作為將外部壓力轉換為電信號的裝置，柔性壓力傳感器對于實現人體健康監測、運動檢測、智能機器人以及人機交互中的觸覺感知至關重要。近年來，隨著可穿戴設備在實用性、高精度和長續航能力方面的不斷進步，開發兼具寬線性范圍和高靈敏度的柔性壓力傳感器已成為柔性電子領域的重要研究方向和關鍵技術瓶頸。高靈敏度能夠精確檢測細微的壓力變化，而寬線性響應范圍則確保傳感器輸出與施加的壓力保持直接比例關系，從而簡化信號分析，無需復雜的數據處理。

在各種壓力傳感機制中，壓阻式壓力傳感器因其結構設計簡單、制造工藝便捷、輸出信號穩定以及與柔性電路的優異兼容性而備受關注。壓阻式傳感器的工作原理通常是將機械刺激轉化為可測量的電阻變化，這種變化主要源于內部導電網絡的調整、界面接觸電阻的變化或微觀結構的變形。近年來，研究重點集中在探索各種傳感材料以提高柔性壓阻式傳感器的傳感性能。諸如炭黑、石墨烯、碳納米管(CNTs)、金屬納米顆粒和MXene等多種導電填料已被嵌入彈性體基體中，用于制備復合材料，應用于傳感器領域。然而，這些聚合物-填料復合材料通常難以同時滿足寬檢測范圍和高靈敏度的雙重要求。對于這些聚合物-填料復合材料，靈敏度主要取決于彈性模量。較高的模量可以拓寬檢測范圍，但會犧牲靈敏度；而較低的模量可以提高靈敏度，但會限制測量大應力的能力。因此，需要能夠在不同范圍內發生顯著形變的復合材料，從而實現電阻的顯著變化。

為了解決這一難題，一種有效的方法是設計在不同壓力條件下具有連續變化接觸狀態的混合微結構，旨在實現靈敏度和線性傳感范圍之間的最佳平衡。例如，Zhang等人設計了一種由雙電阻敏感層組裝而成的Janus導電結構，用于壓阻式傳感器，從而實現了超寬線性檢測范圍（高達3800 kPa）和約4 kPa?1的適中靈敏度。Zhou等人也進行了類似的研究。研究人員開發了一種高性能柔性壓力傳感器，其靈敏度為 24.6 kPa?1，線性范圍高達 1400 kPa。該傳感器采用金字塔形碳泡沫陣列作為傳感層，彈性間隔層則起到剛度調節器的作用。受人體皮膚高靈敏度微結構的啟發，Wan 等人開發了 MXene 修飾的海膽狀微結構，用于制造柔性電子傳感器。該傳感器靈敏度高達 784.02 kPa?1，但壓力范圍僅為 ≈20 kPa。Zhou 等人則利用具有多孔互鎖結構的雙層導電材料構建了一種靈敏度高達 924.4 kPa?1 的壓力傳感器。然而，這種優異的性能僅限于 70 kPa 以下的狹窄壓力范圍。盡管這些研究在一定程度上提高了傳感器的靈敏度或拓寬了線性傳感范圍，但固有的矛盾依然存在：高靈敏度通常僅限于低到中等壓力范圍，而更寬的線性范圍往往會犧牲靈敏度。因此，設計能夠同時提供高靈敏度和超寬線性檢測范圍的柔性壓阻式壓力傳感器是一項核心挑戰。

本文亮點

1. 本工作提出了一種基于MXene的多級微穹頂（MSM）結構的柔性壓阻傳感器，實現了高靈敏度和寬響應范圍。

2. 得益于該結構的多級壓縮和逐步接觸特性，所制備的MXene基柔性壓力傳感器實現了高達2500 kPa的超寬檢測范圍和11.57 kPa?1的高靈敏度。

3. 結合深度學習算法，所設計的掌形和足底形傳感器陣列能夠有效識別摩爾斯電碼、物體抓取和人體運動，識別準確率超過95%。

圖文解析

圖1. MSM結構壓力傳感器的制備工藝及結構表征。(a) MSM結構柔性壓力傳感器的制備工藝示意圖。(b) 未涂覆MXene的MSM結構PDMS薄膜照片。(c) 涂覆MXene后的MSM結構PDMS薄膜照片。(d) MXene薄片的原子力顯微鏡(AFM)圖像。(e) MXene納米片的透射電鏡(TEM)圖像。(f) Ti3AlC2和MXene的X射線衍射(XRD)圖譜。(g) 主/次微穹頂高度比為1:0.5的MSM結構的側視顯微照片。(h) 主/次微穹頂高度比為1:0.5的MSM結構的三維光學顯微鏡掃描圖像。(i) 傳感器整體的掃描電鏡(SEM)圖像。(j) 單個微穹頂的放大SEM圖像。 (k) 單個微穹頂的EDS映射中Ti元素的分布圖。

圖2. MSM結構壓力傳感器的傳感機制和性能表征。(a) MSM結構壓力傳感器的工作原理示意圖。(b) 傳感器在14至1389 kPa壓力范圍內的ΔI/I0-壓力曲線。(c) 傳感器在不同外部壓力下的靈敏度。(d) 傳感器在1.4 kPa壓力下的響應和恢復時間曲線。(e) 傳感器在不同壓力下的重復性輸出波形。(f) 傳感器在833 kPa壓力下（約2900次壓力循環）的耐久性測試結果。(g) 基于MSM的傳感器與先前報道的傳感器的靈敏度和量程比較。

圖3. 基于MSM結構傳感器的莫爾斯電碼識別。(a) CNN-BiLSTM模型架構示意圖。 (b) 單個傳感器采集的摩爾斯電碼按鍵信號示意圖（“-”和“.”通過按鍵持續時間區分）。(c) 經過50個訓練周期后的混淆矩陣（測試準確率：99.5%）。(d) t-SNE降維可視化圖，展示了不同類別的特征分布。

圖4. 基于MSM結構的掌形傳感器陣列的物體抓取識別。(a) 16通道掌形傳感器陣列照片。(b) 基于STM32F407的16通道信號采集電路板照片。(c) CNN-BiLSTM模型架構示意圖。(d) 掌形傳感器陣列抓取不同物體時的輸出信號示例。(e) 經過50個訓練周期后的混淆矩陣（測試準確率：95%）。(f) t-SNE降維可視化圖，展示了不同物體類別的特征分布。

圖5. 基于MSM結構的鞋底形傳感器陣列的運動模式識別。(a) 16通道鞋底形傳感器陣列照片。(b) CNN-BiLSTM模型架構示意圖。(c) 不同運動模式下鞋底形傳感器的輸出信號。(d) 50個訓練周期后的混淆矩陣（測試準確率：97.9%）。(e) t-SNE降維可視化圖，展示了不同運動模式下的特征分布。

審核編輯 黃宇