本研究由武汉理工大学材料科学与工程学院的邹俊杰、马亚楠、刘晨旭等研究人员，联合湖北汽车工业学院、安徽大学及清华大学的研究团队共同完成。通讯作者为马亚楠、南策文和张鑫。该研究成果于2024年发表于*InfoMat*期刊。

本研究属于柔性电子皮肤（electronic skin, e-skin）领域。人类皮肤能够同时感知压力与温度等多种刺激，而开发具有类似多功能感知能力的电子皮肤，在健康监测、智能机器人及人机交互等领域具有巨大潜力。然而，目前多模式传感器的发展面临两大核心挑战：一是如何在一体化器件中同时检测并有效区分压力与温度信号，避免信号串扰；二是如何摆脱对外部电源的依赖，实现器件的自供电（self-powered）与轻量化。针对这些问题，该研究旨在开发一种新型的自供电双模式（self-powered dual-mode, SPDM）传感器，以单一器件、单一输出信号实现对压力和温度的同时检测与精准解耦。

该研究的核心工作流程如下： 首先，研究团队设计了基于可压缩离子凝胶电解质（compressible ionic gel electrolyte）的SPDM传感器。该器件采用类金属-空气电池的结构，其构造流程为：以钛碳化铝（Ti₃AlC₂）MAX相前驱体为原料，通过刻蚀与真空辅助过滤法制备了柔性自支撑的MXene（Ti₃C₂Tx）薄膜作为阴极；选用高电化学活性的铝箔作为阳极；制备聚乙烯醇（PVA）、甘油（glycerin）与氯化钠（NaCl）的复合凝胶作为固态电解质。通过将MXene电极、凝胶电解质和铝电极进行组装，并用聚酰亚胺（PI）或VHB胶带封装，构建了完整的SPDM传感器。在工作机制上，MXene与铝电极之间的氧化还原反应（氧还原与铝氧化）产生了约0.75伏的稳定电位差，驱动凝胶电解质中的钠离子和氯离子定向迁移，从而自发产生输出电流。外部压力刺激会压缩凝胶电解质，导致离子传输距离（d）缩短；而温度刺激则会提升离子迁移率，降低活化能（activation energy, Eₐ）。根据离子传输的电流密度方程，这两种刺激均可引起输出电流密度的增加。尤为关键的是，由于应力传递与热传递的速率差异，传感器对压力和温度展现出截然不同的响应特征：对压力刺激表现出快速且及时的响应，响应时间和恢复时间分别约为799毫秒和319毫秒；而对温度刺激则呈现缓慢且滞后的响应，响应时间和恢复时间分别约为2.23秒和7.94秒。这种响应动力学的内在差异为后续信号解耦奠定了基础。

其次，研究团队对SPDM传感器的单一模态传感性能进行了系统表征与优化。在压力传感性能研究中，他们测试了不同NaCl浓度和甘油含量的电解质配方，发现当NaCl浓度为0.06 mol/L、甘油含量为40 wt%时，离子电导率与机械性能达到最佳平衡，传感器在0至800千帕的宽压力范围内表现出高灵敏度与良好的线性度。通过电化学阻抗谱（electrochemical impedance spectroscopy, EIS）测试，证实了随着压力增大，由于电解质形变导致离子传输距离缩短，凝胶电解质的体电阻（R₀）显著降低，从而引发了输出电流的规律性增大。传感器在超过1000次的循环压力加载-卸载测试中，展示了优异的稳定性和耐久性，并且能够精确识别不同程度的弯曲应变。在温度传感性能研究中，研究人员利用水浴装置在5至75摄氏度的宽温域内进行了测试。通过热重分析确认了凝胶电解质在此温度范围内具有良好的热稳定性。实验结果显示，输出电流随温度升高而持续增大。EIS测试及随后的阿伦尼乌斯（Arrhenius）方程分析表明，温度升高使离子电导率呈指数级增加，计算得出离子传输的活化能约为0.21 eV。这些单模态性能测试结果，为理解和优化传感器性能提供了明确的电化学与力学理论支持，并证明了该器件在检测范围上优于许多先前报道的压力-温度双模态传感器。

