(shù)量迅速增加,傳感器的電源供應(yīng)和使用靈活性等問題就變得越來越突出,這直接導致了傳統(tǒng)傳感器網(wǎng)絡(luò)出現(xiàn)了使用壽命短、節(jié)點部署困難、可維護性差等問題.未來,將有超過300 億個傳感器連接到物聯(lián)網(wǎng)[2].但是這些傳感器的總功耗高達1.2 億瓦[3],相當于每小時燃燒約15 噸標準煤(根據(jù)聯(lián)合國標準,1 千克煤熱值為6880 kcal).三峽電站2020 年發(fā)電量為1118 億千瓦時.傳感器網(wǎng)絡(luò)的功耗相當于34 個以上的電站.傳統(tǒng)的傳感器由電網(wǎng)和電池供電,能源供應(yīng)將面臨巨大的挑戰(zhàn),而且未來的物聯(lián)網(wǎng)對傳感器的需求還在不斷增加.因此,一種不需要電源的自供電傳感器成為該問題最有前景且可持續(xù)的解決方案.2012 年,王中林院士及其團隊[4]發(fā)明出摩擦納米發(fā)電機(triboelectric nanogenerator,TENG).TENG 是一種小型電子設(shè)備,使用麥克斯韋位移電流作為驅(qū)動力,能將環(huán)境中可用的機械能轉(zhuǎn)化為電能[5].按照工作模式的不同,TENG 可以分為垂直接觸-分離模式、水平滑動式、單電極模式和獨立層模式[6].TENG 作為傳感器可從外部環(huán)境中的水波、振動、雨滴、聲音中獲取有用的信息[7].其獨特的工作原理也使TENG 可以有效地獲取生物力學能量信息,包括身體運動、呼吸和心跳.近年來,TENG 憑借著成本低、結(jié)構(gòu)多樣、輸出穩(wěn)定、能量轉(zhuǎn)換效率高、環(huán)境適應(yīng)能力強和生態(tài)友好等優(yōu)點吸引了廣泛的關(guān)注.TENG 的研究方向可以概括為兩個——作為儲能設(shè)備和作為信號傳輸設(shè)備.前者用環(huán)保的方式產(chǎn)生更高、更持久、更穩(wěn)定的電能.后者將發(fā)電機本身作為一種自供電傳感器用來獲取信息.與經(jīng)典電磁發(fā)電機相比,TENG 在低頻下的高效能是同類技術(shù)無法比擬的.同時它也可以作為自驅(qū)動傳感器來感知由機械觸發(fā)所產(chǎn)生的靜態(tài)和動態(tài)過程的信息.TENG 傳感器類型多種多樣,應(yīng)用范圍廣泛,有自驅(qū)動壓強傳感器、自驅(qū)動聲音傳感器、自驅(qū)動加速度傳感器、自驅(qū)動溫度傳感器、自驅(qū)動濕度傳感器、自驅(qū)動氣體感應(yīng)傳感器等.這些自驅(qū)動傳感器致力于部分替代傳統(tǒng)的傳感器,以達到節(jié)約能源、節(jié)省功耗的目的.所以,TENG 作為一種新型傳感器技術(shù)具有更加廣闊的應(yīng)用前景.

近年來,機器學習尤其是深度學習逐漸成為物聯(lián)網(wǎng)和傳感器領(lǐng)域的研究熱點和主流發(fā)展方向,大數(shù)據(jù)和機器學習技術(shù)與TENG 傳感器數(shù)據(jù)處理相結(jié)合為科研人員提供了一個新思路.機器學習是由Arthur Samuel 在1959 年提出的,并已廣泛應(yīng)用于計算機視覺、一般游戲、經(jīng)濟學、數(shù)據(jù)挖掘和生物信息學等領(lǐng)域[8].人工智能是一個跨學科的研究領(lǐng)域.近年來,隨著人工智能和機器學習理論的完善和工具鏈的擴充,越來越多的專家借助這一強大的工具在其研究領(lǐng)域中不斷取得新的成果.由于機器學習的資源和工具豐富且易于獲取,自身擁有更加高效的數(shù)據(jù)處理能力,能使傳感器智能化,并節(jié)省測試時間和成本,較之傳統(tǒng)傳感器,由TENG傳感器所產(chǎn)生的數(shù)據(jù)更適合采用機器學習技術(shù)進行處理和分析,因此機器學習已漸漸地出現(xiàn)在TENG的研究領(lǐng)域中.在TENG 傳感器應(yīng)用案例中,已經(jīng)實現(xiàn)了方向盤驅(qū)動行為檢測、液體泄漏檢測、沉積物檢測、擊鍵識別、文本識別等各種功能應(yīng)用.圖1 展示了基于TENG 的傳感器和機器學習方法構(gòu)成的多功能自驅(qū)動智能系統(tǒng)及其應(yīng)用場景.本文主要闡述大數(shù)據(jù)和機器學習在TENG 傳感器領(lǐng)域中的基本操作步驟和應(yīng)用方式,總結(jié)了近年來各機器學習算法在TENG 傳感器領(lǐng)域的應(yīng)用案例,并討論了在研究和使用過程中需要改進的地方.這項工作致力于介紹機器學習的理論背景,促進其和TENG 傳感器技術(shù)的結(jié)合和應(yīng)用,并給各研究人員在本領(lǐng)域的開拓過程中提供新視角和新思路.NG 傳感器技術(shù)的結(jié)合和應(yīng)用,并給各研究人員在本領(lǐng)域的開拓過程中提供新視角和新思路.

2 摩擦納米發(fā)電機(TENG)

2.1 摩擦電效應(yīng)的研究

摩擦電效應(yīng)在日常生活中無處不在,當兩種特定材料的物體接觸后就會產(chǎn)生摩擦電.早在2600多年前的古希臘時期,人們就開始對摩擦起電現(xiàn)象進行研究.摩擦電產(chǎn)生的靜電荷會導致起火、粉塵爆炸、電子元件損壞等后果,在工業(yè)生產(chǎn)中長期被認為是一種危害而忽視其作為一種能源的可能.王中林院士及其團隊[9]將這種摩擦電效應(yīng)和靜電感應(yīng)相結(jié)合,于2012 年首次提出TENG,TENG 基于接觸起電(contact-electrification,CE)和靜電感應(yīng),對日常生活中普遍存在但被忽視的廣泛分布且不規(guī)則的機械能,如機械振動、人體運動、風和水波等進行收集并有效利用(見圖1).最吸引人的是,TENG 擁有轉(zhuǎn)換效率高(TENG 當前的功率密度已經(jīng)達到了 313 W/m2,其體積能量密度已經(jīng)達到了 490 kW/m3,當前最新開發(fā)的TENG 的機械能轉(zhuǎn)換效率已經(jīng)達到了約85%[10])、成本低、結(jié)構(gòu)簡單、重量輕等優(yōu)點.

圖1 基于TENG 的多功能智能傳感系統(tǒng)的結(jié)構(gòu)示意圖和主要功能展示Fig.1.Structure diagram of the multifunctional intelligent sensor system based on TENG and its main function display.

對摩擦起電的研究盡管已有2600 多年的歷史,但對其機理仍然爭論不休.最近,王中林院士和其團隊[11]發(fā)現(xiàn),固體與固體之間的CE 主要由電子轉(zhuǎn)移引起,金屬和電介質(zhì)之間的CE 可以由其表面狀態(tài)模型和費米能級模型進行描述.經(jīng)過實驗發(fā)現(xiàn),在兩種材料的原子間距離大于鍵長時往往會互相吸引(圖2(a));而當原子間距離小于鍵長時就會發(fā)生CE (圖2(b)).王中林及其團隊[11]由此創(chuàng)新性地提出了摩擦起電過程中的電子遷躍模型(Wang transition for CE).該模型說明了當兩種材料在原子級接觸之前電子云處于分離狀態(tài)(圖2(c)),而后當兩個原子受外力擠壓進入斥力區(qū)時,兩個原子之間勢壘降低,并且兩者的電子云開始重疊,隨后電子就會在兩個原子之間發(fā)生電子躍遷(圖2(d)).一般認為該模型是描述兩種任意材料摩擦起電現(xiàn)象的通用模型.雖然該模型解釋了固體之間摩擦起電的現(xiàn)象,但液體和固體之間的摩擦起電現(xiàn)象用電子轉(zhuǎn)移模型來解釋則一直存在爭議.最近,Li 等[12]提出一種用于解釋聚合物-聚合物和聚合物-液體之間電子轉(zhuǎn)移原理的理論機制.在這個簡化的機制中,電子云表示電子出現(xiàn)在原子核之外的概率.當原子核的得電子能力較弱時,電子云可以占據(jù)較大的范圍.相反,當原子核具有較強的得電子能力時,表現(xiàn)出較小的電子云.例如 H2O 電子云范圍較大,而聚四氟乙烯(PTFE)電子云范圍較小,在這兩者接觸的過程中,它們的電子云部分重疊,發(fā)生電子轉(zhuǎn)移;當它們分開時,H2O 的電子云變小而PTFE的電子云變大,該工作闡明了液體-固體之間的摩擦起電現(xiàn)象同樣可以用電子轉(zhuǎn)移模型來解釋.同樣地,Nie 等[13]用分子間電子云理論來解釋PTFE和液滴接觸時電子從水分子轉(zhuǎn)移到PTFE 的現(xiàn)象.該工作假設(shè)氧原子的核外電子在水分子中形成電子云,且原子可以作為一種勢阱.同時,根據(jù)該團隊之前的研究,他們假設(shè)PTFE表面的最低未占分子軌道(LUMO)可以接收CE 過程中的電子.在兩個材料接觸之前,電子由于局部的勢阱捕獲效應(yīng)而不能轉(zhuǎn)移.當PTFE 與水分子接觸時,電子從水分子的氧原子躍遷到PTFE 的LUMO 上,這個電子轉(zhuǎn)移過程與電子從高能躍遷到低能態(tài)有關(guān).當兩個材料分離之后,如果能量波動低于PTFE 的勢壘Ep,大部分轉(zhuǎn)移到PTFE 的電子將會繼續(xù)保存在PTFE 上.因此,CE 使PTFE 帶負電,水分子帶正電.該工作為液固之間CE 的電子轉(zhuǎn)移模型提供了證據(jù).

2.2 TENG 的原理和4 種工作模式

TENG 的基本工作原理是摩擦起電和靜電感應(yīng)的結(jié)合.摩擦起電提供靜態(tài)極化電荷,而靜電感應(yīng)是將機械能轉(zhuǎn)化為電能的關(guān)鍵因素.為了對TENG 的原理進行更細致的理論描述,王中林院士[14]在2017 年將麥克斯韋位移電流修正為

在這里D是位移向量,第一項是由時變電場和感應(yīng)介質(zhì)極化所產(chǎn)生的位移電流,而第二項是由王中林院士增加的附加項,PS是由機械觸發(fā)產(chǎn)生的表面靜電荷引起的極化密度,非外加電場(例如摩擦電荷、壓電電荷等)而導致的位移電流,它是納米發(fā)電機的根本原理.

