中国石油大学：人工智能辅助的柔性可穿戴力致发光比色应变传感器系统

柔性可穿戴应变传感器是中国智未来物联网不可或缺的基本核心组件之一，在健康监测、石油姿态识别、大学的柔工程材料机械形变监测、人工人机接口以及软体机器人等领域具有巨大的辅助发光应用潜力。目前，穿戴传感大多数柔性可穿戴应变传感器将机械形变转换为电流或电压等电信号。比色这类可穿戴传感器往往需通过复杂布线与大型设备相连，应变以进行数据收集和处理，器系导致高功耗、中国智信号读取延迟、石油工作范围受限、大学的柔用户体验不佳，人工严重阻碍了此类可穿戴应变传感器的辅助发光实际应用。与传统可穿戴应变传感器相比，穿戴传感柔性力致变色/力致发光应变传感器可将应变信号转化为颜色信号。智能手机等移动设备可通过摄像头直接捕捉由应变引起的颜色变化，无需复杂的布线或无线通信单元即可将信号传输至数据采集和处理模块，可极大降低传感器制造和使用难度与成本。通过用户友好的智能手机应用程序或用户界面，可实现与人工智能深度学习数据处理系统的深度结合，实现应变数据的智能处理。因此，构建具有颜色数据自动采集、处理以及显示功能的柔性可穿戴智能比色应变传感系统具有重要意义。

An Artificial Intelligence‑Assisted Flexible and Wearable Mechanoluminescent Strain Sensor System

Yan Dong*, Wenzheng An, Zihu Wang, Dongzhi Zhang* Nano-Micro Letters(2025)17: 62

https://doi.org/10.1007/s40820-024-01572-5

本文亮点

1.构建了一种三明治结构的柔性可穿戴力致发光传感器(SFLC)薄膜，其在无线可穿戴比色应变传感器以及加密设备方面具有巨大的应用潜力。

2.所构建SFLC薄膜以智能手机为媒介可与基于深度学习算法的云端人工智能数据处理系统深度集成，通过智能手机等移动设备能够快速准确地解读颜色数据，将其转换为应变值，并自动纠正因测试环境色温变化而产生的误差。

3.基于SFLC薄膜与深度学习神经网络颜色数据处理系统的智能手套可穿戴传感器能够实现快速准确的手势识别，并于智能手机终端显示识别结果。

内容简介

复杂的布线、庞大复杂的数据采集设备以及传感数据现场快速解读的难题，极大限制了柔性应变传感器作为可穿戴设备的实际应用。为解决上述问题，中国石油大学(华东)张冬至、董炎等人通过智能手机将基于深度学习的颜色数据处理系统(CDPS)与三明治结构的柔性力致发光比色应变传感器(SFLC)薄膜相结合，开发了一种人工智能辅助的无线、柔性、可穿戴的力致发光比色应变传感器系统(AIFWMLS)。所构建SFLC薄膜结构简单，易于制造，具有优异稳定的力致发光性能。所构建CDPS系统通过智能手机可与SFLC薄膜深度集成，能够快速准确地提取并解读SFLC薄膜的颜色，将其转换为应变值，并自动校正因测试环境色温变化而产生的误差，显著提高了应变检测的准确性。该研究构建了基于AIFWMLS系统的智能手套手势识别传感器，展示了该型传感器在手势与姿态识别领域的巨大应用潜力。此外，该研究还展示了SFLC薄膜作为加密设备的应用潜能。该研究表明，以智能手机为媒介，将基于深度学习的人工智能数据处理系统与SFLC力致发光比色传感薄膜结合，可助力突破比色应变传感器“颜色到应变值转换”瓶颈，推动柔性可穿戴应变传感器从实验室研究走向消费市场。

