DOI: 10.1002/admt.202000779
本研究采用近場靜電紡絲法制備了一種具有多孔納米纖維基壓電納米發電機的新型堆疊結構。3D堆疊多孔納米纖維結構增強了應力集中效應，使得PVDF-TrFE納米纖維具有更高的電輸出性能。通過模擬近場靜電紡絲（NFES）裝置中的增材制造，結構簡單且具有壓電效果的制造工藝能夠將堆疊的多孔PVDF-TrFE納米纖維轉化為高性能傳感器。與原始PVDF-TrFE納米纖維相比，其電壓輸出性能提高了2.7倍以上。此外，還開發了一種自供電足部壓力識別統計系統和一種個人步態生物識別系統，以提供步態識別和一種新的生物識別技術。深度學習BiLSTM模型可實現高達86％的個人步態壓電信號識別率。此外，這項工作除了將自供電系統的應用領域擴展到智能可穿戴設備監測之外，還促進了智能醫療大數據分析的發展。
圖1.a）由近場靜電紡絲法在FPCB基板上制備的基于層層堆疊PVDF-TrFE納米纖維的SPPN傳感器的示意圖。b）三種納米結構的表面形態，即原始NFs、石墨烯和油改性納米多孔NFs。c）油改性多孔PVDF-TrFE納米纖維的橫截面。
圖2.a）SPPN傳感器壓電驅動機構的工作原理。b）SPPN傳感器的相應電壓-時間輸出曲線。c）SPPN傳感器在不同PVDF-TrFE濃度下的輸出電壓和電流。d）SPPN傳感器輸出電壓和電流與石墨烯濃度的關系。e）SPPN傳感器輸出電壓和電流與橄欖油濃度的關系。
圖3.a）腳底測量位置的示意圖。紅色虛線表示帶有相應傳感器信號的傳感區域（分別為傳感器1-8）。b）智能步態傳感墊的實際照片。c）前兩個對象的足部壓力傳感數據頻譜。
圖4.采用足部壓力分布統計系統分析了來自十個對象的傳感數據，以通過主成分分析來區分步態分布的異常情況。a）足部壓力分布統計系統的方案圖。b）通過PCA測定特征參數和主題分布的權重。c）預計在前兩個組成部分上分布十個主題。d）通過PCA繪制特征值陡坡圖。
圖5.個人步態判斷系統通過深度學習BiLSTM識別出個人時間序列步態信號。a）基于自供電智能步態傳感墊的個人步態判斷系統的方案圖。b）個人步態判斷系統的BiLSTM模型框架。c）從十名受試者的隨機部分提取的足部壓力訓練集的時間序列信號之一。d）訓練模型精度趨勢圖。e）測試集判別精度的混淆矩陣和判別預測時序圖。
微信二維碼