2012 年TENG 被首次提出,目前TENG 存在4 種不同的工作模式,即垂直接觸-分離模式、水平滑動模式、單電極模式、獨立層模式,如圖3 所示.

圖3 TENG 的4 種工作模式及其應(yīng)用 (a) 垂直接觸-分離模式;(b)水平滑動模式;(c) 單電極模式;(d)獨立層模式[26]Fig.3.Four working modes of TENG and applications:(a) Vertical contact-separation (CS) mode;(b) lateral-sliding (LS) mode;(c) single-electrode (SE) mode;(d) freestanding triboelectric-layer(FT) mode[26].

1) 垂直接觸-分離模式

垂直接觸-分離模式是最早的TENG 模型[15],該TENG 主要分類兩種類型:電介質(zhì)對電介質(zhì)和導體對電介質(zhì).第一個TENG 采用的就是該設(shè)計,它由聚酯薄膜(PET)和聚酰亞胺薄膜(Kapton)組成,背面涂有電極,在外力作用下,兩個摩擦層之間的距離會發(fā)生變化.當兩個摩擦層彼此接觸之后,由于摩擦起電,兩個摩擦層內(nèi)表面產(chǎn)生密度相等但極性相反的靜電荷,由此產(chǎn)生交流電輸出.以這種模式實現(xiàn)的TENG 傳感器結(jié)構(gòu)利用短程循環(huán)運動(例如周期性的振動和沖擊)在緊密接觸狀態(tài)和完全分離狀態(tài)之間有效切換,并產(chǎn)生信號輸出.垂直接觸-分離模式不但適用于固體與固體之間,甚至可以適用于固體和液體[13]以及液體和液體之間[16].目前已經(jīng)開發(fā)實現(xiàn)的案例有拱形結(jié)構(gòu)[17]、彈簧結(jié)構(gòu)[18]等.使用這種結(jié)構(gòu)的傳感器有瞬時功率高、結(jié)構(gòu)設(shè)計簡單等優(yōu)勢.

2) 水平滑動模式

水平滑動模式基于面內(nèi)電荷分離機制[19],滑動層也有兩種類型:電介質(zhì)對電介質(zhì);導體對電介質(zhì).兩個金屬電極與兩個電介質(zhì)層結(jié)合,該TENG利用摩擦層平行方向的相對運動產(chǎn)生摩擦電荷,當兩層分開時,上層的下表面和下層的上表面在非重疊區(qū)域帶有相反的電荷,分別在兩個電極處感應(yīng)出相反的電荷并產(chǎn)生交流電輸出.與垂直接觸-分離模式相比,兩個表面通過相對滑動所產(chǎn)生的摩擦電荷更為豐富,并且在傳感器制作過程中,可以通過給滑動層制作光柵結(jié)構(gòu)[20]來提高分離-接觸的頻次,從而實現(xiàn)更高效的電荷轉(zhuǎn)移過程,進而提高功率輸出.目前采用這種結(jié)構(gòu)的案例有平面運動式[21]、圓盤旋轉(zhuǎn)式[22]、圓柱旋轉(zhuǎn)式[23]等.

3) 單電極模式

傳統(tǒng)的垂直接觸-分離模式TENG和水平滑動模式TENG 要求將電極和導線附著在設(shè)備的運動部件上,這種結(jié)構(gòu)限制了TENG 的適用性.而單電極TENG和獨立層模式TENG 克服了這個缺點,[24]單電極模式只有一個電極連接到摩擦層,另一個電極作為參考端,可以放置在空間任何位置,甚至可以放置在地面.其工作模式和垂直接觸-分離模式TENG和水平滑動模式TENG 類似,該TENG從自由移動的物體中收集能量,無需附加其他導體,例如手打字、行走等,應(yīng)用非常廣泛,并且單電極模式TENG 還特別適合作為自供電有源傳感器來檢測任何帶電物體.

4) 獨立層模式

單電極模式TENG 因為受到其主電極的靜電屏蔽作用限制,最大電荷轉(zhuǎn)移效率只能達到50%[24].為了克服這個缺點,設(shè)計了一種固定電極的TENG,即獨立層模式TENG[10].獨立層模式是在單電極的基礎(chǔ)上開發(fā)得到的,其使用一對對稱電極,不以地面為參考,當物體自由移動時,會在兩個電極處產(chǎn)生非對稱的摩擦電荷并輸出至負載.獨立層模式兼顧了單電極模式的優(yōu)點,可以從任何運動物體中收集機械能,還沒有靜電屏蔽的問題.這種模式一個重要的實現(xiàn)案例是用于定量振幅測量的自供電主動振動傳感器[25].

3 基于機器學習技術(shù)的TENG 傳感器的一般工作模式

目前,TENG 最主要的用途有兩個:作為傳感器的能量來源和作為自驅(qū)動傳感器,目前基于TENG的傳感器有聲音傳感器、壓力傳感器、移動物體自驅(qū)動傳感器、振動傳感器、自驅(qū)動環(huán)境傳感器和生物醫(yī)學傳感器.可采集到的數(shù)據(jù)一般有音頻信息、圖像信息、圖形信息、振幅信息、空間位置信息、溫度信息和頻率信息等,數(shù)據(jù)來源復雜,且形式多樣.隨著機器學習技術(shù)的發(fā)展日新月異,越來越多的人使用機器學習技術(shù)來處理海量且復雜的傳感器數(shù)據(jù).機器學習是人工智能的一個分支,是一種建立自動學習模型并使用大量數(shù)據(jù)來不斷優(yōu)化模型,然后在算法的指導下做出合理預(yù)測的技術(shù).機器學習工作流程可以簡單地描述為數(shù)據(jù)預(yù)處理、特征提取、建模、驗證和輸出結(jié)果.一般來說,使用機器學習技術(shù)進行訓練和識別,一般要經(jīng)歷如圖4 所示的5 個階段,即數(shù)據(jù)預(yù)處理、特征提取、選擇合適的機器學習方法并建立模型、結(jié)果驗證.使用機器學習方法處理基于TENG 傳感器產(chǎn)生的數(shù)據(jù)的一般過程如圖5 所示，首先傳感器收集數(shù)據(jù)并傳輸?shù)綌?shù)據(jù)中心進行存儲和管理，然后用戶通過控制中心將選擇好的傳感器數(shù)據(jù)發(fā)送至機器學習模型，在模型的數(shù)據(jù)預(yù)處理階段對數(shù)據(jù)進行分類，一般分為多元時間序列和多元空間數(shù)據(jù).緊接著將已分類的數(shù)據(jù)進行特征提取和歸一化，并使用機器學習方法進行分析和預(yù)測.最后由機器學習模型對結(jié)果進行驗證和評估，用戶也可以通過控制中心將結(jié)果進行存儲和展示.

圖4 機器學習的基本工作流程Fig.4.Basic workflow of machine learning.

圖5 從基于TENG 的傳感器收集數(shù)據(jù)并推送至機器學習模型進行計算分析的過程.數(shù)據(jù)在數(shù)據(jù)中心存儲和管理,用戶可以從控制中心與數(shù)據(jù)中心進行交互.在預(yù)處理階段將數(shù)據(jù)分為多元時間序列和多元空間數(shù)據(jù),接著輸入機器學習模型分析并做出預(yù)測,最后對結(jié)果進行驗證和評估Fig.5.Process of collecting data from TENG-based sensors and pushing it to the machine learning model for computational analysis.Data is stored and managed in the data center.Users can interact with the data center from the control center.In the preprocessing stage,the data is divided into multivariate time series and multivariate spatial data,and then input into the machine.The machine learns the model and analyzes and makes predictions,and finally verifies and evaluates the results.

3.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理表示數(shù)據(jù)在進行訓練學習之前,需要根據(jù)機器學習算法的需求對數(shù)據(jù)進行格式上的統(tǒng)一.數(shù)據(jù)預(yù)處理的方法主要包括去除唯一屬性、處理缺失值、屬性編碼、數(shù)據(jù)標準化、特征選擇、主成分分析等.良好的數(shù)據(jù)預(yù)處理可以提高數(shù)據(jù)質(zhì)量,使得模型能夠更好地學習數(shù)據(jù),進而決定模型的預(yù)測和泛化能力的好壞.

3.2 特征提取

完成數(shù)據(jù)采集和歸一化后,應(yīng)提取合適的特征來預(yù)測目標,稱為特征選取階段.特征提取是從一個初始測量的資料集合中開始,建構(gòu)出富含有效信息而且不冗余的導出值,這些導出值被稱為特征值.它可以幫助構(gòu)建后續(xù)的學習歸納過程,特征提取是一個降低維度的步驟,初始的資料集合被降到更容易管理的族群(特征)以便于學習,同時保持描述原始資料集的精準性與完整性.該階段至關(guān)重要,有時直接影響整個機器學習的性能.

3.3 機器學習方法

有了合適且足夠的數(shù)據(jù)和特征,就可以依據(jù)需求構(gòu)建一個分析數(shù)據(jù)的模型.建模的步驟包括選擇合適的算法、從訓練的數(shù)據(jù)中進行訓練、并做出準確的預(yù)測.機器學習方法可分為監(jiān)督學習、無監(jiān)督學習、半監(jiān)督學習和強化學習.監(jiān)督學習也稱為“有老師的學習”,即訓練數(shù)據(jù)的相應(yīng)輸出已經(jīng)被標記.相比之下,無監(jiān)督學習中訓練數(shù)據(jù)的相應(yīng)輸出是未標記的.對于半監(jiān)督學習,對部分訓練數(shù)據(jù)進行標記,其余數(shù)據(jù)不進行標記;未標記數(shù)據(jù)的數(shù)量通常遠遠超過標記數(shù)據(jù)的數(shù)量.在強化學習中,不是向模型指定如何產(chǎn)生正確的動作,而是使用環(huán)境提供的強化信號來評估所產(chǎn)生的動作的質(zhì)量,并改進適應(yīng)環(huán)境的策略.具體的機器學習方法有支持向量機(support vector machine,SVM)[27]、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)[28]、卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)[29]、長短期記憶(long short-term memory,LSTM)[30]、深度信念網(wǎng)絡(luò)(deep belief network,DBN)[31,32]等.機器學習算法數(shù)量眾多,每種算法都有其獨特的優(yōu)點和適用范圍,例如SVM,它是統(tǒng)計學習領(lǐng)域中一個代表性算法,將問題歸結(jié)為線性可分的經(jīng)典解問題,適用于解決中小數(shù)據(jù)規(guī)模、非線性、高維模式識別方面的問題;ANN 優(yōu)點是擁有很強的泛化能力和非線性映射能力,適用于對信息量少的系統(tǒng)進行模型處理;CNN 優(yōu)點是具有良好的容錯能力、并行處理能力和自學習能力,適用于處理環(huán)境信息復雜、背景知識不清楚、推理規(guī)則不明確情況下的問題;LSTM 是一種根據(jù)時間序列或字符序列自我調(diào)用的特殊神經(jīng)網(wǎng)絡(luò),能夠更好地存儲和訪問信息.針對不同的應(yīng)用場合和不同的數(shù)據(jù)集,可以根據(jù)傳感器的信號特點選擇更合適的方法或者綜合不同方法的優(yōu)勢構(gòu)建出專用的學習模型.