图文导读

I柔性可穿戴力致发光比色应变传感系统(AIFWMLS)基本概念

本研究构建的AIFWMLS系统将三明治结构柔性力致发光应变传感薄膜(SFLC)通过智能手机与基于深度学习神经网络的颜色数据采集和处理系统相结合(图1a)。SFLC薄膜底部是包含荧光材料(ZnS:Cu)的硅胶(SG)层，该材料在紫外线照射下会发出荧光。在松弛状态下，由于顶层碳纳米管(CNTs)层的屏蔽作用，薄膜显示出非常弱的荧光。当薄膜形变时，由于其固有的力致发光特性，以及顶层CNTs层因形变产生的裂纹与缝隙，导致可检测到的来自ZnS:Cu-SG荧光层的荧光显著增强。基于卷积循环(CNN-GRU)深度学习神经网络构建了AIFWMLS中的数据处理系统，负责收集颜色数据，并将颜色数据解释为应变值，同时自动校正检测环境色温变化引起的误差。此外，本研究构建了基于AIFWMLS系统的智能手套手势识别传感器，可用于手势等姿态的快速识别(图1b)，展示了AIFWMLS系统的应用潜力。

图1. 人工智能辅助的柔性可穿戴力致发光比色应变传感系统(AIFWMLS)用于应变感知概念图：a AIFWMLS用于应变感知的基本原理，深度学习神经网络能够迅速处理不同色温下所得颜色数据并将其转化为应变值，所得应变数据准确度显著提高；b用于手势识别的AIFWMLS系统，可通过智能手机采集数据并显示识别结果，右侧表格显示了AIFWMLS传感系统与传统可穿戴应变传感器的对比。

II三明治结构柔性力致发光比色应变传感薄膜的构建

SFLC薄膜由三层组成：底层为含有荧光ZnSCu-SG)，顶层为由碳纳米管(CNTs)构成的荧光屏蔽层，中间层为弹性体(PDMS)(图2a)。图2b展示了SFLC薄膜三明治结构的扫描电子显微镜(SEM)图。ZnS:Cu-SG层的厚度约为200微米。多孔的ZnS:Cu-SG层与致密的PDMS层无缝结合，界面清晰(图2c)。图2d显示黑色CNTs均匀分布在PDMS层顶部。SFLC薄膜在拉伸状态下的俯视图(图2e)显示，CNTs没有从变形的PDMS层上脱落，并保持均匀分布形态，证明了CNTs层与PDMS层之间的稳定粘合。PDMS中间层提高了SFLC薄膜的机械性能。这种柔性、防水的SFLC薄膜能够承受反复的弯曲、扭转和拉伸(图2a)。在经历500次的弯曲(图2f)、扭转(图2g)或拉伸(图2h)后，R、G、B值的百分比仅发生微小变化(≤5%)。如图2i所示，ZnS:Cu-SG/PDMS薄膜的最大拉伸应变超过150%，最大载荷约为6.2 kPa。图2j展示了SFLC薄膜在不同最大应变下的拉伸应力-应变曲线，薄膜的应变随拉伸力线性增加，闭合滞后环表明SFLC薄膜具有良好的恢复能力，表明在加载-卸载循环过程中具有可逆的应变行为。经过20次循环拉伸后，未显示显著的负载降低，表明SFLC薄膜具有良好的机械稳定性(图2k)。

图2. SFLC薄膜的结构与力学性能：a SFLC薄膜的三明治结构示意图，以及薄膜在弯曲、扭转和拉伸状态下的照片(比例尺：1厘米)；SFLC薄膜SEM图， b 展示了SFLC薄膜的三明治结构，c展示了PDMS与ZnS:Cu-SG层之间界面，d展示了PDMS层上的碳纳米管(CNTs)，e展示了拉伸状态下顶部CNTs薄膜形态；SFLC薄膜经过多次f弯曲、g扭转和h拉伸后RGB值(%)的变化(n = 3，平均值±标准差)；i-k 展示了SFLC薄膜的力学性能，i为ZnS:Cu-SG/PDMS薄膜的拉伸应力-应变曲线，j为SFLC薄膜在20%至100%应变范围内的加载/卸载曲线，k为SFLC薄膜在50%应变下的加载/卸载曲线。

