柔性可穿戴應變傳感器是未來物聯網不可或缺的基本核心組件之一，在健康監測、姿態識別、工程材料機械形變監測、人機接口以及軟體機器人等領域具有巨大的應用潛力。目前，大多數柔性可穿戴應變傳感器將機械形變轉換為電流或電壓等電信號。這類可穿戴傳感器往往需通過復雜布線與大型設備相連，以進行數據收集和處理，導致高功耗、信號讀取延遲、工作范圍受限、用戶體驗不佳，嚴重阻礙了此類可穿戴應變傳感器的實際應用。與傳統可穿戴應變傳感器相比，柔性力致變色/力致發光應變傳感器可將應變信號轉化為顏色信號。智能手機等移動設備可通過攝像頭直接捕捉由應變引起的顏色變化，無需復雜的布線或無線通信單元即可將信號傳輸至數據采集和處理模塊，可極大降低傳感器制造和使用難度與成本。通過用戶友好的智能手機應用程序或用戶界面，可實現與人工智能深度學習數據處理系統的深度結合，實現應變數據的智能處理。因此，構建具有顏色數據自動采集、處理以及顯示功能的柔性可穿戴智能比色應變傳感系統具有重要意義。

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

本文亮點

1.構建了一種三明治結構的柔性可穿戴力致發光傳感器(SFLC)薄膜，其在無線可穿戴比色應變傳感器以及加密設備方面具有巨大的應用潛力。

2.所構建SFLC薄膜以智能手機為媒介可與基于深度學習算法的云端人工智能數據處理系統深度集成，通過智能手機等移動設備能夠快速準確地解讀顏色數據，將其轉換為應變值，并自動糾正因測試環境色溫變化而產生的誤差。

3.基于SFLC薄膜與深度學習神經網絡顏色數據處理系統的智能手套可穿戴傳感器能夠實現快速準確的手勢識別，并于智能手機終端顯示識別結果。

內容簡介

復雜的布線、龐大復雜的數據采集設備以及傳感數據現場快速解讀的難題，極大限制了柔性應變傳感器作為可穿戴設備的實際應用。為解決上述問題，中國石油大學(華東)張冬至、董炎等人通過智能手機將基于深度學習的顏色數據處理系統(CDPS)與三明治結構的柔性力致發光比色應變傳感器(SFLC)薄膜相結合，開發了一種人工智能輔助的無線、柔性、可穿戴的力致發光比色應變傳感器系統(AIFWMLS)。所構建SFLC薄膜結構簡單，易于制造，具有優異穩定的力致發光性能。所構建CDPS系統通過智能手機可與SFLC薄膜深度集成，能夠快速準確地提取并解讀SFLC薄膜的顏色，將其轉換為應變值，并自動校正因測試環境色溫變化而產生的誤差，顯著提高了應變檢測的準確性。該研究構建了基于AIFWMLS系統的智能手套手勢識別傳感器，展示了該型傳感器在手勢與姿態識別領域的巨大應用潛力。此外，該研究還展示了SFLC薄膜作為加密設備的應用潛能。該研究表明，以智能手機為媒介，將基于深度學習的人工智能數據處理系統與SFLC力致發光比色傳感薄膜結合，可助力突破比色應變傳感器“顏色到應變值轉換”瓶頸，推動柔性可穿戴應變傳感器從實驗室研究走向消費市場。

圖文導讀

I柔性可穿戴力致發光比色應變傳感系統(AIFWMLS)基本概念

本研究構建的AIFWMLS系統將三明治結構柔性力致發光應變傳感薄膜(SFLC)通過智能手機與基于深度學習神經網絡的顏色數據采集和處理系統相結合(圖1a)。SFLC薄膜底部是包含熒光材料(ZnS:Cu)的硅膠(SG)層，該材料在紫外線照射下會發出熒光。在松弛狀態下，由于頂層碳納米管(CNTs)層的屏蔽作用，薄膜顯示出非常弱的熒光。當薄膜形變時，由于其固有的力致發光特性，以及頂層CNTs層因形變產生的裂紋與縫隙，導致可檢測到的來自ZnS:Cu-SG熒光層的熒光顯著增強。基于卷積循環(CNN-GRU)深度學習神經網絡構建了AIFWMLS中的數據處理系統，負責收集顏色數據，并將顏色數據解釋為應變值，同時自動校正檢測環境色溫變化引起的誤差。此外，本研究構建了基于AIFWMLS系統的智能手套手勢識別傳感器，可用于手勢等姿態的快速識別(圖1b)，展示了AIFWMLS系統的應用潛力。