3.4 結(jié)果驗證

驗證數(shù)據(jù)集是用于調(diào)整分類器超參數(shù)(即體系結(jié)構(gòu))的參考數(shù)據(jù)集.例如神經(jīng)網(wǎng)絡(luò)的超參數(shù)一般包括每層中隱藏單元的數(shù)量以及測試集(應(yīng)遵循與訓練數(shù)據(jù)集相同的概率分布).為了避免過度擬合,當需要調(diào)整任何分類參數(shù)時,除了訓練和測試數(shù)據(jù)集外,還必須有一個驗證數(shù)據(jù)集.例如,為了尋求最適合該問題的分類器,使用訓練數(shù)據(jù)集來訓練候選算法,使用驗證數(shù)據(jù)集來比較其性能并決定采用哪種算法,最后使用測試數(shù)據(jù)集來進行測試.獲得諸如準確度、靈敏度、特異性、f度量等性能特征.k折交叉驗證是一種常見的驗證方法.k折交叉驗證是指將原始數(shù)據(jù)隨機分成k個大小相似的互斥子集,每個子集盡可能保持數(shù)據(jù)分布的一致性.這樣,每次使用k—1 個子集的并集進行模型訓練,同時保留一個子集進行模型驗證,這樣就可獲得k組訓練/測試集,從而可進行k次訓練和測試,最終返回的是折k個測試結(jié)果的均值.k折交叉驗證的一個缺點是,它需要構(gòu)建k個模型,這對大數(shù)據(jù)集來說非常耗時.另一種在由TENG 驅(qū)動的傳感器中使用的驗證方法是留一法,與k折交叉驗證略有不同,留一法不受隨機樣本劃分方式的影響.假設(shè)數(shù)據(jù)集d中包含m個樣本,令k=m,則m個樣本只有唯一的方式劃分為m個子集——每個子集包含一個樣本.留一法使用的訓練集與初始數(shù)據(jù)集相比只少了一個樣本,這就使得在絕大多數(shù)情況下,留一法中被實際評估的模型與期望評估的用d訓練出的模型很相似.因此,留一法的評估結(jié)果往往被認為比較準確.然而,留一法也有其缺陷:在傳感器產(chǎn)生的數(shù)據(jù)集比較大時,訓練m個模型的計算開銷可能是難以忍受的(例如數(shù)據(jù)集包含一百萬個樣本,則需訓練一百萬個模型),而這還是在未考慮算法調(diào)參的情況下.所以對數(shù)據(jù)集較大的工作來說,例如道路聲音識別,使用留一法往往難以達到期望的目的.另一種用來驗證模型的方法是重復學習測試(repeated learning test,RLT)交叉驗證法.與留一法相反,RLT 交叉驗證將數(shù)據(jù)集的一部分進行驗證.因此,計算復雜度大大降低.然而,模型驗證的最佳數(shù)據(jù)量很難確定,測試集通常必須根據(jù)實際情況進行選擇.自助交叉驗證是一種基于多重采樣的泛化誤差方法.該方法能有效降低k折交叉驗證的方差,然而,這樣會造成計算成本增加,在一些實時性要求較高的工作,例如車輛信息實時檢測中很難獲得理想的結(jié)果[32].

4 基于機器學習技術(shù)的TENG 傳感器的應(yīng)用

2020 年5 月的全國兩會上,中國《政府工作報告》也明確提出:“加強新型基礎(chǔ)設(shè)施建設(shè),發(fā)展新一代信息網(wǎng)絡(luò),拓展5G 應(yīng)用,建設(shè)充電樁,推廣新能源汽車,激發(fā)新消費需求,助力產(chǎn)業(yè)升級.”至此,新型基礎(chǔ)設(shè)施建設(shè)(以下簡稱新基建)開始快速推進.而5G 作為“新基建”的“領(lǐng)頭羊”,將直接驅(qū)動物聯(lián)網(wǎng)等相關(guān)行業(yè)的快速發(fā)展.物聯(lián)網(wǎng)、大數(shù)據(jù)、云計算乃至智慧城市的各種技術(shù),都依賴于傳感器提供的基礎(chǔ)功能.作為“感知世界”之基,傳感器已成為一個地區(qū)乃至一個國家科技發(fā)展水平的重要標志.

目前傳感器的能源供給以電池為主,然而,電池的管理回收是一項極其困難的任務(wù),電池報廢后所遺留的有害化學物質(zhì)已經(jīng)對環(huán)境產(chǎn)生了重大威脅.針對傳感器的能源供給問題和環(huán)境問題,以TENG 為代表的微納能源研究進展迅速,為物聯(lián)網(wǎng)的發(fā)展提供了新的能源技術(shù),有望解決物聯(lián)網(wǎng)時代小型器件的自供能問題.根據(jù)總部位于英國劍橋,專門提供獨立市場調(diào)查與商業(yè)資訊的idtechex公司預(yù)測:基于TENG 的微納能源和自驅(qū)動傳感器將在2027 年擁有4 億美元的市場價值,商業(yè)前景十分廣闊.這其中TENG 具有顯著的優(yōu)勢,例如:不會產(chǎn)生污染環(huán)境的廢料;能收集的能量來源廣泛;制造工藝和流程簡單;對產(chǎn)生的電能可以精確控制等.因此,TENG 在物聯(lián)網(wǎng)、環(huán)境檢測、自驅(qū)動傳感器和可驅(qū)動便攜式電子產(chǎn)品等領(lǐng)域有極大的研究價值和廣闊的應(yīng)用前景.據(jù)《Emerging nanogenerator technology in china:a review and forecast using integrating bibliometrics,patent analysis and technology roadmapping methods》報告顯示,自2013 年以來,各種納米發(fā)電機技術(shù)快速興起,且中國目前處于該領(lǐng)域的領(lǐng)先地位，并且該報告也展示了納米發(fā)電機產(chǎn)業(yè)在中國未來發(fā)展的路線圖，如圖6 所示[33].本文根據(jù)TENG 在不同領(lǐng)域中的應(yīng)用,將其分為交通安全、環(huán)境監(jiān)測、信息安全、人機交互和健康監(jiān)測等5 個方面進行了分類與梳理.

圖6 納米發(fā)電機產(chǎn)業(yè)在中國未來發(fā)展的路線圖Fig.6.Roadmap for the future development of the nano-generator industry in China.

4.1 交通安全

全世界每天有3500 多人死于交通事故.在交通事故的所有原因中,人類駕駛員的不當行為占到了80%以上[34].在人車交互過程中,方向盤、制動器、油門踏板等操縱動作將駕駛員的大部分指令信息傳遞給車輛[35].因此,操作不當可能會導致道路交通事故[36,37].轉(zhuǎn)向操縱是駕駛員控制車輛行駛方向的手段,是駕駛操作的重要組成部分.因此,檢測轉(zhuǎn)向操縱有助于提高交通安全.此外,檢測轉(zhuǎn)向狀態(tài)有助于智能駕駛員輔助系統(tǒng)(intelligent driver assistance systems,IDAS)的實現(xiàn),該系統(tǒng)通過分析車輛傳感器信息,幫助駕駛員對駕駛動作做出快速、安全的決策,從而拯救生命[38,39].最近,Zhang等[40]利用TENG 作為傳感器來檢測駕駛員的轉(zhuǎn)向行為.TENG 工作模式采用垂直接觸-分離式,制備結(jié)構(gòu)由Kapton 膠帶、鋁和緩沖層組成,頂部和底部由Kapton 帶封裝,選擇上層的底部Kapton膜作為摩擦層,中間的鋁作為Kapton 的背電極.下層頂部的鋁帶作為另一個摩擦層和電極.上層和下層由兩側(cè)的緩沖層隔開,以產(chǎn)生間隙,從而當施加外力時,兩個摩擦層之間的接觸可以分開.TENG的長度相對較大,由于轉(zhuǎn)向的形狀,它是彎曲的.其重量輕、厚度薄,不會對駕駛員造成干擾.他們設(shè)計并實現(xiàn)了兩個基于駕駛模擬器的實驗,圖7 所示為實驗平臺示意圖.首先,量化并比較三個傳感器(駕駛模擬器、攝像頭和TENG)的響應(yīng)速度.然后,設(shè)計并訓練機器學習算法來檢測三種轉(zhuǎn)向動作,考慮到“準確和多樣化的原則”,訓練四個分類器(隨機森林(random forest,RF)、SVM、k近鄰和自適應(yīng)增強)來比較它們的性能.從結(jié)果可知,RF的準確率最高,其微轉(zhuǎn)向動作、正常轉(zhuǎn)向動作和過度轉(zhuǎn)向動作的個體分類率分別為91.3%,90.7%和98.0%.在機器學習中,RF 是一個包含多個決策樹的分類器,并且其輸出的類別由個別樹輸出的類別的數(shù)量而定.Leo Breiman和Adele Cutler 發(fā)展出RF 算法,這個術(shù)語是1995 年由貝爾實驗室的Ho[41]所提出的隨機決策森林(random decision forests)而來的.這個方法則是結(jié)合Breimans 的“引導聚集算法”和Ho 的“隨機子空間”以建造決策樹的集合.結(jié)果表明,使用此算法可以很好地識別TENG 的電信號來檢測駕駛員的轉(zhuǎn)向動作.與可穿戴設(shè)備相比,由于其材料的獨特性和多樣性,TENG 可以完美地安裝在方向盤上,而不會干擾駕駛員.雖然攝像頭對司機的干擾較小,但需要大量計算,容易侵犯隱私.TENG 的數(shù)據(jù)是一維電壓值,而其結(jié)構(gòu)簡單,易于計算.與車輛的外部設(shè)備相比,基于TENGs 的方法由于其高效率和低成本可以容易地集成到當前的IDAS 產(chǎn)品中.此外,TENG 作為一種自供電傳感器,有可能將握持方向盤的機械能轉(zhuǎn)化為電能,并且與其他傳感器相比,TENG 具有成本低、效率高、結(jié)構(gòu)簡單、材料選擇多樣、節(jié)能和自供電等獨特優(yōu)勢.這項研究證明了使用TENG 作為駕駛員轉(zhuǎn)向動作檢測傳感器的潛力.在駕駛員對車輛的各種動作中,駕駛員通過對剎車和油門踏板的動作來產(chǎn)生車輛的減速和加速,也是序列化駕駛行為的重要組成部分.因此,一種快速、準確的檢測踏板不同動作水平的方法可能有助于預(yù)防交通事故,這是先進駕駛輔助系統(tǒng)的功能[42].駕駛員在踏板上的駕駛行為可以看作是駕駛員加/減速意圖的表現(xiàn).快速、準確地檢測踏板上的駕駛動作強度,對預(yù)防道路交通事故和管理能源消耗具有重要意義.Cheng 等[43]研究的基于TENG 的駕駛員踏板動作強度數(shù)據(jù)驅(qū)動檢測方法,使用了一種基于壓敏自供電材料的TENG.與踏板動作相關(guān)的TENG 產(chǎn)生的電壓數(shù)據(jù)可以很容易地收集并順序存儲.根據(jù)電壓數(shù)據(jù)的特點,他們采用了混合機器學習方法.在同時采集到駕駛模擬器信號后,采用無監(jiān)督高斯混合模型對踏板事件進行自動聚類.然后,提取TENG 電壓數(shù)據(jù)的多特征候選項并進行排序.訓練和測試了一個以TENG的電壓數(shù)據(jù)為輸入數(shù)據(jù)的監(jiān)督RF 模型.結(jié)果表明,使用RF 算法可以獲得90%以上的準確率.評價結(jié)果表明,所提出的數(shù)據(jù)驅(qū)動混合學習算法對駕駛員踏板動作強度的識別具有很高的準確率.此外,還對TENG 傳感器和一些常用傳感器的技術(shù)經(jīng)濟特性進行了比較和討論,證明了數(shù)據(jù)驅(qū)動方法來檢測駕駛員踏板動作強度的可行性.車速在交通事故中起著重要的作用,車速的監(jiān)測必不可少.Ma 等[44]研究的通過分子表面工程和數(shù)據(jù)驅(qū)動學習優(yōu)化性能的殼聚糖生物聚合物衍生TENG 傳感器.用分子表面工程顯著提高了基于殼聚糖的TENG 的性能,從而實現(xiàn)潛在的實際應(yīng)用,并應(yīng)用數(shù)據(jù)挖掘方法來分析和學習所獲取的摩擦電信號與車速等級(即低、中或高)之間的關(guān)系,進而預(yù)測摩擦電信號與車速值之間的關(guān)系.選擇使用機器學習領(lǐng)域中廣泛采用的4 種分類方法來構(gòu)建模型:1)決策樹模型;2)線性判別分析(LDA);3)k近鄰;4) SVM.基于相應(yīng)的混淆矩陣、接收者操作特征曲線圖 (receiver operating characteristic curve,ROC)的結(jié)果,評估每個模型的有效性,最終得出具有線性核的SVM 優(yōu)于其他模型.SVM[45]是一類按監(jiān)督學習方式對數(shù)據(jù)進行二元分類的廣義線性分類器,其決策邊界是對學習樣本求解的最大邊距超平面[27].SVM 使用鉸鏈損失函數(shù)計算經(jīng)驗風險并在求解系統(tǒng)中加入了正則化項以優(yōu)化結(jié)構(gòu)風險,是一個具有稀疏性和穩(wěn)健型的分類器.SVM 可以通過核方法進行非線性分類,是常見的核方法學習之一.SVM 在1964 年被提出,在二十世紀90 年代后得到快速發(fā)展并衍生出一系列改進和擴展算法,在人像識別、文本分類等模式識別問題中得到應(yīng)用.這里展示的基于殼聚糖的TENG 與SVM算法結(jié)合擁有不錯的識別性能,顯示了自供電設(shè)備的巨大潛力,并為利用豐富的生物衍生材料制造經(jīng)濟可行和生態(tài)友好的能源、電子和傳感器應(yīng)用中的功能設(shè)備的新技術(shù)打開了大門.TENG 作為一種優(yōu)良的自供電傳感器,與機器學習結(jié)合,在交通領(lǐng)域具有重大的潛在價值[43].