第三，基于SPDM传感器对压力和温度不同的响应时间特性，研究团队构建了信号解耦与应用验证系统。他们利用一维卷积神经网络（one-dimensional convolutional neural network, 1D-CNN）作为机器学习（machine learning）模型来区分混合信号。该模型包含6个卷积层、2个池化层和全连接层。研究人员设计了9种不同的场景来模拟日常抓取水杯的行为，这9种场景涵盖了3种水杯体积（100毫升、200毫升、300毫升）和3种水温（10摄氏度、40摄氏度、70摄氏度）的组合，每种场景采集了50组有效数据。传感器集成于手套上，在抓取水杯时会产生包含温度和压力信息的复合电流信号。这些信号被输入到1D-CNN模型中，利用t-分布随机邻域嵌入（t-distributed stochastic neighbor embedding, t-SNE）方法对数据进行可视化分析，结果显示不同类别信号呈现出显著的聚类特征。模型训练后，在测试集上成功实现了高达99.1%的分类准确率，混淆矩阵（confusion matrix）也证实了其对温度与体积（压力）乘积的高精度识别能力。这一结果表明，利用单一输出信号的时序响应特征，结合深度学习算法，能够高效且准确地解耦混合物理刺激。为了验证其实用性，研究团队还开发了一套无线监测系统，通过ESP8266无线模块将传感器信号上传至云端，并遵循消息队列遥测传输（MQTT）协议，成功在电脑和手机终端上实时显示了手指弯曲等人体运动信号。此外，他们还利用激光雕刻技术制作了一个5×5的SPDM传感器阵列（e-skin），成功映射了放置在阵列表面的水的体积与温度分布。

本研究的核心结论是，成功开发了一种基于可压缩离子凝胶电解质的自供电双模式温度-压力传感器。该传感器能够通过单一的电输出信号，同时感知压力和温度刺激，并利用信号响应速度的固有差异，结合机器学习算法，以99.1%的高准确率实现了对两种刺激信号的解耦和区分。这项研究的重要科学价值在于，它提出了一种新颖的“单一信号、时序解耦”的传感策略，巧妙利用了离子输运动力学对不同刺激的差异化响应，解决了多模式传感器长期面临的信号串扰难题，同时通过电化学体系设计实现了器件的自供电。在应用价值方面，该传感器具有宽检测范围、高灵敏度、良好的柔韧性与稳定性，已初步展示了在人体活动监测、脉博信号检测、呼吸监测、非接触感光乃至消防救援等复杂场景下的应用潜力，并成功构建了无线监测系统和可识别温压分布的电子皮肤阵列，为未来可穿戴电子、智能机器人、物联网人机交互等领域的高集成度多功能传感器提供了有效的设计框架和实现路径。

该研究的亮点主要体现在三个方面。第一是创新的传感机制与器件设计：通过选用MXene与铝电极建立稳定电位差，并利用含NaCl的PVA/甘油凝胶电解质作为离子传输介质，使传感器同时具备了自供电能力和对压力、温度双刺激的敏感性，摒弃了传统传感器的外部电源需求。第二是巧妙的信号解耦策略：并未通过物理分离多个传感单元或者检测多个独立物理量（如电阻和电容）来区分信号，而是抓住了压力响应与温度响应在“时间域”上的本质区别——前者快后者慢，为从根本上解决信号串扰提供了高效且简洁的新思路。第三是精准的信号识别与应用集成：将一维卷积神经网络引入传感器信号处理，实现了对复杂混合信号99.1%的高精度分类，证明了该解耦策略的实际可行性，并结合无线传输模块和阵列化设计，充分展示了其在真实人机交互场景中的应用价值。