人工智能的加速發展推動了對柔性可穿戴傳感器的需求，特別是在柔性機器人、醫療健康監測和人機交互等應用中。柔性可穿戴壓力傳感器通常根據其傳感機制分為四種類型：壓阻式、壓電電容式、壓電式和摩擦電式。電容式壓力傳感器（CPSs）因其簡單的制造工藝、快速的響應時間、穩定性和低功耗而受到廣泛歡迎。典型的CPS結構由夾在頂部和底部電極層之間的介電層組成。傳統的CPSs靈敏度低，壓力范圍有限。將微結構引入CPS的介電層和電極層可以通過增加壓力下的柔順性和有效介電常數來提高靈敏度，并通過為彈性變形提供間隙來提高響應速度。然而，微觀結構的硬化往往限制了在較高壓力下的靈敏度。

離子電子壓力傳感器（IPS）通過在電介質/電極界面形成電子雙層（EDL），將有效電荷分離距離減小到小于1 nm，顯著提高了CPSs的性能，特別是在靈敏度和信號強度方面。由于離子和電子的協同效應，EDL的有效面積在操作過程中隨著壓力的增加而增加，從而增加了傳感器的電容。調整IPS中電介質和電極層的微觀結構以改變EDL的有效面積是提高傳感性能的有效策略。這些結構包括微柱、微粒和金字塔。例如，將IPS與激光誘導梯度微錐體等材料集成可以實現較低的檢測限、超寬線性范圍（高達2 MPa）的高靈敏度以及快速的響應和恢復時間。盡管傳感器性能取得了重大進展，但由于單個微結構的固有飽和趨勢，其傳感范圍仍然有限。因此，隨著壓力的增加，靈敏度顯著降低。此外，僅依賴于結構設計的IPS通常表現出較低的靈敏度，因為微觀結構容易飽和。這些結構通常與高成本和復雜的制造技術有關。

與單介電層配置相比，將高彈性體墊片（如PDMS、Ecoflex）與微結構介電層集成以形成雙介電層已被證明可以提高柔性壓力傳感器的靈敏度和壓力范圍。然而，高彈性體的固有局限性，如其較差的壓縮性，往往限制了靈敏度提高的程度。此外，在高壓條件下，高彈性體的機械性能會導致傳感器內部的結構損壞，從而限制其操作耐久性和長期可靠性。這些挑戰凸顯了對可同時實現高靈敏度、寬壓力范圍和穩健機械穩定性的替代材料或結構設計的需求。因此，在賦予超高靈敏度的同時，進一步提高其傳感范圍仍然具有挑戰性。

本文亮點

1. 本工作提出了一種新型的傳感器結構，即雙介電層離子電子壓力傳感器（DLIPS），它集成了高介電常數層和低介電常數膜。

2. 使用蠶繭離子凝膠和開孔聚氨酯泡沫作為電介質進行驗證，DLIPS表現出超高靈敏度（72548.7 kPa?1）、寬工作壓力范圍（0.001–420 kPa）、極低的檢測限（0.832 Pa）和超過5000次循環的出色耐久性。

3. 通過利用電容和電阻對壓力和溫度的不同響應，傳感器可以同時測量這兩個參數。集成了深度學習回歸模型，以解耦混合的溫度和壓力信號，從而實現準確的識別。

4. 由于其超高的靈敏度和檢測微小壓力波動的能力，DLIPS在皮膚安裝的無聲語音識別系統中顯示出巨大的潛力，識別準確率高達98.5%。

圖文解析

圖1. DLIPS的原理圖和應用。a）壓力傳感器設計和結構示意圖。（i）由最外層金電極、電極層和DDL組成的壓力傳感器結構；（ii）蠶繭和SCOG的SEM圖像。b）通過機器學習獲得的溫度和壓力解耦。c）DLIPS對揚聲器在10 Hz下產生的細微振動的響應，歸一化音頻幅度為0.008，以及從小波變換分析得出的電容信號的相應時頻分布。d）使用神經網絡對基本詞匯進行無聲語音識別。

圖2. 蠶繭和SCOG的特征以及IPS的傳感機制。a）蠶繭的SEM圖像。b）SCOG的共聚焦顯微鏡圖像。c）不同壓力下壓力傳感器的微觀形態和傳感機制。圖像中的紅色虛線表示PU泡沫和SCOG之間的接觸面。d）壓力傳感器、SCOG和PU泡沫的應力-應變曲線。

圖3. DLIPS的傳感性能。a）傳感器的靈敏度。b）傳感器的響應和恢復時間。c）傳感器在連續壓力下的電容變化曲線。d）傳感器在各種壓力下的電容變化。e）傳感器檢測到的高頻壓力信號的電容變化曲線。f）傳感器最小壓力檢測電容變化曲線。g）傳感器耐久性試驗（≈71.3 kPa）。h）傳感器的傳感性能比較。

圖4. 溫度和壓力信號的耦合和解耦。a）電容響應、b）相對電容變化和c）在0-90 kPa壓力和30-50°C溫度下的電阻響應（增量為5°C）的示意圖。d）傳感器對壓力和溫度組合刺激的響應示意圖，以及用于解耦的神經網絡模型，其中電容和電阻作為輸入，壓力和溫度作為輸出。e）使用電容數據、電阻數據及其組合訓練的模型的訓練損失與歸一化歷元數的關系。f）溫度和g）壓力的預測值和實際值之間的比較。h）溫度控制試驗箱的紅外圖像設置為40°C。i）從壓力傳感器獲取的電容和電阻信號，以及機器學習模型預測的相應壓力和溫度值。

圖5. 通過神經網絡輔助分析實現無聲語音識別。a）無聲語音識別過程和神經網絡架構示意圖。b）DLIPS對10 Hz音頻信號引起的結構共振的電容響應。插圖：10 Hz音頻誘發振動的時間位移曲線。c）響應于10Hz音頻刺激的電容信號的小波變換分析。d）DLIPS電容對歸一化幅度為0.008的10 Hz音頻信號的響應。e）DLIPS電容對歸一化幅度為0.01的10 Hz音頻信號的響應。f）六個基本單詞的正常發音的聲波波形以及在正常語音、耳語和無聲閱讀下的相應DLIPS電容響應。g）從四名參與者那里收集的數據集，用于基于深度學習的分類。h）使用t-SNE算法進行分類可視化。i）說明SSR分類準確性的混淆矩陣。j）不同基于傳感器的平臺之間的語音識別精度比較。

來源：高分子科學前沿