圖7 實驗平臺和TENGs 的插圖 (a)實驗平臺;(b)放置在方向盤上的兩個TENGs,尺寸為25 cm×2 cm×0.1 cm;(c) 反應(yīng)時間示意圖;(d) RF 分類器給出的分類結(jié)果的混淆矩陣[40]Fig.7.Illustrations of experimental platform and TENGs:(a) Experimental platform;(b) two TENGs placed on steering wheel with a size of 25 cm×2 cm×0.1 cm.(c) Schematic diagram of reaction time;(d) confusion matrices of the classification result given by RF classifier[40].

4.2 環(huán)境監(jiān)測

自然環(huán)境是人類賴以生存的根源,是人類的生存之地,環(huán)境的好壞直接影響到我們自身的健康,而且對子孫后代也會產(chǎn)生長遠的影響,所以保護環(huán)境就是保護我們的社會.智能傳感器作為環(huán)境監(jiān)測儀器之一,其作用不言而喻.它能夠有效監(jiān)測我們的生活環(huán)境,并對于即將或可能發(fā)生的環(huán)境污染問題及時做出預(yù)警及措施,保證環(huán)境的可持續(xù)發(fā)展.管道被認為是最安全、最經(jīng)濟的液體運輸方式,特別是對危險和易燃液體.液體泄漏是管道系統(tǒng)不可避免的問題,它是由管道基礎(chǔ)設(shè)施的磨損和腐蝕、自然災(zāi)害或人為破壞等因素造成的.液體泄漏的監(jiān)測和檢測是許多企業(yè)和政府的首要任務(wù).這是由于每年的液體泄漏不僅造成巨大的經(jīng)濟損失,而且危險的化學液體和核液體的泄漏對人體安全、環(huán)境和儀器都有極大的危害.Zhang 等[46]研究設(shè)計的基于大數(shù)據(jù)和機器學習技術(shù)的智能檢測識別系統(tǒng),因為固體和液體接觸后存在電子轉(zhuǎn)移[13],利用單電極液固TENG 的短路輸出電流穩(wěn)定性和智能檢測識別系統(tǒng)的魯棒性,成功地檢測出了漏液,并對不同的液體進行了分類.圖8 所示為檢測識別系統(tǒng)的結(jié)構(gòu)圖,TENG 的制備選取p 型硅片作為摩擦電層,性價比高,環(huán)境抗干擾能力強.將p 型硅片切成2.6 cm×2.6 cm,用超聲波依次在乙醇和去離子水浴中清洗.然后,在硅的未拋光面上附著一層相同尺寸的導電銅帶(厚度0.01 cm)作為電極.制備質(zhì)量濃度為99.7%,60%,40%,20%的自來水、乙醇和質(zhì)量濃度均為15%的氯化鈉液體和氫氧化鈉液體,作為試驗液體.當液體不斷下落時,會產(chǎn)生一個連續(xù)的、周期性的電脈沖,不同種類的液體產(chǎn)生的脈沖信號特征不同.TENG 傳感器檢測到液體泄漏,得到大量電信號數(shù)據(jù),以規(guī)則的時間間隔分割當前信號數(shù)據(jù),并建立樣本數(shù)據(jù).由于采樣頻率在50 Hz 以上,造成數(shù)據(jù)樣本的維度非常高,由于SVM 對于高維度數(shù)據(jù)的處理效果相對較好,所以該系統(tǒng)采用SVM 進行數(shù)據(jù)分類和處理.系統(tǒng)首先采用主成分分析法提取主要特征信息,降低數(shù)據(jù)維數(shù),接著將采集到的數(shù)據(jù)以20 個固定時間間隔劃分,得到120 個數(shù)據(jù)樣本并將樣本歸一化至[0,1]范圍,將其中60 個樣本作為訓練集,另外60 個樣本作為測試集,然后使用SVM 分類器對數(shù)據(jù)進行預(yù)測分類,每種液體的分類準確率幾乎達到90%以上.與傳統(tǒng)的泄漏檢測傳感器相比,基于液固TENG 的自供電傳感器不需要復雜的分布式能源供應(yīng)系統(tǒng),在液體泄漏檢測方面表現(xiàn)出良好的性能,有利于擴大液體泄漏檢測的實際應(yīng)用范圍.最重要的是TENG 與大數(shù)據(jù)和機器學習技術(shù)的成功結(jié)合,為未來探索TENG 與大數(shù)據(jù)和機器學習相結(jié)合的潛在應(yīng)用奠定了基礎(chǔ).在環(huán)境監(jiān)測中,關(guān)于水系統(tǒng)中懸浮沉積物的持續(xù)信息在工業(yè)和水文研究的各個領(lǐng)域中是至關(guān)重要的.

圖8 基于大數(shù)據(jù)和機器學習技術(shù)的智能檢測識別系統(tǒng)[46]Fig.8.Intelligent detection and recognition system based on big data and machine learning technology[46].

由于懸沙流量的高度變化,開發(fā)簡單、可靠、實時的泥沙監(jiān)測新技術(shù)仍然是一個挑戰(zhàn).Yang 等[47]報告了一種實現(xiàn)泥沙實時監(jiān)測的潛在方法,即用深度學習方法實時監(jiān)測沉積物的載粒子液滴驅(qū)動摩擦電納米發(fā)電機(pldd-TENG).pldd-TENG 在單電極模式下工作,使用PTFE 薄膜的摩擦電層.pldd-TENG 的工作機理被證明是由液體-聚四氟乙烯CE和砂粒-電極靜電感應(yīng)引起的.然后,對不同顆粒參數(shù)下的性能進行了研究,結(jié)果表明,pldd-TENG 的輸出信號對砂粒粒徑和質(zhì)量分數(shù)非常敏感.圖9 所示為測試裝置示意圖,識別算法采用基于CNN 的深度學習方法,CNN 是前饋神經(jīng)網(wǎng)絡(luò),受視覺神經(jīng)科學中簡單細胞和復雜細胞經(jīng)典概念的啟發(fā),CNN 將神經(jīng)網(wǎng)絡(luò)與離散卷積相結(jié)合進行圖像處理,可以直接接受圖像作為網(wǎng)絡(luò)的輸入,避免了傳統(tǒng)圖像識別算法中進行的特征提取和數(shù)據(jù)重建的復雜過程.1980 年,Fukushima[48]提出了一種用于視覺模式識別的神經(jīng)網(wǎng)絡(luò)模型,即CNN的前身——新神經(jīng)元.此后,盡管科學家們試圖利用許多方法來訓練多層網(wǎng)絡(luò),但隨著網(wǎng)絡(luò)深度的增加,由于缺乏計算資源,CNN 的性能受到限制.2006 年后,高效圖形處理單元成為通用計算設(shè)備并促進了CNN 的進一步發(fā)展.在CNN 中,通常兩個相鄰層中的神經(jīng)元是完全連接的,而同一層中的神經(jīng)元不是,CNN 的每一層都接受上面一層的輸出作為輸入.三種類型的層用于構(gòu)建輸入和輸出之間的CNN 架構(gòu):卷積層、池化層和全連接層.卷積層用于提取輸入數(shù)據(jù)的特征并降低噪聲.池化層對輸入數(shù)據(jù)進行二次采樣,并將輸入數(shù)據(jù)劃分為小區(qū)域,以便對每個區(qū)域應(yīng)用函數(shù),例如平均函數(shù)或最大函數(shù)[29].根據(jù)輸出信號對粒子參數(shù)進行識別,該方法在大多數(shù)情況下識別精度均達到90%以上,為pldd-TENG 在泥沙實時監(jiān)測中的應(yīng)用提供了依據(jù),在保護環(huán)境和水利監(jiān)測方面具有潛在的價值.