图3a展示了SFLC应变传感器的工作原理。在紫外光照射下，SG层中的荧光ZnS:Cu发出蓝绿色荧光。当SFLC薄膜处于松弛状态时，覆盖在薄膜顶部的致密碳纳米管(CNTs)层会屏蔽紫外光和ZnS:Cu-SG层发出的荧光。因此，检测到的荧光非常微弱。拉伸SFLC薄膜时，由于ZnS:Cu本身的力致发光特性，其荧光强度增加。此外，SFLC薄膜顶部的致密CNTs层会发生裂纹和缝隙，这使得紫外光和ZnS:Cu-SG层发出的荧光能够穿过透明的PDMS中间层以及顶部CNTs层，导致检测到的荧光强度显著增加。随着应变的增加，顶部CNTs屏蔽层上产生的裂纹和缝隙越来越多，检测到的荧光强度也随之增加。随着应变的增加，SFLC薄膜的PL信号强度增加(图3b)。这导致从相机拍摄的SFLC薄膜照片中提取的R、G、B颜色值变化，如图3c所示。通过建立R、G、B值百分比与SFLC薄膜应变之间的关系，可实现通过分析R、G、B值来量化薄膜的应变，这为AIFWMLS应变传感器系统的构建奠定了基础。当将SFLC薄膜贴附在食指指节或膝盖上时，随着弯曲角度的增加，SFLC薄膜的B(%)值也会增加，且B(%)值与弯曲角度之间存在强相关性(图3d和图3e)。

图3. 作为比色应变传感器的SFLC薄膜示意图：a 力致发光应变传感器的传感机制：随着顶部碳纳米管(CNTs)层裂纹的增加，SFLC薄膜的荧光强度随应变的增加而增强，底部为不同应变水平下SFLC薄膜照片(比例尺：1厘米)；b SFLC传感器薄膜的PL光谱，显示了光致发光强度随应变的增加而增强；c 传感器RGB值(%)随应变的变化(n = 5，平均值±标准差)；d 附有SFLC应变传感器薄膜的弯曲手指和e弯曲膝盖，以及在不同弯曲角度下得到的B(%)值(比例尺：1厘米)。

III人工智能辅助色彩数据处理系统的构建如图4a所示，环境色温变化可导致检测所得应变值和真实应变值间出现显著差异，该研究构建的AIFWMLS系统可有效解决上述问题。通过智能手机在不同色温下捕获SFLC薄膜图像并提取特征值，形成用于神经网络训练数据集，训练集、验证集和测试集比例为3：1：1(图4 b)。图4c展示了单通道CNN-GRU神经网络的基本结构，其由单通道CNN、两层GRU和全连接层(Dense)组成，以SFLC膜提取的特征信号作为输入，预测应变作为输出。全连接层中线性函数可使模型对应变进行回归预测。使用平均绝对误差(MAE)作为模型优化超参数，经过300次迭代，1D-CNN-GRU、1D-CNN和1D-GRU(图4d)模型损失值曲线均收敛，1D-CNN-GRU的损失值最小。1D-CNN-GRU神经网络的应变预测决定系数(R²)(0.998)高于1D-CNN和1D-GRU的R²值，表明1D-CNN-GRU在SFLC膜应变预测中优于1D-CNN和1D-GRU神经网络。将色温校正后的预测应变值与不同真实应变值进行比较，证明CDPS系统显著提高了预测应变的准确性(图4e和图4f)。色温校正后，R²值从0.929增加到0.998，MSE(均方误差)和MAE(平均绝对误差)值分别下降到0.018和0.014。

