一种柔性压力传感器的制备方法及应用

技术领域

本发明涉及人体运动状态识别的技术领域，具体涉及一种柔性压力传感器的制备方法及应用。

背景技术

人体运动状态检测、识别技术已经广泛应用在医疗、人机交互以及家居生活等不同的领域。当前人体运动检测研究通常可以分为两种方式：一种是基于视频及图像处理技术的人体运动状态识别，另外一种就是基于可穿戴设备的人体运动状态识别。随着柔性电子技术的飞速发展，柔性传感器的出现，为人体运动状态检测提供了新的思路。不同于传统的刚性传感器，柔性传感器能够适应复杂的检测环境，且本身有着体积小、重量轻的优点，能够很好的适应人体运动监测的要求，且不会对人体自身的活动造成很大的障碍。尽管已经有柔性传感器在运动状态识别领域中应用的报道，但是识别效果仍然受传感器的灵敏度、稳定性等关键因素的限制。因此，设计一款能很好的应用于人体运动状态检测的性能优越的柔性传感器具有一定的意义和价值。柔性压力传感器的类型很多，其传感机理主要分为压阻式、压电式以及电容式三类。压电式传感器因其独特的传感原理，有灵敏度高、响应速度快等优点，但是无法对静态压力进行有效测量；压阻式传感器有数据易采集、制作简便、性能稳定等优点，但是传感材料易受环境因素影响，且压阻式传感器受柔性材料粘弹性影响较大，容易产生较大的迟滞，影响实时的检测效果；相比较而言，电容式传感器功耗低，灵敏度高，低迟滞性、响应时间快，对微小应力具有很好的感知能力，能够满足人体运动检测的实际需要。当前，提高电容式传感器性能的主要途径就是在介电层和电极层中构建微结构，通过微结构的设计最大程度的提高介电层和电极层受压形变时电容变化的敏感程度，并且可以从电极层构建微结构和提高介电常数两个方面的组合寻求性能优化。

发明内容

针对现有技术中存在的上述问题，本发明提出了一种柔性压力传感器的制备方法及应用，设计合理，克服了现有技术的不足，具有良好的效果。

为了实现上述发明目的1，本发明采用如下技术方案：

一种柔性压力传感器的制备方法，包括以下步骤：

首先将MWCNTs溶液喷涂到平贴在玻璃板上的80目砂纸表面，加热烘干后在砂纸表面沉积一层干燥的MWCNTs，将PDMS溶液倾倒在其表面，通过旋涂法匀胶，PDMS溶液因重力作用渗透到MWCNTs层中，加热固化后PDMS溶液凝固形成PDMS膜，将PDMS膜揭下，得到PDMS/MWCNTs电极层；

S2、制备传感器介电层；

将BaTiO3质量占比为30％的BaTiO

S3、封装传感器；

将PDMS/MWCNTs电极层裁剪成1cm宽、4cm长的条状，将BaTiO

进一步地，在S1中，所述MWCNTs溶液的制备方法为：将纯度为95％、长度为10-30m、羧基含量为2.0wt％的多壁碳纳米管分散在无水乙醇中，手动搅拌10分钟之后使用高频超声波进一步分散多壁碳纳米管30分钟，得到质量分数为1wt％的多壁碳纳米管/乙醇分散体，将分散体溶液静止保持12小时之后，除去底层沉淀，保留上清液，即为MWCNTs溶液。

进一步地，在S1中，所述PDMS溶液的制备方法为：将PDMS主剂与固化剂以15∶1的比例混合搅拌30分钟，然后在真空状态下处理30分钟，除去溶液中的气泡。

进一步地，在S1和S2中，旋涂转速为400rpm，旋涂时间为40s。

进一步地，在S3中，选择厚度为50um的PI膜。

为了实现上述发明目的2，本发明采用如下技术方案：

一种人体运动状态识别方法，采用如上所述的制备方法制备的柔性压力传感器，该柔性压力传感器共设有3个，分别使用铜箔导电胶带将导线一端固定在电极层表面，将导线另一端连接至同一个电路板，电路板包括电容采集模块、微控制器模块、开关模块以及电源模块，微控制器模块将采集到的传感器信号通过蓝牙传输到电脑端；