圖9 實時沉積物監(jiān)測的實驗裝置和工作機理圖 (a) 測試裝置示意圖;(b)去離子水滴和質(zhì)量分數(shù)為1.00%的含顆粒水滴(顆粒直徑117.33 μm) 產(chǎn)生的典型輸出短路電流,插圖顯示了使用高速攝像機捕捉到的液滴的動態(tài)運動;(c)水與PTFE 接觸通電產(chǎn)生主要電流峰的機理;(d)預(yù)帶電砂粒與銅電極間靜電感應(yīng)產(chǎn)生小電流峰的機理[47]Fig.9.Diagram of the experimental setup and working mechanism for real-time sediment monitoring:(a) Schematic diagram of the testing setup.(b) Typical output short-circuit current generated by DI water droplets and particle-laden droplets (particle diameter:117.33 μm) with a mass fraction of 1.00%.The inset figures show the dynamic motions of the droplets captured using a high-speed camera.(c) Mechanism of the major current peaks induced by the contact electrification between water and PTFE.(d) Mechanism of the minor current peaks induced by the electrostatic induction between the precharged sand particles and the Cu electrode[47].

4.3 信息安全

隨著信息技術(shù)日新月異的發(fā)展,信息網(wǎng)絡(luò)覆蓋面也越來越大,網(wǎng)絡(luò)的利用率穩(wěn)步提高.然而信息化技術(shù)給我們帶來便利的同時,各種信息安全問題也逐漸暴露出來.現(xiàn)代社會對計算機和計算機網(wǎng)絡(luò)的依賴度很高,信息安全問題對個人、公司和國家已經(jīng)變得非常突出.信息安全是個人的保障,是個人隱私的保障,也是國家安全的保障,其安全至關(guān)重要,一旦出現(xiàn)安全問題,將會造成嚴重的后果.如今,普通的基于密碼和令牌的身份驗證系統(tǒng)缺點越來越明顯,普通的個人識別信息(如密碼)都可以很容易被竊取.Shao 等[49]提供了一種通過手指與氟化乙烯丙烯(FEP)接觸摩擦的TENG 來獲取用戶的擊鍵特征,并使用DBN 進行特征識別的技術(shù).DBN 由Hinton 等[31]在2006 年提出.它是一種生成模型,由多個受限玻爾茲曼機(restricted Boltzmann machine,RBM)層組成.受限玻爾茲曼機只有兩層神經(jīng)元,一層叫做顯層,由顯元組成,用于輸入訓練數(shù)據(jù).另一層叫做隱層,相應(yīng)地,由隱元組成,用作特征檢測器.RBM 的訓練過程,實際上是求出一個最能產(chǎn)生訓練樣本的概率分布.也就是說,要求一個分布,在這個分布里,訓練樣本的概率最大.由于這個分布的決定性因素在于權(quán)值w,所以訓練RBM 的目標就是尋找最佳的權(quán)值.通過訓練其神經(jīng)元間的權(quán)重,可以讓整個神經(jīng)網(wǎng)絡(luò)按照最大概率來生成訓練數(shù)據(jù).這樣不僅可以使用DBN 識別特征、分類數(shù)據(jù),還可以用它來生成數(shù)據(jù).該文提出一種新穎、簡單的基于按鍵動力學的識別方法.使用集成DBN 功能的智能鍵盤對用戶的擊鍵特征進行提取和模式識別.智能鍵盤關(guān)鍵功能元件(KFE) 由垂直堆疊的透明薄膜材料組成.一層聚對苯二甲酸乙二醇酯(PET)位于底部和頂部電極的兩層氧化銦錫(ITO)之間.然后,在ITO表面涂上一層氟化乙烯丙烯(FEP) 作為帶電層,在與人的手指接觸時產(chǎn)生摩擦電荷.圖10所示為智能鍵盤IKB 的基本工作原理,利用的是接觸帶電和靜電感應(yīng)之間的耦合,而不是傳統(tǒng)的機械開關(guān).當人的手指與FEP 接觸時,在接觸界面發(fā)生電荷轉(zhuǎn)移.一旦擊鍵開始,帶正電的人手指靠近鍵盤,頂部電極上感應(yīng)的正電荷被排出,導致自由電子流從底部電極流向頂部電極,直到手指和按鍵接觸.當手指分開時,自由電子從頂部電極向底部電極回流.該方法從TENG 獲取電信號(電壓和電流),然后逐層提取用戶的個人特征,包括擊鍵方式、節(jié)奏、打字習慣、手指大小、個體生物電、打字力度.并且采用softmax 分類器從提取的特征中自動劃分模板類型.這種方法使得用戶認證系統(tǒng)的識別特征變得更豐富,并且需要更少的人力.該方法對104 個特征樣本進行分析和學習,通過調(diào)整輸入層的維度、DBN 層的數(shù)量以及類型模板的數(shù)量使識別率達到了較好的效果.結(jié)果表明,相比于傳統(tǒng)的特征認證系統(tǒng),該方法的輸入穩(wěn)定性和識別準確性都更為顯著[50].

圖10 智能鍵盤的工作原理 (a)當用戶開始擊鍵,帶正電的手指接近導致自由電子從底部ITO 電極流到頂部電極;(b)手指抬起并發(fā)生分離時,會產(chǎn)生反方向從頂部電極流向底部電極的電流[50]Fig.10.Operating principle of the intelligent keyboard:(a)When a keystroke is initiated,the approach of positively charged human finger results in free electrons flowing from bottom ITO electron to top electrode;(b) when the finger is up and a separation occurs,it produces another current in the external circuit flowing from the top electrode to bottom electrode[50].

此外,筆跡簽名也是最重要的個人行為生物特征之一,在廣泛的生物特征中占有非常特殊的地位.筆跡簽名被廣泛應(yīng)用于各種民用應(yīng)用中,用于身份驗證,增強安全性和私密性,圖11 所示為TENG 在手寫識別中的應(yīng)用.Zhang 等[51]研究開發(fā)了一種基于TENG 的具有微納米結(jié)構(gòu)紋理的智能手寫板,用于感知不同人的全面筆跡信息.基于新鮮采摘的聚己內(nèi)酯(BPO)葉狀和圓柱形微結(jié)構(gòu)的TENG 作為一種智能自動力手寫板,TENG 制備過程是在生物傳感聚二甲基硅氧烷(PDMS)背面粘貼一層導電銅帶作為底電極.然后將PDMS附著在聚甲基丙烯酸甲酯(PMMA)上作為底部的摩擦電部分.在PMMA 上附著一層薄銅膜,銅膜起著摩擦電層和上電極的雙重作用.用4 個低k彈簧連接了摩擦電層的上下部,并制作了支架,上半部分與下半部分的間距為0.6 cm.數(shù)據(jù)來源為三個人的英文單詞、中文字符和阿拉伯數(shù)字的手寫信號由葉片啟發(fā)的TENG 獲取,另外三個人的英文句子和對應(yīng)的中文句子的手寫信號由基于圓柱形微結(jié)構(gòu)PDMS 的TENG 獲取.這些信號表現(xiàn)出獨特的特征,采用先進的信號和數(shù)據(jù)處理方法提取關(guān)鍵特征信息,降低數(shù)據(jù)維數(shù),結(jié)合SVM 多分類器對手寫簽名進行識別,成功識別了人的筆跡.英語單詞、阿拉伯數(shù)字、漢字、英語句子和對應(yīng)漢語句子的分類準確率分別達到99.66%,93.63%,91.36%,99.05%和97.73%.這一結(jié)果有力地表明,這種具有紋理的TENG 在個人筆跡簽名識別、安全防御和私人信息保護應(yīng)用方面具有巨大的潛力.

圖11 TENG 在手寫識別中的應(yīng)用 (a) TENG 錄制手寫簽名的過程;(b)結(jié)合TENG和機器學習方法進行手寫簽名識別;(c) 由三人書寫英文、中文和阿拉伯數(shù)字的分類精度[51]Fig.11.Application of TENG in handwriting recognition:(a) Process of TENG recording handwritten signatures;(b) combining TENG and machine learning methods for handwriting signature recognition;(c) classification accuracy of English,Chinese and Arabic numerals written by three persons[51].

信息數(shù)字化進行存檔是一門需要重視的信息技術(shù),Tcho 等[52]基于TENG 研究了一種自供電字符識別裝置,是一種將紙質(zhì)數(shù)據(jù)轉(zhuǎn)換為數(shù)字化信息以便進行永久歸檔的技術(shù).字符識別分為兩個步驟:首先將紙質(zhì)文本上的字符轉(zhuǎn)換為數(shù)字圖像(掃描),然后將掃描的圖像識別為字符(識別).在掃描階段通常使用光學掃描儀和照相機.但是,由這種傳統(tǒng)的光學處理手段所產(chǎn)生的噪聲和失真會降低識別率.Tcho 等使用TENG 進行掃描處理.以下稱之為帶字符識別功能的TENG (CR-TENG).CR-TENG 是一種帶有64 個鋁制單元格結(jié)構(gòu)的單電極TENG,利用鋁和油墨接觸摩擦所產(chǎn)生的電壓強度高于鋁和紙張接觸摩擦所產(chǎn)生的電壓這個特點,將紙張上的油墨圖案掃描成64 像素的數(shù)字圖像,如圖12 所示.然后將掃描后的圖像輸入深度神經(jīng)網(wǎng)絡(luò),并通過預(yù)先訓練的深度神經(jīng)網(wǎng)絡(luò)將圖像識別為數(shù)字.神經(jīng)網(wǎng)絡(luò),在機器學習和認知科學領(lǐng)域,是一種模仿生物神經(jīng)網(wǎng)絡(luò)(動物的中樞神經(jīng)系統(tǒng),特別是大腦)的結(jié)構(gòu)和功能的數(shù)學模型或計算模型,用于對函數(shù)進行估計或近似[28].神經(jīng)網(wǎng)絡(luò)由大量的人工神經(jīng)元聯(lián)結(jié)進行計算.大多數(shù)情況下神經(jīng)網(wǎng)絡(luò)能在外界信息的基礎(chǔ)上改變內(nèi)部結(jié)構(gòu),是一種自適應(yīng)系統(tǒng),通俗地講就是具備學習功能.現(xiàn)代神經(jīng)網(wǎng)絡(luò)是一種非線性統(tǒng)計性數(shù)據(jù)建模工具,神經(jīng)網(wǎng)絡(luò)通常是通過一個基于數(shù)學統(tǒng)計學類型的學習方法得以優(yōu)化,所以也是數(shù)學統(tǒng)計學方法的一種實際應(yīng)用,通過統(tǒng)計學的標準數(shù)學方法能夠得到大量的可以用函數(shù)來表達的局部結(jié)構(gòu)空間,另一方面在人工智能學的人工感知領(lǐng)域,通過數(shù)學統(tǒng)計學的應(yīng)用可以來做人工感知方面的決定問題(也就是說通過統(tǒng)計學的方法,神經(jīng)網(wǎng)絡(luò)能夠類似人一樣具有簡單的決定能力和簡單的判斷能力),這種方法比起正式的邏輯學推理演算更具有優(yōu)勢.Tcho 等所使用的神經(jīng)網(wǎng)絡(luò)為3 層結(jié)構(gòu)(784 個神經(jīng)元),即第一隱藏層(400 個神經(jīng)元),第二隱藏層(200 個神經(jīng)元)和輸出層(10 個神經(jīng)元).輸出層的10 個神經(jīng)元表示0—9 十個數(shù)字.有3 個權(quán)重矩陣,其中第一個矩陣在輸入層和第一隱藏層之間,第二個矩陣位于第一隱藏層和第二隱藏層之間,第三個矩陣位于第二個隱藏層和輸出層之間.訓練過程包括遞進計算和反向傳播,并更新權(quán)重矩陣,在mnist 數(shù)據(jù)庫中的識別率達到97.5%.CR-TENG 的優(yōu)勢在于掃描方法不需要光,解決了傳統(tǒng)光學方法的缺點,而且僅用鋁制材料,不需要額外的電能就可以運行,通過優(yōu)化掃描過程和識別過程,這種新的基于CR-TENG 的字符識別系統(tǒng)實現(xiàn)了很高的識別率,在信息數(shù)字化存儲領(lǐng)域顯示出很大的潛力.

