手势识别作为人类机器交互的一种重要方法,已经引起了广泛的研究兴趣。柔性应变传感器的发展提供了直接测量手指运动行为的可能性,通过将传感器放在手指上或集成到数据手套上,以准确和经济有效的手势识别。本文首先介绍了各种柔性应变传感器设计的工作机理。本文综述了相关材料和器件结构对柔性应变传感器的影响。除了对柔性应变传感器器件的持续性能优化外,系统级算法的发展不仅对识别功能很重要,而且对抑制传感器器件的非理想性都很重要,这在器件和材料水平上难以解决。
介绍
在过去的几十年里,开发更友好的人类机器交互(HMI)的智能方法一直在不断地追求。[1]最重要的进展之一是将触摸传感器与显示器集成,这有助于广泛使用手指触摸作为我们日常生活中的主要HMI方法。[2–4]除了简单的手指触摸,完整的静态和动态手势可以为HMI传达更丰富的信息。[5–7]因此,人们开发了各种方法,利用手势识别,以非触摸的方式开发更自然、直观和智能的HMIs(图1)。[8–14]基于视觉的技术,利用数字摄像机捕捉手指的运动行为以进一步解释,在许多应用场景中得到了广泛的研究和商业化。[8]然而,这些方法并不是成本和节能来实现连续的实时手势识别和很难在黑暗或有意外环境光学噪声的环境中实现。基于射频(RF)传感的[11]雷达技术也被用来通过从接收信号获得距离文件、多普勒或到达角特征来识别手势的特征。[12]然而,距离分辨率是由射频波带宽决定的,构建硬件产生足够大带宽的射频波以满足手势识别所需的分辨率的成本很高。另一种方法是基于超声波信号,其硬件可以进行集成,并以相对较低的系统复杂性进行小型化。[13]通过传播、反射、时间速度和三角剖分的计算分别识别手势。虽然分辨率很低,但这种方法适用于环境中缺乏光线和有磁性障碍或噪音的情况。
为了最小化意外环境噪声的影响,开发了使用微机电系统加速度计和/或陀螺仪传感器的可穿戴手势识别系统。[10,14]然而,由于间接的测量,可以识别的手势非常有限。柔性应变传感器的发展提供了直接测量手指运动行为的可能性,通过将传感器放置在手指上或将它们集成到数据手套上。[15–17]由此产生的手势系统具有高精度、低成本、对环境噪声不敏感的优点。在开发基于不同材料和加工技术的柔性应变传感器方面,人们已经付出了巨大的努力。[18–28]手势识别的一般性能指标包括可拉伸性、响应时间和可靠性。手指弯曲运动可以在很短的时间内(数百微秒)产生高达100%的应变。[29]在实际应用中,传感器需要维持长期运行,而传感性能没有明显的漂移。在快速拉伸的释放周期中,不希望的动态特性,如超调和滞后,也应该被抑制。[24,30,31]各种材料和结构都试图解决这些性能问题。[18–21]然而,仍然难以获得具有理想特性的传感器器件。此外,在同一批次和不同批次中制造的器件之间也总是存在一定的性能波动。[32]因此,我们开发了各种补偿和识别算法,以减少这些因素对精确手势识别的影响,因此也有一些手势识别系统能够基于这些“非理想”的柔性应变传感器进行开发。[33,34]
之前的综述集中讨论了应变传感器的各种材料技术。[35]与这些综述不同的是,本文将重点介绍开发基于可穿戴手势识别系统的柔性应变传感器的相关材料、设备结构和系统算法。
设备
多种光电转导机制,如光纤布拉格光栅(FBG)、[36,37]拉曼位移、[38,39]和摩擦电、[40,41]已被用于实现应变传感器,但需要复杂的测量设备,难以用于可穿戴手势识别系统。许多已开发的柔性应变传感器都是基于可伸缩的电阻性或电容性结构。通过材料和结构工程,研究了所制备的应变传感器的性能在拉伸性和灵敏度方面可以大大提高。拉伸性定义了可以测量的最大应变,是测量手运动的第一个先决条件。为了检测手指弯曲行为,拉伸能力需要超过100%。灵敏度通常以测量因子(GF)为特征,它被定义为所测量到的电信号的相对变化与所应用的应变的比值。在下面的章节中,首先介绍了电阻结构和电容结构应变传感器的机理。然后,综述了提高电阻式和电容式应变传感器的拉伸性和灵敏度的材料和结构策略。
应变传感器结构
用于制造可伸缩应变传感器的典型电阻性和电容性结构如图2所示。电阻结构应变传感器由应变敏感层和两个接触电极组成。应变敏感层正常为由带有导电填料的弹性体薄膜制成,可以是各种纳米或微结构材料,如碳纳米管(CNTs)、[18–20]石墨烯、[21,22]纳米颗粒、[23,24]金属纳米线、[25]导电聚合物、[26]或流体液态金属和离子凝胶。[27,28]该结构的电阻可以表示为…
材料工程
可测量大应变的可拉伸传感器对于检测手指弯曲行为非常重要。对于电阻性电容结构传感器和电容性结构传感器,如图2所示,除了使用能够承受大应变的主弹性体介质材料外,导电材料在弹性敏感薄膜或电极中的分布对于保持大应变下的灵敏度至关重要。[44]
