安徽建筑大学:碳纳米管/聚氨酯海绵压力传感器的创新应用

成果简介

柔性压力传感器在人机交互、运动检测和手势识别等多个领域都非常重要。本文，安徽建筑大学Yang Song等研究人员在《ACS Appl. Electron. Mater.》期刊发表名为“Wearable and Cost-Effective Pressure Sensor Based on a Carbon Nanotube/Polyurethane Sponge for Motion Detection and Gesture Recognition”的论文，研究利用碳纳米管和聚氨酯海绵的复合材料开发了一种压阻式压力传感器。传感器是通过浸渍干燥法制造的，这种方法可使碳纳米管（CNT）附着在聚氨酯海绵（PUS）的骨架上。所获得的传感器具有以下优异特性：灵敏度高（2.7% kPa-1）、响应迅速（响应/恢复时间分别为 60/100 ms）、长期稳定性好（在加载/卸载循环过程中以 0.1 Hz 频率在 18,000 秒内保持 0-100 kPa 范围内的一致响应信号）。

结果表明，传感器可以有效捕捉这些不同的信号，从而区分不同的运动状态。此外，该传感器还能通过有规律的按压准确传递 26 个英文字母和 10 个阿拉伯数字的摩尔斯电码。最后，利用传感器制作了一个感知手套，用于表达阿拉伯数字 0-9 的手势。基于 Inception 网络的深度学习算法实现了 10 种手势的高准确率（99.5%）手势识别。这项工作为生产柔性压力传感器提供了一种成本效益高且简单的方法，可用于各种应用，包括人体运动检测、可穿戴设备、手势识别和人机交互。

图文导读

图1. (a) CNT/PUS 传感器的制造过程。(b) CNT/PUS 传感器展开图。

图2. (a) CNT/PUS 均匀的黑色外观和断裂的表面。(b) 尺寸为30×30×20毫米的 CNT/PUS放在番茄叶子的图片。(c) CNT/PUS 的压缩和复原过程，显示出极佳的可压缩性和复原性。

图3. (a) PUS 光学图。(b、c）放大 500 倍和 2000 倍的 PUS 截面 SEM 图像。(d) CNT/PUS 光学图。(e、f）CNT/PUS 横截面的扫描电镜图像，放大倍数分别为 500 倍和 2000 倍。

图4. (a) 实验装置示意图。(b) CNT/PUS 传感器在 0-100 kPa 压力范围内的压力-RCR 关系。(c) 传感器的滞后特性。(d) 传感器在 5 kPa 负荷下的响应时间和恢复时间。(e、f）传感器在弯曲和扭转情况下的响应时间和恢复时间。(g、h）PUS 和 CNT/PUS 在不同应变（25%、50% 和 75%）下的压缩应力-应变曲线；局部放大图显示了应变范围为 25%-50%时应力-应变曲线的变化。

图5. (a) 0.25 Hz 下不同压力（10、20 和 30 kPa）下传感器的 RCR 响应。(b) 传感器在 20 kPa 下不同频率（0.5、1 和 2 Hz）的 RCR 响应。(c) 传感器在 0-100 kPa 下重复 18,000 秒的压缩-释放循环；插图显示了 0-500 秒和 17,500-18,000 秒的压缩-释放循环。

图6. CNT/PUS 传感器作为人体运动检测可穿戴设备的演示

图7. (a) 阿拉伯数字 0 至 9 的十种不同手势。(b) 数字 0-9手势的流程图。(c) 在表达 0-9 数字手势时，五指上不同基本传感器对传感手套的 RCR 响应。

图8. (a) 基于 InceptionNet 的阿拉伯数字 0-9 手势识别流程图。(b) Inception 网络模型的训练曲线。(c) 基于 Inception 网络模型的 10 个手势识别结果的混淆矩阵。(d) 基于不同模型的 10 个手势的识别精度

小结

总之，通过低成本的浸渍干燥法制备了CNT/PUS，将 CNT 粘附在 PUS 的骨架结构上形成敏感层，从而生产出夹层型压阻压力传感器。该传感器具有出色的灵敏度（在 15 kPa 范围内，S 值为 2.7% kPa-1）、快速响应/恢复时间（60/100 ms）、较小的滞后（10.75%）和强大的循环稳定性（0-100 kPa 范围内为 18,000 s，工作频率为 0.1 Hz）。因此，该传感器易于制造，价格低廉，可实现大规模生产和潜在应用。当 CNT/PUS 传感器位于人体的不同部位（如指尖、手指、手腕、肘部、膝部和足部）时，能够检测到各种人体运动信号。

此外，该传感器还可以通过有规律的按压来传递摩尔斯电码信息，是一种理想的信息传播设备。最后，通过医用胶带将五个传感器粘贴在每个手指的近节上，制作了一个传感手套。该手套可检测不同手指的屈伸信号。为了创建手势样本数据集，我们收集了 1000 个样本，并使用最小-最大归一化方法对原始数据进行了预处理。基于该数据集，我们构建了 Inception Network、LeNet、决策树和 k-nearest neighbor 模型来对阿拉伯数字 0-9手势进行分类。Inception Network 模型的平均准确率达到 99.5%。这些实验结果表明，该传感器非常适合用于检测人体运动、传输信息、识别手势以及其他潜在应用。

文献：

https://doi.org/10.1021/acsaelm.3c01199