圖12 CR-TENG 的工作原理圖 (a) 基于CR-TENG 的掃描過程:i) CR-TENG和紙張之間的接觸和分離;ii)比較每個單元格的輸出電壓(vmax)和 vT;iii)將紙上圖案轉(zhuǎn)換后的數(shù)字圖像.在 vmax值大于 vT 的單元格中,確定接觸的紙張為已進行墨水打印的紙,而在 vmax值小于 vT 的接觸紙張被確定為裸紙.(b)根據(jù)r 掃描圖像的清晰度[52]Fig.12.Working schematic of CR-TENG:(a) The scanning process based on the CR-TENG.i) Contact and separation between the CR-TENG and paper;ii) Comparison of the output voltage (vmax) and vT in each cell;iii) Converted digital image of the pattern on paper.In cells with a vmaxvalues larger than vT,the paper in contact was determined to be ink-printed paper,while in cells with a vmaxvalues smaller than vt,the paper in contact was determined to be bare paper.(b) Legibility of the scanned image according to r[52].

4.4 人機交互

人機交互是一門研究系統(tǒng)與用戶之間的交互關(guān)系的學問,系統(tǒng)可以是各種各樣的機器,也可以是計算機化的系統(tǒng)和軟件.人機交互界面(humanmachine interface,HMI)通常是指用戶可見的部分.用戶通過人機交互界面與系統(tǒng)交流,并進行操作.人機交互具有悠久的發(fā)展歷史,是現(xiàn)代物聯(lián)網(wǎng)中不可或缺的一部分.然而,傳統(tǒng)的人機交互方式受到諸如電源要求和結(jié)構(gòu)復雜性的限制.作為一個解決方案,基于TENG 的人機交互方式被認為是一個有效選擇.未來,人工智能(artificial intelligence,AI)技術(shù)與物聯(lián)網(wǎng)技術(shù)的結(jié)合將帶來一個基于智能物聯(lián)網(wǎng)(artificial intelligence internet of things,AIoT)的生活、工作和制造環(huán)境.為了實現(xiàn)對AIoT 系統(tǒng)的控制,需要部署大量傳感器實現(xiàn)實時感官信息收集,并且完善對數(shù)據(jù)的管理和分析.由此發(fā)展出了利用傳感器信息在虛擬世界中控制物理世界的高級人機交互技術(shù),即數(shù)字孿生技術(shù).但是,如何設(shè)計出一個高效智能的傳感器系統(tǒng)仍然是一個挑戰(zhàn).Jin 等[53]研究了一種基于TENG 傳感器的智能軟機器人抓手系統(tǒng) 用于捕捉軟抓手的連續(xù)運動和觸覺信息,圖13 為TENG 傳感器及其基本結(jié)構(gòu).觸覺傳感器采用特殊的分布電極,可以感知外界刺激的接觸位置和接觸面積.帶可伸縮條的齒輪式長度傳感器可通過每顆牙齒的順序接觸連續(xù)檢測延伸率.利用SVM 對軟抓手操作過程中采集到的摩擦電感知信息進行進一步訓練,識別出不同的目標,準確率達到98.1%.此項工作針對虛擬裝配線和無人倉庫的應(yīng)用,成功地創(chuàng)建了數(shù)字孿生應(yīng)用程序,并展示了根據(jù)軟機器人抓手系統(tǒng)的實時操作在虛擬環(huán)境中識別對象和復制機器人操作的過程.這種基于TENG傳感器的軟機器人手爪在抓取機器人、機械臂、仿人手等其他機器人中也有很好的應(yīng)用前景,并為實現(xiàn)更有效、無縫的人機交互奠定了基礎(chǔ).

圖13 用于軟夾具及其數(shù)字孿生應(yīng)用的低成本TENG 的結(jié)構(gòu)圖 (a) TENG 傳感器及其基本結(jié)構(gòu).(i)長度TENG (l-TENG)傳感器;(ii) 觸覺TENG (t-TENG)傳感器.(b)集成TENG 傳感器的機械爪;(c)智能感官數(shù)據(jù)處理.E1— E4,EL表示t-TENG 傳感器的電極;(d) AIoT 傳感系統(tǒng)的數(shù)字孿生應(yīng)用[53]Fig.13.Construction drawing of the low-cost TENG for soft gripper and its digital twin applications:(a) As-fabricated TENG sensors and their basic structures.(i) Length TENG (L-TENG) sensor.(ii) Tactile TENG (T-TENG) sensor.(b) Soft gripper integrated with TENG sensors.(c) Intelligent sensory data processing strategies.E1 — E4,and EL represent the electrodes in the TTENG sensor.(d) Digital twin applications based on AIoT sensory system[53].

觸覺作為人類與外界環(huán)境交互的重要手段之一,在虛擬現(xiàn)實和增強現(xiàn)實系統(tǒng)中扮演著重要的角色.Shi 等[54]提出了一種基于TENG和球型電極陣列形成的電觸覺界面的自供電、無痛、高靈敏度的虛擬觸覺系統(tǒng),用于實現(xiàn)增強的虛擬觸覺體驗.通過控制電極與人體皮膚之間的分離距離,該虛擬觸覺系統(tǒng)可以精確調(diào)節(jié)皮膚上的感應(yīng)電流,實現(xiàn)高度敏感但無痛的虛擬觸覺體驗.在這個皮膚集成的電觸覺界面中,TENG表面的觸摸位置和運動軌跡可以精確地復制到皮膚上.這項工作是自供電虛擬觸覺刺激系統(tǒng)的首次演示,展示了解決傳統(tǒng)VR/AR技術(shù)的可持續(xù)性問題和電線限制的不同方法.這種基于TENG 的電觸覺系統(tǒng)可以應(yīng)用于許多領(lǐng)域,包括虛擬觸覺顯示、盲文指令、智能防護服,甚至神經(jīng)刺激.Hou 等[55]研究了一種新穎的、自供電的三角并行人機界面(DT-HMI),用于三維傳感和控制,圖14 為DT-HMI 的示意圖.此研究利用擁有三對基于接觸分離和摩擦電效應(yīng)滑動模式的傳感齒輪的TENG 進行驅(qū)動,根據(jù)并聯(lián)機器人的正逆運動學,可以計算出平臺的空間位置和運動姿態(tài).六電極的三對TENG 感應(yīng)齒輪定義了512 個虛擬感應(yīng)像素,并利用成本低、設(shè)計簡單的DT-HMI 控制器進行遠程控制甚至空間位置映射.輸出信號的組合能夠?qū)崿F(xiàn)一個高度可伸縮的、自供電的摩擦電子界面,用于多種應(yīng)用場景,包括二維和三維(2/3D)控制、VR/AR、交互、機器人等.

圖14 DT-HMI 的示意圖.主要功能單元有 (a) 基于齒輪旋轉(zhuǎn)及其輸出信號的DT-HMI 的TENG;(b)在正向旋轉(zhuǎn)和反向旋轉(zhuǎn)的過程中,布置在齒輪(TENG 感應(yīng)齒輪)兩側(cè)的TENG 輸出不同的信號;(c)布置在移動平臺中間圓柱上的模式開關(guān)傳感器和觸發(fā)識別傳感器[55]Fig.14.Schematics of the DT-HMI for diversified applications.The major functional units:(a) TENGs of the DT-HMI based on gear rotation and its output signals;(b) TENGs arranged on both sides of the gear (TENG sensing gears) output different signals during forward rotation and reverse rotation;(c) Two triboelectric sensors arranged on the middle cylindrical of the mobile platform are the mode switch sensor and trigger discriminating sensor[55].

4.5 健康和運動監(jiān)測

隨著物聯(lián)網(wǎng)和大數(shù)據(jù)在過去幾十年的快速發(fā)展,使家庭自動化、醫(yī)療保健、安全、環(huán)境監(jiān)控和信息通信等領(lǐng)域發(fā)生了革命性的變化.體育競技也受到了技術(shù)進步的極大影響,快速進入了數(shù)字化時代.大數(shù)據(jù)服務(wù),包括鍛煉表現(xiàn)、健康數(shù)據(jù)、訓練統(tǒng)計和分析,可以有效地幫助運動員進行日常訓練和制定比賽策略,成為贏得比賽不可或缺的手段.基于TENG 的自供電傳感器作為可穿戴傳感器,可以有效地從身體運動中獲得運動信號,可用于運動員的訓練和比賽、身體康復和個人健身[56-58].基于TENG 的自供電傳感器已被用于比賽場地傳感器,以收集訓練和比賽數(shù)據(jù)[59].智能運動由于個人健身會需要非常大量的傳感器節(jié)點,典型的肢體運動傳感器總功耗為450 mW,連續(xù)工作時間為3.5 h[60],基于傳統(tǒng)傳感器的智能運動存在很大的功耗問題.然而TENG 傳感器不僅為功耗問題提供了很好的解決方案,而且可以為AI 算法提供多維數(shù)據(jù).最近,Luo 等[61]設(shè)計了一種柔性木質(zhì)摩擦納米發(fā)電機(W-TENG)作為自供電壓力傳感器,用于制作訓練和運動數(shù)據(jù)分析系統(tǒng)的智能乒乓球桌.如圖15 所示,W-TENG 可以收集乒乓球的落點、速度等數(shù)據(jù)信息,對這些數(shù)據(jù)的大數(shù)據(jù)分析可以幫助指導運動員進行訓練,并制定更好的競爭策略.這些數(shù)據(jù)可以收集并分析每個運動員的運動特征,根據(jù)這些特征數(shù)據(jù)設(shè)計智能機器人,以幫助運動員訓練.總的來說,這種智能乒乓球監(jiān)測系統(tǒng)可以實現(xiàn)以下幾個優(yōu)點:第一,W-TENG 陣列是木質(zhì)的,安裝在桌面上,不會影響乒乓球桌的功能;第二,準確識別乒乓球的落點,通過統(tǒng)計落點分布數(shù)據(jù),對傳感器數(shù)據(jù)進行大數(shù)據(jù)分析;第三,分析結(jié)果可以指導運動員的訓練,有助于識別運動員的運動風格;最后,它可以通過比賽中有爭議的邊緣球的數(shù)據(jù)為裁判提供判斷依據(jù).這種自供電傳感器也可以應(yīng)用于其他球類運動場景.如 W-TENG可以用于排球或籃球,幫助確定球是否出界.與傳統(tǒng)的基于攝像機的運動分析系統(tǒng)相比,基于WTENG 的運動監(jiān)控系統(tǒng)可以提高傳感精度,消除人為因素的干擾,在體育比賽中的低成本和高準確性的自供電實時裁判方面具有潛在應(yīng)用[62].