一种有效的方法是利用纳米复合材料形成导电网结构,以保持弹性复合材料在大应变中的导电路径。[15,25,45-59]Huang等人利用碳纳米管网络作为网状结构,在热塑性聚氨酯静电纺丝膜(TPUEM)中桥接分散的银纳米颗粒(AgNPs)(图3a)。[45]与不含碳纳米管的传感器设备相比,具有可拉伸性传感器的提高到550%,在500%应变下,高GF为7066(图3b)。该传感器在高达400%的应变下也显示出良好的耐久性(图3c),因此适用于测量细微和大规模的人体运动。类似地,Liu等人报道了一种可拉伸的应变传感器,其方法是将还原性氧化石墨烯(RGO)涂层的聚苯乙烯微球(PS@RGO)和银纳米线(AgNWs)夹在弹性聚二甲基硅氧烷(PDMS)基体中。采用[46]高纵横比AgNWs连接相邻的PS@RGO微球,以防止传感器在大应变下的电故障。通过调整AgNW浓度,传感器在060%为11和100230%的大GF,100230%的应变为47。然而,在50%的应变下,在1000个拉伸/释放周期中观察到一定的信号漂移,这可能是由于AgNWs与导电微球之间相对位置的变化。Duan等人将高度连续的金纳米线(AuNWs)网络作为网状结构的骨干,不仅改善了
除了使用纳米复合材料,网格结构也可以由排列的纳米管或导电纤维形成。Yamada等人开发了一种利用排列的单壁CNT(SWCNT)网络作为敏感薄膜的应变传感器。当排列的纳米管薄膜被拉伸时,薄膜可以断裂成缝隙、岛和束,束桥接缝隙。这使得应变传感器能够测量大于200%的应变,并具有良好的长期稳定性。[15]Wang等人通过将碳化丝绸织物(脑脊液)片封装在Ecoflex薄膜中来制造应变传感器(图4a)。[47]形成的织物结构网状网络有助于在极大的应变下维持导电路径(图4b)。在0250%应变时,传感器可以拉伸到500%,GF为250500%应变时,传感器可以拉伸到37.5(图4c)。虽然在40%s1的拉伸速率下,当其拉伸到100%、200%和300%时发现了超冲(图4d),但在300%应变下进行10 000 次循环拉伸释放循环后,该装置表现出良好的稳定性(图4e)。基于类似的机理,Zhang等人使用了碳化棉f
机械结构设计
除采用各种材料复合材料外,还采用了褶皱、螺旋、多孔等机械结构实现以提高应变传感器的拉伸性。表1总结了最近报道的高度可拉伸和敏感的应变传感器。
系统实现
为了进行手势识别,该系统需要集成几个应变传感器来检测不同位置的运动行为。由于传感器存在一些不理想的特性,因此通常需要采用补偿方法。为了将感知到的信号转换为手势识别结果,还需要在系统中实现识别算法。
多传感器集成
一般来说,结合更多的传感器来收集手部不同关节的运动行为,有助于提高手势识别能力或准确性。为了实现高分辨率的传感器矩阵,应开发带有应变传感器的可伸缩薄膜晶体管(TFT)像素阵列矩阵寻址,以减少信号的串扰和电气互连布局的复杂性。[91]然而,集成更多的传感器将增加制造过程的复杂性和要收集的数据。因此,在识别能力或准确性和需要考虑的部署成本之间存在权衡。
Shiang等人开发了一种带有五个应变传感器的数据手套,但在电容结构中,以测量每个手指的弯曲行为。[66]采用电容式结构,两个电极互连分布在不同的层中,使互连布线更容易实现,但系统实现的检测精度相对较高下方的Yamada等人在手套上集成了10个基于SWCNT的应变传感器,分别检测5个手指的行为,用于手势识别(图10a)。[15]Chen等人开发了一种数据手套系统,将掌指(MCP)放置在指间(IP)近端关节,显示了识别不同手势的能力(图10b)。[17]Atalay等人在织物手套上集成了10个电容式结构应变传感器和微同轴电缆,以实现强大的电气连接,并设计了局部机械应力管理结构,以最大限度地提高传感器的应变诱导信号变化(图10c)。[16]Gu等人开发了一种电子皮肤系统,将10个应变传感器集成在一个手形的PDMS薄膜中,用于识别各种手势,并使用蛇形铜线形成可伸缩和可靠的电互连。[67]Suh等人。设计了一种手指运动检测手套,采用电流源方法对信号调节电路中进行电阻-电压转换,以实现更快的捕获速度。[92]
非理想性补偿
尽管在材料和结构上提高传感性能方面付出了巨大的努力,但电阻结构弹性应变传感器的滞后和信号漂移仍然是电阻结构柔性应变传感器的两个非理想特性,特别是在大应变和快速拉伸/释放速率下。为了抑制这些器件的非理想性对系统性能的影响,提出了一种补偿方法。Sunny等人通过在经典的Preisach模型中添加动态算子和修改迟滞算法,实现了与速率相关的动态迟滞补偿。[33]然而,由于该模型是基于复杂的数据分析,因此在实践中可能难以获得。Oliveri等人提出了一种基于非对称幂律(APL)模型的补偿方法(图11a),适合于补偿随着拉伸速率的增加而在左下角旋转的回路的滞后性。[34]与改进的预制件模型相比,该模型的补偿性能有改善,但仅适用于一定的迟滞特性。
Kim等人利用最优传输理论来补偿应变传感器由于长期运行而引起的信号漂移。[32]利用初始传感器数据(源域)对神经网络进行训练,然后通过最优传输理论将漂移数据(目标域)映射到源域,如图11b所示。这种映射关系能够根据上一时期的漂移数据进行实时更新。该方法也适用于大批量生产的传感器的校准(图11c)。首先,利用神经网络从应变传感器的数据集(源域)中提取特征。然后,有少量的数据来自其他公司