这是一份关于一项原创研究的学术报告。
研究概况 该研究由侯宇鑫（Yuxin Hou）、王磊（Lei Wang）、孙然（Ran Sun）等人共同完成，通讯作者为中国科学院深圳先进技术研究院（Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences）的杨春雷（Chunlei Yang）和陈明（Ming Chen）研究员。这项研究成果于2022年4月29日发表在期刊《ACS Nano》上。
研究背景与目的 在人工智能和可穿戴设备蓬勃发展的背景下，对于轻薄、高性能的柔性压力传感器（flexible pressure sensors）的需求日益增长，其应用前景涵盖电子皮肤（e-skin）、人机交互（human−machine interactions）和生物物理监测（biophysical monitoring）等领域。然而，构建一种同时具备高灵敏度（high sensitivity）、宽线性范围（wide linear range）和宽响应范围（broad response range）的传感器，以应对从日常活动到拳击、太空环境等极端条件下的应用，是当前面临的一大挑战。传统的解决方案通常涉及设计具有特定微/纳米结构（如半球形、金字塔形或微裂纹结构）的聚合物薄膜，如聚二甲基硅氧烷（PDMS）或聚氨酯（PU），但这些传感器在低压下（约千帕级）信号便趋于饱和，且其复杂的制备工艺（如紫外光刻）成本高昂。因此，该研究旨在开发一种简便且成本效益高的方法，制造出能够满足上述严苛要求的高性能柔性压力传感器。
详细研究流程 研究团队首先制备了多孔苯基硅橡胶（phenyl-silicone, PS）薄膜。具体方法是：将硫化剂与硅橡胶原料混合，经过热压成型；随后，利用高压二氧化碳气体使PS片材在反应釜中溶胀，再快速泄压至常压，从而在其内部形成多孔结构，最后完成完整的硫化过程。
接着，研究人员通过一种简便的滚动方法，使用商用微针滚轮在多孔PS薄膜上制造出贯穿薄膜的裂纹-横跨-孔洞（crack-across-pore）结构。该结构的形成机制是利用微针刺穿并撕裂孔洞，从而形成连接孔洞的微裂纹。
为了构建导电网络，研究者采用了电泳沉积（electrophoretic deposition, EPD）工艺。首先，他们对碳纳米管（CNT）进行功能化处理，将其在硝酸和硫酸的混合溶液中加热搅拌，从而制备出表面带有羧基等官能团的功能化碳纳米管（FCNT）。然后，将带有微结构的PS薄膜贴附在一个不锈钢电极（阳极）上，浸入FCNT的乙醇电解质溶液中，在直流电场下进行电泳沉积。这一关键步骤中，带负电的FCNT在电场作用下定向迁移，均匀地涂覆在PS薄膜的表面、裂纹和孔洞内壁上，形成了均匀的导电PS/FCNT网络。研究发现，未经功能化的CNT无法在此过程中定向移动，这凸显了FCNT和EPD工艺的重要性。通过拉曼光谱（Raman spectra）、傅里叶变换红外光谱（FT-IR）和X射线光电子能谱（XPS）分析，证实了FCNT与PS之间形成了强烈的化学键合（C−O−C键），这对于提高传感器的稳定性和耐久性至关重要。
最后，在PS/FCNT薄膜的上下两面贴上铜箔作为电极，并用聚酰亚胺（PI）薄膜进行封装，完成传感器件的制备。封装后的器件厚度仅为0.81毫米，重量极轻。
在性能表征方面，研究者使用计算机控制的动态定位设备和数字源表（Keithley 2400）构建了一套测试系统，测量传感器在不同压力下的电流变化。为了深入理解传感机制，他们还采用了有限元分析（Finite Element Analysis, FEA）软件ANSYS Workbench，分别建立了“裂纹-横跨-孔洞”和传统“裂纹”两种模型，模拟了在压力作用下微结构的动态变形过程和接触面积的变化。
在应用验证阶段，研究人员将单个传感器用于检测从极微弱到高压力的多种刺激，包括气流、叶片放置、手机振动、人体脉搏和关节运动，甚至是汽车碾压。此外，他们还为人体动作识别（human action recognition, HAR）开发了一种基于Transformer（TRM）架构的深度神经网络（deep neural network）。该模型包含编码器和解码器，利用多头自注意力（multihead self-attention）机制来提取传感器信号的时间特征。他们收集了6种人体动作（拍手、弯肘、弯手指、点头、挥手、弯手腕）的2914个样本数据，经过Z-score标准化后输入到TRM网络中进行训练和交叉验证，并与其他经典模型如残差网络（ResNet）和长短期记忆网络（LSTM）进行了性能对比。