圖1. 人工智能輔助的柔性可穿戴力致發光比色應變傳感系統(AIFWMLS)用于應變感知概念圖：a AIFWMLS用于應變感知的基本原理，深度學習神經網絡能夠迅速處理不同色溫下所得顏色數據并將其轉化為應變值，所得應變數據準確度顯著提高；b用于手勢識別的AIFWMLS系統，可通過智能手機采集數據并顯示識別結果，右側表格顯示了AIFWMLS傳感系統與傳統可穿戴應變傳感器的對比。

II三明治結構柔性力致發光比色應變傳感薄膜的構建

SFLC薄膜由三層組成：底層為含有熒光ZnSCu-SG)，頂層為由碳納米管(CNTs)構成的熒光屏蔽層，中間層為彈性體(PDMS)(圖2a)。圖2b展示了SFLC薄膜三明治結構的掃描電子顯微鏡(SEM)圖。ZnS:Cu-SG層的厚度約為200微米。多孔的ZnS:Cu-SG層與致密的PDMS層無縫結合，界面清晰(圖2c)。圖2d顯示黑色CNTs均勻分布在PDMS層頂部。SFLC薄膜在拉伸狀態下的俯視圖(圖2e)顯示，CNTs沒有從變形的PDMS層上脫落，并保持均勻分布形態，證明了CNTs層與PDMS層之間的穩定粘合。PDMS中間層提高了SFLC薄膜的機械性能。這種柔性、防水的SFLC薄膜能夠承受反復的彎曲、扭轉和拉伸(圖2a)。在經歷500次的彎曲(圖2f)、扭轉(圖2g)或拉伸(圖2h)后，R、G、B值的百分比僅發生微小變化(≤5%)。如圖2i所示，ZnS:Cu-SG/PDMS薄膜的最大拉伸應變超過150%，最大載荷約為6.2 kPa。圖2j展示了SFLC薄膜在不同最大應變下的拉伸應力-應變曲線，薄膜的應變隨拉伸力線性增加，閉合滯后環表明SFLC薄膜具有良好的恢復能力，表明在加載-卸載循環過程中具有可逆的應變行為。經過20次循環拉伸后，未顯示顯著的負載降低，表明SFLC薄膜具有良好的機械穩定性(圖2k)。

圖2. SFLC薄膜的結構與力學性能：a SFLC薄膜的三明治結構示意圖，以及薄膜在彎曲、扭轉和拉伸狀態下的照片(比例尺：1厘米)；SFLC薄膜SEM圖， b 展示了SFLC薄膜的三明治結構，c展示了PDMS與ZnS:Cu-SG層之間界面，d展示了PDMS層上的碳納米管(CNTs)，e展示了拉伸狀態下頂部CNTs薄膜形態；SFLC薄膜經過多次f彎曲、g扭轉和h拉伸后RGB值(%)的變化(n = 3，平均值±標準差)；i-k 展示了SFLC薄膜的力學性能，i為ZnS:Cu-SG/PDMS薄膜的拉伸應力-應變曲線，j為SFLC薄膜在20%至100%應變范圍內的加載/卸載曲線，k為SFLC薄膜在50%應變下的加載/卸載曲線。

