多模态传感能够从多个维度对环境进行同步感知,对于复杂物理系统的监控和感知建模具有重要意义。目前多模态传感器主要采用多个不同功能的传感器集成的方式构建,这往往会导致器件结构复杂、制备过程繁琐、器件功耗巨大等问题。同时,也可以利用多功能材料构建单组分的多模态传感器,其能够使用单一器件对多种环境刺激进行感知和监测。但是目前的单组分多模态传感器对不同环境刺激的响应信号往往会发生耦合,使其在同一时间只能对一种环境刺激进行监测,这与所期望的同步多模态感知相去甚远。
2022年8月25日,清华大学化学系曲良体课题组在《先进材料》(AdvancedMaterials)上发表题为“机器学习赋能的湿气自供电同步多模态传感器”(Machine learning enhanced simultaneous and multimodal sensor based on moist-electric powered graphene oxide)的研究论文,基于氧化石墨烯异质薄膜开发了一种能够对多种环境刺激进行同步感知的单组分多模态传感器(GO-MS)。
GO-MS能够主动吸附空气中的水分子并产生持续型的电势差,其无需外界供能,便可利用湿气诱导的电势差自发产生对温度、湿度、压力、光照等多种环境刺激产生响应信号。GO-MS对上述四种环境刺激的响应信号不仅具有局部依赖性和时间平稳性,而且对每种刺激具有可分辨的响应特征。研究人员构建了能够自动施加多种刺激,和实时记录每种刺激施加情况与GO-MS响应信号的多模态传感试验台,这为机器学习模型的部署提供了大规模、有标签的训练数据。通过所构建的机器学习模型对GO-MS的耦合响应信号的解耦分析,实现了使用单一的GO-MS响应信号,对多种环境刺激的变化情况的同步解耦合监测,其对温度、湿度、压力和光强变化的预测的平均绝对误差分别仅为1.3 °C、0.7%、0.031 N和12.4 mW cm–2。
进一步,基于GO-MS的多模态响应行为,研究人员开发了多功能手环。其能够根据手腕处的压力变化情况,来识别多种操作手势和常用的手语信号,实现了自供能的人机交互。同时,其可以同步监测人体的脉搏、体温和皮肤湿度变化情况,并对多种心脏类疾病进行识别和预警,实现了使用单一器件来进行多指标的人体健康检测。
图1:机器学习赋能的GO-MS多模态感知与多功能应用的示意图。
清华大学化学系的曲良体教授、程虎虎老师为论文共同通讯作者。清华大学2017级博士生杨策是本文的共一作者。
原文链https://onlinelibrary.wiley.com/doi/10.1002/adma.202205249