图4.颜色数据处理系统的构建：a深度学习神经网络辅助下的SFLC薄膜应变传感概念图，通过深度学习神经网络进行色温校正后，应变预测准确性显著提高(条形图中红线表示真实应变值)；b用于应变预测的深度学习神经网络的训练和优化过程算法流程图；c 单通道CNN-GRU模型结构图，以SFLC薄膜中提取的特征为输入信号，以预测的应变值为输出；d 1D-CNN-GRU、1D-CNN和1D-GRU神经网络训练过程中的损失值随训练轮次变化；e 未校正(黑色)和色温校正后的应变数据(红色)与SFLC薄膜的真实应变(绿线)的比较(n = 3，均值±标准差)；f CNN-GRU神经网络色温自动校正后不同色温下获得的预测应变(黄点)与真实应变值(蓝线)的比较。 IVAIFWMLS系统的应用该研究基于AIFWMLS系统构建了一种用于手势识别的智能手套可穿戴应变传感器。该智能手套由五片SFLC薄膜组成(图5a)，可通过智能手机与云服务器中数据采集和处理系统集成。智能手机捕捉佩戴智能手套的手部图像，不同手势指关节弯曲角度不同，导致智能手套上SFLC薄膜的颜色组合不同。智能手机用户界面将智能手套图像上传到云服务器，在那里，图像由多通道CNN-GRU神经网络进行处理和分析，并将手势预测结果返回到智能手机显示界面。为解决变化色温对手势识别造成的影响，收集了不同色温下佩戴智能手套的中国数字手势数据用于训练神经网络。训练过程在200次迭代后完成，损失值(交叉熵损失)曲线收敛且精度达到98%(图5b)。混淆矩阵显示了经过训练的5D-CNN-GRU神经网络的性能，其对11个中国数字手势识别的整体准确率为97.3%(图5c)。对11个手势识别的F1值均在94.5%-100%的范围内(图5d)，证明了5D-CNN-GRU神经网络在手势识别方面的优异性能。 SFLC薄膜的另一个潜在应用是作为加密设备(图5e)。使用不同颜色荧光粉与SG混合而成的油墨在底部SG层上书写字母和字符(“UPC”和“I ”)，从而将信息编码到SFLC薄膜中。当SFLC薄膜处于松弛状态时，致密CNTs层会屏蔽来自底部编码字母和字符的黄色和蓝色荧光，编码信息无法被观察到。拉伸时，由于顶部CNTs层出现裂纹和裂缝，来自编码字母和字符的黄色和蓝色荧光的透射率会显著增加。因此，在紫外照射下拉伸SFLC薄膜会显示编码的字母和字符，揭示隐藏的信息。

图5. SFLC薄膜的应用：a使用基于SFLC薄膜的智能手套进行手势识别的过程；b 神经网络训练过程中损失值和准确率的变化；c 11种手势分类的混淆矩阵；d 手势分类模型的评价指标(F1值)；e SFLC薄膜作为加密装置示意图，包括SFLC加密薄膜结构、工作原理以及加密薄膜照片，在拉伸SFLC加密薄膜后，隐藏的“UPC”和“I ”标志可显现出来。

V总结

该研究通过智能手机将深度学习神经网络与柔性力致发光薄膜相结合，打造了一款功能强大的柔性可穿戴无线无源比色应变传感器系统(AIFWMLS)，该系统能够快速准确地检测应变。本研究构建的三明治结构柔性力致发光薄膜SFLC结构简单、易于制造，展现出优异稳定的力致发光性能。基于深度学习神经网络的云端智能颜色数据处理系统能够快速准确地从SFLC薄膜中提取颜色数据，将其转换为应变值，并自动校正检测环境色温变化而产生的误差。基于AIFWMLS系统构建了智能手套比色应变传感器系统，展示了其在手势与姿态识别领域的巨大应用潜力。此外，多功能SFLC薄膜还可作为潜在的加密设备。该研究表明，以智能手机为媒介，将基于深度学习的人工智能数据处理系统与SFLC力致发光比色传感薄膜相结合，可助力突破比色应变传感器“颜色到应变值转换”瓶颈，推动柔性可穿戴应变传感器从实验室研究走向消费市场。

来源：微机电系统与智能传感创新团队

(责任编辑：热点)