圖3a展示了SFLC應變傳感器的工作原理。在紫外光照射下，SG層中的熒光ZnS:Cu發出藍綠色熒光。當SFLC薄膜處于松弛狀態時，覆蓋在薄膜頂部的致密碳納米管(CNTs)層會屏蔽紫外光和ZnS:Cu-SG層發出的熒光。因此，檢測到的熒光非常微弱。拉伸SFLC薄膜時，由于ZnS:Cu本身的力致發光特性，其熒光強度增加。此外，SFLC薄膜頂部的致密CNTs層會發生裂紋和縫隙，這使得紫外光和ZnS:Cu-SG層發出的熒光能夠穿過透明的PDMS中間層以及頂部CNTs層，導致檢測到的熒光強度顯著增加。隨著應變的增加，頂部CNTs屏蔽層上產生的裂紋和縫隙越來越多，檢測到的熒光強度也隨之增加。隨著應變的增加，SFLC薄膜的PL信號強度增加(圖3b)。這導致從相機拍攝的SFLC薄膜照片中提取的R、G、B顏色值變化，如圖3c所示。通過建立R、G、B值百分比與SFLC薄膜應變之間的關系，可實現通過分析R、G、B值來量化薄膜的應變，這為AIFWMLS應變傳感器系統的構建奠定了基礎。當將SFLC薄膜貼附在食指指節或膝蓋上時，隨著彎曲角度的增加，SFLC薄膜的B(%)值也會增加，且B(%)值與彎曲角度之間存在強相關性(圖3d和圖3e)。

圖3. 作為比色應變傳感器的SFLC薄膜示意圖：a 力致發光應變傳感器的傳感機制：隨著頂部碳納米管(CNTs)層裂紋的增加，SFLC薄膜的熒光強度隨應變的增加而增強，底部為不同應變水平下SFLC薄膜照片(比例尺：1厘米)；b SFLC傳感器薄膜的PL光譜，顯示了光致發光強度隨應變的增加而增強；c 傳感器RGB值(%)隨應變的變化(n = 5，平均值±標準差)；d 附有SFLC應變傳感器薄膜的彎曲手指和e彎曲膝蓋，以及在不同彎曲角度下得到的B(%)值(比例尺：1厘米)。

III人工智能輔助色彩數據處理系統的構建 如圖4a所示，環境色溫變化可導致檢測所得應變值和真實應變值間出現顯著差異，該研究構建的AIFWMLS系統可有效解決上述問題。通過智能手機在不同色溫下捕獲SFLC薄膜圖像并提取特征值，形成用于神經網絡訓練數據集，訓練集、驗證集和測試集比例為3：1：1(圖4 b)。圖4c展示了單通道CNN-GRU神經網絡的基本結構，其由單通道CNN、兩層GRU和全連接層(Dense)組成，以SFLC膜提取的特征信號作為輸入，預測應變作為輸出。全連接層中線性函數可使模型對應變進行回歸預測。使用平均絕對誤差(MAE)作為模型優化超參數，經過300次迭代，1D-CNN-GRU、1D-CNN和1D-GRU(圖4d)模型損失值曲線均收斂，1D-CNN-GRU的損失值最小。1D-CNN-GRU神經網絡的應變預測決定系數(R2)(0.998)高于1D-CNN和1D-GRU的R2值，表明1D-CNN-GRU在SFLC膜應變預測中優于1D-CNN和1D-GRU神經網絡。將色溫校正后的預測應變值與不同真實應變值進行比較，證明CDPS系統顯著提高了預測應變的準確性(圖4e和圖4f)。色溫校正后，R2值從0.929增加到0.998，MSE(均方誤差)和MAE(平均絕對誤差)值分別下降到0.018和0.014。

