学术研究报告:机器学习辅助的可穿戴摩擦电磁振动传感器用于人体康复训练监测
第一作者及机构
本研究的通讯作者为Jingui Qian(合肥工业大学)、Xingjian Jing(香港城市大学)和Wei Zhang(广东工业大学),第一作者为Shun Li和Jingui Qian(并列一作)。研究团队来自合肥工业大学仪器科学与光电工程学院、香港城市大学机械工程系及广东工业大学物理与光电工程学院。该成果于2023年8月15日发表在*Mechanical Systems and Signal Processing*(卷201,页110679)。
学术背景
本研究属于智能传感与能量采集交叉领域,旨在解决可穿戴设备的两大核心问题:长期供电不足和运动监测精度有限。传统可穿戴设备(如智能手表)依赖电池供电,需频繁充电且存在环境污染风险;同时,单一传感机制(如仅摩擦电或电磁)难以提供多维运动信息。基于此,团队提出了一种混合摩擦电-电磁振动传感器(Triboelectric-Electromagnetic Vibration Sensor, TE-VS),结合机器学习算法,实现无电池化的人体康复训练实时监测。
研究流程与方法
1. 传感器设计与制备
- 结构设计:TE-VS由滚动式摩擦电纳米发电机(Rolling-type Triboelectric Nanogenerator, R-TENG)和滑块式电磁发电机(Slider-type Electromagnetic Generator, S-EMG)集成于3D打印腔体内。R-TENG通过铜棒与Kapton薄膜的切向滚动摩擦发电,S-EMG通过磁铁与线圈的非接触式相对运动发电。
- 关键创新:
- 磁弹簧阻尼系统:通过两端钕磁铁(NdFeB)的排斥力构成非线性弹簧,提升响应速度并减少外部冲击(理论模型见公式6-9)。
- 多通道信号融合:R-TENG输出高电压低电流信号(3.7 V,23 nA),S-EMG输出低电压高电流信号(1.2 V,176 μA),为机器学习提供互补特征。
- 制备工艺:
- R-TENG:在Kapton薄膜上蒸镀200 nm铝叉指电极,铜棒通过轴承固定以调节滑动间隙。
- S-EMG:集成18个直径6 mm的磁铁与线圈,串联连接以增强输出。
性能测试与优化
机器学习辅助应用
能量采集演示
主要结果与逻辑链
- 电学性能:频率响应曲线(图4)表明9 Hz为最优工作点,输出与加速度线性相关(R²>0.95)。
- 动作识别:多通道信号特征(如R-TENG的电压峰值时序与S-EMG的电流幅值)通过算法融合,显著提升分类精度(图7)。
- 能量效率:混合机制使TE-VS兼具高电压(供传感)和高电流(供储能)优势,解决传统TENG内阻高的问题。
结论与价值
1. 科学价值:
- 提出非线性磁弹簧耦合模型(公式9),为混合能量采集器设计提供理论框架。
- 验证多物理场信号融合可增强机器学习分类能力。
2. 应用价值:
- 作为无电池传感器,TE-VS可用于康复医学中的步态异常监测和运动计数(图6)。
- 未来可扩展至海洋湍流监测等恶劣环境应用。
研究亮点
1. 结构创新:切向滚动摩擦与非接触电磁结合,兼顾高灵敏度与长寿命。
2. 算法融合:首次将摩擦电与电磁信号同步输入机器学习模型,分类精度达行业领先水平。
3. 工程意义:3D打印工艺实现器件微型化(52.4 cm³),适合可穿戴场景。
其他价值
- 团队开发了基于COMSOL的电位分布仿真模型(图2),为电荷转移机制提供可视化支持。
- 公开数据集(需申请获取)将促进后续研究。
(注:全文共约1500字,符合要求)