圖15 W-TENG 在智能運動中的應(yīng)用 (a) 基于W-TENG 的智能乒乓球臺的結(jié)構(gòu);(b) 基于W-TENG 的自供電跌落點分布統(tǒng)計系統(tǒng)的操作流程;(c)自供電跌落點分布統(tǒng)計系統(tǒng);(d)不同球速下的傳感器輸出電壓;(e) W-TENG 傳感器陣列分析乒乓球運動軌跡和落點的原理[61]Fig.15.Application of the W-TENG in intelligent sports:(a) Structure of intelligent ping-pong table based on W-TENG;(b) operation procedure of statistical system of self-powered drop point distribution based on W-TENG;(c) self-powered drop point distribution statistical system;(d) sensor output voltage at different ball velocity;(e) principle of W-TENG sensor array to analyze the trajectories and drop points of table tennis[61].

隨著物聯(lián)網(wǎng)技術(shù)的快速發(fā)展,虛擬空間對真實運動比賽的還原模擬技術(shù)逐漸顯示出了巨大的應(yīng)用潛力.Wen 等[57]提出了一種自供電導電超疏水摩擦電織物的機器學習手套,使用超疏水摩擦電織物制作的手套可以避免濕度和汗水對摩擦電輸出的影響,通過傳感器收集運動員的運動數(shù)據(jù),如運動員的投球姿勢,來模擬真實的比賽.如圖16 所示,該工作首先通過安裝有TENG 傳感器的手套收集手勢數(shù)據(jù)并輸出信號,然后采用CNN 分析這些信號,最后得到投球的手勢.目前用于包括掌球、曲球和指關(guān)節(jié)球等運動的手勢識別.經(jīng)過訓練的CNN 可以獲得高達99.167%的識別準確率.這項工作結(jié)合了多種摩擦電紡織品傳感器和適當?shù)臋C器學習技術(shù),用極簡設(shè)計的手套在真實和虛擬空間中實現(xiàn)復雜的手勢識別,具有很大的應(yīng)用潛力.Syu 等[63]研究的基于仿生多孔納米纖維的混合傳感器,用于通過深度學習方法進行壓力感知和人體姿態(tài)識別.通過將銅仿生聚二甲基硅氧烷TENG傳感器混合,產(chǎn)生了一種仿生柔性混合自驅(qū)動傳感器(BHSS),具有壓電和摩擦電結(jié)合的獨特優(yōu)點,能夠有效地收集人體運動中的微小生物力學能量.通過將BHSS粘附在手套上作為智能手套,與機器學習技術(shù)結(jié)合應(yīng)用于手勢識別領(lǐng)域,有效地識別了5 種人體手勢動作.數(shù)據(jù)來源于佩戴在身體上的BHSS 傳感器獲得的電流信號,考慮到采集到的電流信號屬于時間序列,所以該項目使用LSTM進行分類識別.LSTM 是一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的深度學習方法[30].與標準前饋神經(jīng)網(wǎng)絡(luò)不同,LSTM 具有反饋連接.它不僅可以處理單個數(shù)據(jù)點(如圖像),而且可以處理整個數(shù)據(jù)序列(如語音或視頻).例如,LSTM 適用于諸如連續(xù)不斷的手寫識別、語音識別和網(wǎng)絡(luò)流量或入侵檢測系統(tǒng)中的異常檢測之類的任務(wù).并且訓練LSTM 網(wǎng)絡(luò)來識別佩戴者的活動,具有非常不錯的識別性能.可穿戴的BHSS 傳感器,擁有很好的穩(wěn)定性和持久性,可以應(yīng)用于健康運動恢復,在人體姿態(tài)識別、醫(yī)療仿生穿戴、虛擬/增強現(xiàn)實方面擁有不錯的研究價值.

圖16 用機器學習演示棒球比賽場景 (a)手勢識別和控制流程圖;(b) CNN 模型的結(jié)構(gòu);(c) 手勢的信號模式;(d)投球3 種常見手勢的混淆矩陣;(e) 3 個手勢的照片(左),以及在Unity 中使用手勢實現(xiàn)VR 控制的對應(yīng)截圖(右)[57]Fig.16.Demonstration of baseball game scenario with machine learning:(a) Flow chart for gesture recognition and control;(b)structure of CNN model;(c) signal patterns of 3 gestures;(d) confusion matrix for 3 common gestures of pitching ball;(e) photographs of 3 gestures (left),and corresponding screenshot of using gestures to achieve VR control in Unity (right)[57].

足部活動是人體運動動能的主要來源之一.Zhang 等[56]研究了基于TENG 的智能襪.該智能襪可以進行步態(tài)分析并應(yīng)用于虛擬現(xiàn)實場景,如圖17所示.智能襪傳感器包含4 個功能層,包括腈薄膜、具有圖案化平截頭體結(jié)構(gòu)的硅橡膠膜,以及附著在兩個前述接觸帶電層背面用于電荷收集的兩個導電織物.此外,兩個非導電織物層用于在外表面上密封該裝置.壓力刺激會基于TENG 傳感器的工作機制,通過接觸分離模式感應(yīng)電荷,并進一步在外部電路中流動,將機械能轉(zhuǎn)化為電能.該工作的特點是從低頻身體運動中收集廢棄能量,通過無線傳感器傳輸并分析體態(tài)數(shù)據(jù).裝有自供電功能的襪子還可以用作可穿戴傳感器,以傳遞關(guān)于用戶身份、健康狀況和活動的信息.并且該工作提出了一種基于socks 信號端到端結(jié)構(gòu)的優(yōu)化深度學習模型用于步態(tài)分析,模型體系結(jié)構(gòu)包括4 個卷積層、4 個最大池層和一個輸出5 個參與者的預(yù)測標識的全連接層.該模型經(jīng)過訓練,對13 個參與者的識別準確率為 93.54%,對5 種不同的人類活動的檢測準確率為96.67%.在實際應(yīng)用中,通過襪子收集的物理信號映射到虛擬空間,以建立一個用于運動監(jiān)控、醫(yī)療保健、身份識別和未來智能家居應(yīng)用的數(shù)字人體系統(tǒng).

圖17 可以識別人類活動的智能襪 (a)在VR 游戲中從感官信息采集到實時預(yù)測的過程;(b)智能襪對不同動作(跳躍、奔跑、滑行、跳躍和行走)輸出的3D 曲線圖;(c)混淆矩陣;(d) 在數(shù)字人體系統(tǒng)中的虛擬角色運動和真實人類運動的對應(yīng)關(guān)系[56]Fig.17.Human activities recognition of deep learning-enabled socks:(a) Process flow from sensory information collection to the real-time prediction in VR fitness game;(b) 3D plots of the deep learning sock outputs responding to different motions (leap,run,slide,jump,and walk);(c) confusion map for deep learning outcome;(d) motion of the virtual character corresponding to real motion in a proposed digital human system[56].

對于智能建筑和智能家居,越來越多的設(shè)備,如電子門禁、自動化輔助設(shè)施、智能交互設(shè)備、身份認證系統(tǒng)、健康監(jiān)測系統(tǒng)等需要通過采集用戶的步態(tài)信息和行動軌跡來幫助提升用戶體驗.為了達到這個目的,目前常用的方法是在用戶居住環(huán)境加裝攝像頭,或者用戶身體上佩戴智能設(shè)備,并最終將數(shù)據(jù)上傳行為監(jiān)測系統(tǒng)進行分析.這樣做不可避免地會暴露用戶的隱私,安全隱患極大.地板作為最常用的交互界面之一,可以通過嵌入式傳感器來提取豐富的感官信息,而無需考慮其他設(shè)備的輔助.Shi 等[64]開發(fā)了基于摩擦電機制的深度學習型智能地墊(DLES 地墊),以實現(xiàn)智能、低成本和高度可擴展的地板監(jiān)控系統(tǒng).DLES 地墊是通過絲網(wǎng)印刷制造的,為每個標簽設(shè)計了不同覆蓋率的獨特電極圖案,模仿快速反應(yīng)碼系統(tǒng)的獨特識別.因此,在以間隔方案并聯(lián)連接之后,對于整個DLES 陣列,可以實現(xiàn)具有可區(qū)分和穩(wěn)定特性的最小雙電極輸出,支持室內(nèi)定位和活動監(jiān)控.此外,通過集成的基于深度學習的數(shù)據(jù)分析,可以使用CNN 模型從輸出信號中提取與行走步態(tài)模式相關(guān)聯(lián)的身份信息,當一個人穿過DLES 陣列時,由腳步驅(qū)動的TENG 通過周期性的接觸-分離運動產(chǎn)生電信號.這些信號經(jīng)過采集通過2 個通道輸出,每個通道產(chǎn)生1600 個數(shù)據(jù)點.每個用戶采集了100組樣本,80%的樣本數(shù)據(jù)用于訓練,另外20%的樣本數(shù)據(jù)用于測試.經(jīng)過50 個訓練時期的CNN 模型訓練過程,可以達到最大的精度,并且CNN 模型能夠進行足夠的泛化,避免過擬合,平均識別準確率為96.00%,為基于深度學習預(yù)測的高精度控制提供了很大的潛力.通過對同一用戶在不同通過狀態(tài)(正常走、快走、跑步)下的識別測試,展示智能地板監(jiān)控系統(tǒng)在不同情況下的適用性.Shi 等[65]在2021 年又開發(fā)了一種新的高可靠性的智能地面監(jiān)測系統(tǒng),首先在地面鋪設(shè)一個 4×4 的TENG 傳感器陣列來收集用戶的實時位置和足部姿態(tài),該TENG 擁有4 個獨立電極,包括一個參比電極、兩個編碼電極,其中一個片狀電極來捕捉步態(tài)信息,其余3 個進行位置監(jiān)控.然后將編碼后的時域信號輸出得到用戶的站立位置、行走軌跡、步態(tài)等信息.因為正常人一個步行周期可劃分為6 個步態(tài)時相,這6 個步態(tài)時相每個個體之間存在差異,所以Shi等利用深度學習中的一維卷積神經(jīng)網(wǎng)絡(luò)對步態(tài)時相進行分類進而確定用戶的身份信息.與傳統(tǒng)的傳感器(如光學傳感器、電阻式傳感器和電容式傳感器)相比,TENG 傳感器具有低成本、低功耗、高可靠性、良好的可擴展性和低系統(tǒng)復雜度等一系列優(yōu)勢,并且使用深度學習技術(shù)可以對步態(tài)信息中的細微特征進行分類和識別,這是傳統(tǒng)信號分析方法(如幅度、持續(xù)時間、延遲、頻率、相位等)所無法實現(xiàn)的.Shi 等所開發(fā)的智能地板監(jiān)控系統(tǒng)具有出色的位置傳感、活動監(jiān)控和身份識別能力,在自動化、醫(yī)療保健、安全和面向智能建筑/家庭的物聯(lián)網(wǎng)應(yīng)用中顯示出巨大的應(yīng)用潛力.