圖4.顏色數據處理系統的構建：a深度學習神經網絡輔助下的SFLC薄膜應變傳感概念圖，通過深度學習神經網絡進行色溫校正后，應變預測準確性顯著提高(條形圖中紅線表示真實應變值)；b用于應變預測的深度學習神經網絡的訓練和優化過程算法流程圖；c 單通道CNN-GRU模型結構圖，以SFLC薄膜中提取的特征為輸入信號，以預測的應變值為輸出；d 1D-CNN-GRU、1D-CNN和1D-GRU神經網絡訓練過程中的損失值隨訓練輪次變化；e 未校正(黑色)和色溫校正后的應變數據(紅色)與SFLC薄膜的真實應變(綠線)的比較(n = 3，均值±標準差)；f CNN-GRU神經網絡色溫自動校正后不同色溫下獲得的預測應變(黃點)與真實應變值(藍線)的比較。 IVAIFWMLS系統的應用 該研究基于AIFWMLS系統構建了一種用于手勢識別的智能手套可穿戴應變傳感器。該智能手套由五片SFLC薄膜組成(圖5a)，可通過智能手機與云服務器中數據采集和處理系統集成。智能手機捕捉佩戴智能手套的手部圖像，不同手勢指關節彎曲角度不同，導致智能手套上SFLC薄膜的顏色組合不同。智能手機用戶界面將智能手套圖像上傳到云服務器，在那里，圖像由多通道CNN-GRU神經網絡進行處理和分析，并將手勢預測結果返回到智能手機顯示界面。為解決變化色溫對手勢識別造成的影響，收集了不同色溫下佩戴智能手套的中國數字手勢數據用于訓練神經網絡。訓練過程在200次迭代后完成，損失值(交叉熵損失)曲線收斂且精度達到98%(圖5b)。混淆矩陣顯示了經過訓練的5D-CNN-GRU神經網絡的性能，其對11個中國數字手勢識別的整體準確率為97.3%(圖5c)。對11個手勢識別的F1值均在94.5%-100%的范圍內(圖5d)，證明了5D-CNN-GRU神經網絡在手勢識別方面的優異性能。 SFLC薄膜的另一個潛在應用是作為加密設備(圖5e)。使用不同顏色熒光粉與SG混合而成的油墨在底部SG層上書寫字母和字符(“UPC”和“I ”)，從而將信息編碼到SFLC薄膜中。當SFLC薄膜處于松弛狀態時，致密CNTs層會屏蔽來自底部編碼字母和字符的黃色和藍色熒光，編碼信息無法被觀察到。拉伸時，由于頂部CNTs層出現裂紋和裂縫，來自編碼字母和字符的黃色和藍色熒光的透射率會顯著增加。因此，在紫外照射下拉伸SFLC薄膜會顯示編碼的字母和字符，揭示隱藏的信息。

圖5. SFLC薄膜的應用：a使用基于SFLC薄膜的智能手套進行手勢識別的過程；b 神經網絡訓練過程中損失值和準確率的變化；c 11種手勢分類的混淆矩陣；d 手勢分類模型的評價指標(F1值)；e SFLC薄膜作為加密裝置示意圖，包括SFLC加密薄膜結構、工作原理以及加密薄膜照片，在拉伸SFLC加密薄膜后，隱藏的“UPC”和“I ”標志可顯現出來。

V總結

該研究通過智能手機將深度學習神經網絡與柔性力致發光薄膜相結合，打造了一款功能強大的柔性可穿戴無線無源比色應變傳感器系統(AIFWMLS)，該系統能夠快速準確地檢測應變。本研究構建的三明治結構柔性力致發光薄膜SFLC結構簡單、易于制造，展現出優異穩定的力致發光性能。基于深度學習神經網絡的云端智能顏色數據處理系統能夠快速準確地從SFLC薄膜中提取顏色數據，將其轉換為應變值，并自動校正檢測環境色溫變化而產生的誤差。基于AIFWMLS系統構建了智能手套比色應變傳感器系統，展示了其在手勢與姿態識別領域的巨大應用潛力。此外，多功能SFLC薄膜還可作為潛在的加密設備。該研究表明，以智能手機為媒介，將基于深度學習的人工智能數據處理系統與SFLC力致發光比色傳感薄膜相結合，可助力突破比色應變傳感器“顏色到應變值轉換”瓶頸，推動柔性可穿戴應變傳感器從實驗室研究走向消費市場。

來源：微機電系統與智能傳感創新團隊