主要研究结果 传感器性能测试结果显示，其性能极为优越。在0−33千帕（kPa）的低压线性范围内，传感器的灵敏度高达19.77 kPa⁻¹；在0.2−2兆帕（MPa）的高压宽线性范围内，灵敏度为1.6 kPa⁻¹，且检测下限低至约1.3帕斯卡（Pa）。传感器在整个0−2 MPa压力范围内的电学滞后（hysteresis）仅为6.4%，响应和恢复时间分别为12毫秒和82毫秒。其耐久性表现同样出色：在2 MPa的高压下经历4000次加载/卸载循环后，以及在200°C高温烘烤2小时后经历超过6000次循环，信号衰减均极微小，这归因于PS与FCNT间的强化学键合和PS薄膜优异的热稳定性。
有限元模拟结果清晰地揭示了“裂纹-横跨-孔洞”结构的工作机制。模拟过程分为三个阶段：第一阶段，压力导致应力在球形微结构（孔洞）周围集中，引起靠近孔洞的裂纹（如线6、线7）接触面积迅速增大，贡献了低压区的高灵敏度，其灵敏度远高于传统裂纹模型。第二阶段，靠近孔洞的裂纹变形趋于饱和，接触面积增加主要依赖更远处的裂纹。第三阶段，对于传统裂纹结构，其接触面积变化进一步饱和，导致传感范围受限。然而，得益于球形微结构的存在，孔洞周围的接触面积能持续高速增加，从而大大拓宽了传感器的压力响应范围。这一模拟结果与实验观察到的三阶段传感行为（即低压高灵敏区、过渡区、高压宽响应区）高度吻合。
在应用展示中，传感器成功检测到了称量纸（约1.3 Pa）和叶片（约2.5 Pa）产生的微弱压力，以及不同频率和波形的手机振动。它还能作为加速度传感器，准确记录手臂晃动时的波形和频率，与商用加速度计的输出高度一致。在生物物理信号监测中，传感器清晰分辨出人体脉搏波的特征峰（叩击波P、潮汐波T、重搏波D），并能实时、可重复地检测肌肉收缩、吞咽、点头、手指/手腕/膝盖弯曲、拍手等动作，甚至在志愿者说不同词语时，检测到特征性的肌肉运动信号。将传感器置于汽车前轮下反复碾压，其依然能快速响应并恢复，展现了在极端高压下的可靠监测能力。在人体动作识别任务中，基于TRM的神经网络对所有6种动作的平均识别准确率达到了94.96%，显著优于ResNet和LSTM模型。
研究结论与价值 本研究成功构建了一种轻薄、高性能的PS/FCNT柔性压力传感器。该传感器凭借其创新的“裂纹-横跨-孔洞”结构以及PS与FCNT之间的强化学键合，实现了高灵敏度、超宽线性范围、超低检测限、快速响应和优异的机械/热学耐久性。这项工作的科学价值在于，通过实验和有限元模拟相结合的方式，首次系统性地阐释了“裂纹-横跨-孔洞”结构中球形微结构对应力集中、灵敏度提升和传感范围拓宽的关键作用机制。其应用价值极高，单一的传感器件即可覆盖从微弱气流到汽车碾压的极宽压力检测范围，在电子皮肤、健康监测、人机交互、运动追踪乃至极端环境下的道路安全监测等领域展现出巨大的应用潜力。此外，研究还证明了Transformer深度神经网络在基于传感器信号的人体动作识别任务中的优越性，为构建高精度实时识别系统提供了新路径。
研究亮点 本研究的主要亮点在于：第一，提出并验证了一种新型的“裂纹-横跨-孔洞”传感器结构，通过微针滚轮这种简便、可大面积制备的方法，解决了传统微结构制造复杂的问题。第二，创新性地采用功能化碳纳米管与电泳沉积工艺相结合，成功在多孔弹性体内部构建了均匀且具有强化学键合的导电网络，解决了传统搅拌法中CNT易团聚和界面作用弱的问题，这是实现优异耐久性的关键。第三，结合有限元分析，从力学变形和接触面积变化的角度，深入揭示了球形孔洞在传感机制中对提升灵敏度和扩展量程的决定性作用，为高性能传感器设计提供了理论指导。第四，研究不仅关注材料的传感性能，还结合了Transformer深度学习算法，在人体动作识别这一具体应用场景中取得了94.96%的高准确率，实现了从器件设计到智能应用的全链条研究。