5 機遇與挑戰(zhàn)

綜上所述,TENG 結(jié)合機器學習已經(jīng)在諸多領(lǐng)域嶄露頭角,這對人們的日常生活產(chǎn)生了深遠的積極影響.但是考慮到這是一個新興領(lǐng)域,在未來的發(fā)展過程中仍然存在著一些亟需解決的問題,如圖18 所示.

圖18 結(jié)合機器學習技術(shù)的TENG 傳感器在未來面臨的挑戰(zhàn) (a) 機器學習輔助制作TENG 傳感器材料;(b)優(yōu)化TENG 傳感器信號處理結(jié)果;(c) 優(yōu)化TENG 傳感器設(shè)備的封裝;(d)使機器學習技術(shù)和TENG 傳感器深度融合Fig.18.Future challenges by TENG sensors combined with machine learning technology:(a) Production of TENG sensor materials assist by machine learning;(b) optimize results of TENG sensor signal processing;(c) Optimize the encapsulation of TENG sensor equipment;(d) combine deeply machine learning technology and TENG sensors.

5.1 機器學習輔助制作TENG 傳感器材料

隨著現(xiàn)代社會生活品質(zhì)的提高,人們對TENG的功能特性有了更高的要求,如器件的靈敏性、透氣性、防水性和輸出穩(wěn)定性.可穿戴TENG通常需要與人體保持長時間的親密接觸,所以器件的封裝與生物相容性必須引起人們的關(guān)注.鑒于復雜且不規(guī)則的人體活動,器件必須具有足夠的柔韌性以便能適應(yīng)皮膚的形變.如果使用有機材料,材料在使用的過程中會產(chǎn)生變化,不利于長時間輸出穩(wěn)定的信號.在未來還會逐漸對材料的抗腐蝕性、便捷性、耐久性等有更多要求.并且新材料的引入也會提高TENG 的性能,如使用離子輻射技術(shù)加工的Kapton 薄膜可以極大提升TENG 的表面電荷密度[66].傳統(tǒng)的材料制備方法因為缺少自動化篩選機制和材料數(shù)據(jù)庫的支撐,往往需要手工對所有可能的材料進行大量且繁復的實驗,如Zou 等[67]通過采用既定的測量方法對30 種無機非金屬材料的摩擦電荷密度等物理特性進行量化測量.隨著材料科學的進步,機器學習以其強大的預(yù)測性能和相對較低的計算成本,在性能預(yù)測、新材料發(fā)現(xiàn)和量子化學探索等領(lǐng)域已有成功的應(yīng)用案例.例如,Oliynyk 等[68]使用機器學習方法來研究潛在的Heusler 化合物和性質(zhì).Ward 等[69]提出了一個預(yù)測無機材料性質(zhì)的通用機器學習框架.該模型可用于預(yù)測晶體和非晶體材料的各種特性,如帶隙能和玻璃形成能力.這些案例表明利用機器學習解決TENG 對材料選擇的問題可能是一種很好的方法,這將會優(yōu)化TENG 的輸出特性并拓寬其應(yīng)用范圍.

5.2 優(yōu)化TENG 傳感器信號處理結(jié)果

TENG 智能傳感器所采集的信息是通過識別其本身輸出的電信號來實現(xiàn)的,而輸出功率過低一直是此類設(shè)備的瓶頸.雖然目前已有諸多改善方法,如增加能量循環(huán)次數(shù)、合理設(shè)計柵極的數(shù)量和間距、降低介電層的厚度等.但相較于傳統(tǒng)傳感器,目前TENG 的有效輸出功率仍有不足,得到的信號特征隨時間變化差異較大.且輸出的電信號數(shù)據(jù)為一維時間序列數(shù)據(jù),其攜帶的信息與二維數(shù)據(jù)、三維數(shù)據(jù)相比而言較少,這增加了智能識別的難度.因此,解決這個問題需要從兩個方面入手,一方面進一步優(yōu)化TENG 輸出性能和功率管理,以便提高能量轉(zhuǎn)換率和提高信號輸出質(zhì)量;另一方面針對TENG 數(shù)據(jù)來設(shè)計行之有效的機器學習算法,使得TENG 智能傳感器擁有更高的識別率和性能,如Vergara 等[70]在三年內(nèi)收集了6 種揮發(fā)性不同的化合物的數(shù)據(jù)集,并使用機器學習分類器進行自動分析,最后使其在處理氣體傳感器漂移方面效果顯著.

5.3 優(yōu)化TENG 傳感器設(shè)備的封裝

TENG 作為自供電智能傳感器器件,其使用環(huán)境十分復雜.工作環(huán)境中的空氣濕度、溫度、塵埃、噪聲和設(shè)備本身的磨損等因素會極大地降低TENG 的使用壽命和穩(wěn)定性,還要考慮信息采集對象的行為特征對數(shù)據(jù)的干擾,尤其是醫(yī)學領(lǐng)域中對人體生理信息的采集,如人體汗液對可穿戴傳感器輸出信號的影響.因此,在復雜的實際使用環(huán)境中保證所采集數(shù)據(jù)的有效性仍然是一個巨大的挑戰(zhàn),目前仍缺少一種可靠的封裝方法使TENG能長時間地穩(wěn)定工作.納米材料和納米技術(shù)可以為解決基于TENG 的傳感器封裝問題提供一些方案,例如納米材料修飾過且具有三維結(jié)構(gòu)的電極可以顯著提高固定后酶的穩(wěn)定性.這可以提高酶燃料電池在體內(nèi)的輸出穩(wěn)定性.封裝也可以直接影響到器件在體內(nèi)的長期穩(wěn)定性.如Gu 等[71]提出了一種封裝的TENG,能夠在灰塵、濕度和多雨的環(huán)境中收集噪聲能量,與未密封的裝置相比,該裝置在耐用性和可靠性方面有明顯的提高.Lee 等[72]制造了一種基于半球陣列結(jié)構(gòu)的完全封裝的TENG,具有優(yōu)異的機械耐久性、優(yōu)異的堅固性和高彈性.除此之外,PDMS 等聚合物材料具有生物相容性,則可以用做可植入能量捕獲裝置的封裝材料.因此,隨著材料科學和微納加工工藝的飛速發(fā)展,基于TENG 的自供電器件的封裝問題日后一定會得到妥善解決.

5.4 使機器學習技術(shù)和TENG 傳感器深度融合

目前TENG 與機器學習技術(shù)的結(jié)合還僅限于使用機器學習工具對TENG 傳感器產(chǎn)生的信號進行被動處理,這限制了TENG 與機器學習結(jié)合之后在實際場景中的應(yīng)用.所以在未來除了能使用機器學習技術(shù)來處理TENG 傳感器生成的信號之外,還要進一步開發(fā)具備模型訓練功能的AI 芯片,并且將這種AI 芯片和TENG 傳感器集成在一起.這樣不僅能使TENG 傳感器更為智能,部署維護更為靈活方便,還能大大減少訓練模型所產(chǎn)生的能耗.這方面的研究已經(jīng)初具苗頭,如2021 年IBM公司使用極紫外工藝制造了一種低功耗的AI 原型芯片,該芯片主要用于訓練深度學習模型[73].采用機器學習技術(shù)對TENG 傳感器信號進行處理,其效果不僅僅取決于機器學習模型和算法的選取,也依賴于TENG 傳感器輸出的信號質(zhì)量,在未來,隨著AI 芯片的不斷普及,通過部署基于AI 芯片的分布式計算環(huán)境,機器學習技術(shù)也會和TENG 傳感器的制作過程深度融合,包括和材料制備,結(jié)構(gòu)設(shè)計,外電路設(shè)計等環(huán)節(jié)深度耦合,用每次學習的結(jié)果反向指導TENG 傳感器的選材和設(shè)計,然后繼續(xù)下一階段的學習,在這個不斷迭代的過程中持續(xù)對TENG 傳感器進行改良和升級,以期在實用中獲得更好的效果.這種方式在一些專用傳感器的制作中已經(jīng)進行了初步的嘗試,如在生物醫(yī)學領(lǐng)域,有一種快速萊姆病檢測的計算護理點傳感器,使用大數(shù)據(jù)驅(qū)動的機器學習框架來自動改進傳感器子組件[74],這種在制作過程中將TENG和機器學習技術(shù)深度結(jié)合必將變?yōu)槲磥碇匾难芯糠较?

6 結(jié)論

TENG 作為一種新型的發(fā)電裝置有著重量輕、制造方式相對簡單、使用廣泛和環(huán)保等優(yōu)點.本文首先介紹了王中林院士團隊對摩擦起電的最前沿理論研究以及TENG 的工作原理和4 種工作模式,同時概括了TENG 作為自驅(qū)動傳感器在每種工作模式下現(xiàn)有的設(shè)計方案及其應(yīng)用,隨后總結(jié)了現(xiàn)有的基于TENG 的自驅(qū)動傳感器在信號采集端的問題和不足,以及使用機器學習技術(shù)對輸出信號的分析和處理的重要性.通過對已有案例的梳理,得出了機器學習在處理由基于TENG 自驅(qū)動傳感器產(chǎn)生的信號時的工作流程,即數(shù)據(jù)預(yù)處理、特征提取、建模、驗證和輸出結(jié)果.最后分類介紹了幾個機器學習在TENG 中使用的案例,如方向盤驅(qū)動行為檢測、液體泄漏檢測、沉積物檢測、擊鍵識別、手寫識別和文本識別等,充分展現(xiàn)了機器學習技術(shù)不但對自驅(qū)動傳感器的信號處理階段有著無以倫比的優(yōu)勢,甚至可以反向指導傳感器的設(shè)計,使其功能可以進一步地拓展.

盡管基于TENG 的自供電智能傳感器發(fā)展迅速,但是TENG 作為新興能源收集技術(shù)在產(chǎn)業(yè)化應(yīng)用的道路上仍然面臨著許多問題.隨著微芯片的功耗不斷降低和TENG 性能的不斷提高,文中也針對每個應(yīng)用在未來可能的技術(shù)前景進行了展望.結(jié)合機器學習這一強大工具,基于TENG 的智能傳感設(shè)備未來在物聯(lián)網(wǎng)和分布式應(yīng)用中將表現(xiàn)出巨大的潛力和蓬勃的活力.