包括以下步骤：

S1、获得原始样本数据；

将三个柔性压力传感器分别固定在人体的胸口处、肘关节处以及膝关节处，将采集到的呼吸信号、肘关节弯曲信号以及膝关节弯曲信号三组数据作为原始样本数据；

S2、对原始样本数据进行去噪、样本划分以及特征提取，得到样本集；

对原始样本数据选择小波阈值去噪法进行去噪；

特征提取方式为时域特征提取，时域特征包括最大值、最小值、平均值、均方根以及方差，得到每组含15个特征参数的样本集；

S3、确定神经网络模型的结构，神经网络模型包括输入层、隐含层以及输出层；

S4、采用Levenberg-Marguardt算法基于样本集对所述神经网络模型进行训练，当均方误差达到最优时，此时神经网络模型确定为最终神经网络模型；

S5、根据最终的神经网络模型对人体运动状态进行识别。

进一步地，在S3中，输入层的神经元节点数目为15个，构成的15维输入向量依次对应着一组训练数据的15个特征值；隐含层的神经元节点数目为7个；输出层的神经元节点数目为1个，通过输出1、2、3、4来分别表示不同的运动状态，输出1代表静坐状态，输出2代表静立状态，输出3代表行走状态，输出4代表奔跑状态。

本发明具有如下有益效果：

本发明设计了一种基于表面嵌有微结构的MWCNTs/PDMS电极和BaTiO

本发明基于该柔性传感器设计了一套人体运动状态识别方法，利用多层识别的数据模型，实现了对静坐、静立、行走、奔跑四种运动状态的识别。该传感器能有效监测人体生理活动信息，如呼吸信号和跳关节运动，在可穿戴运动检测领域能够发挥出巨大的作用。该方法为人体运动识别领域提供了一种新的思路，在人机交互、健康监测方面具有巨大应用潜力。

附图说明

图1为本发明一种实施例中电极层制备流程图；

图2为本发明一种实施例中介电层制备流程图；

图3为本发明一种实施例中柔性压力传感器结构示意图；

图4为本发明一种实施例中传感器压力-电容变化曲线图；

图5为本发明一种实施例中传感器呼吸信号采集曲线图；

图6为本发明一种实施例中传感器肘关节弯曲采集曲线图；

图7为本发明一种实施例中传感器膝关节弯曲采集曲线图；

图8为本发明一种实施例中人体运动识别方法设计流程图；

图9为本发明一种实施例中传感信号去噪前后对比效果图；

具体实施方式

下面结合附图和具体实施例对本发明的具体实施方式做进一步说明：

一种柔性压力传感器的制备方法，包括以下步骤：

S1、制备传感器微结构电极层；

首先将MWCNTs溶液喷涂到平贴在玻璃板上的80目砂纸表面，加热烘干后在砂纸表面沉积一层干燥的MWCNTs，将PDMS溶液倾倒在表面，通过旋涂法匀胶，设置旋涂转速为400rpm，旋涂时间40s，加热固化后PDMS溶液凝固，即可将MWCNTs层牢牢锁定住，将PDMS膜揭下，获得了PDMS/MWCNTs电极层。由于砂纸表面有凹凸不平的微结构，PDMS/MWCNTs电极层也会呈现与砂纸表面凹凸性质相反的微结构，制备流程如图1所示。由于MWCNTs层厚度远低于PDMS层，所以MWCNTs层几乎不会对PDMS层的弹性性能造成影响，保证了微结构电极具有优异的稳定性、拉伸性和较低的制作成本。

具体地，MWCNTs溶液的制备方法为：将纯度为95％、长度为10-30m、羧基含量为2.0wt％的多壁碳纳米管分散在无水乙醇中，手动搅拌10分钟之后使用高频超声波进一步分散多壁碳纳米管30分钟，减少多壁碳纳米管在分散液中的团聚情况的发生，得到质量分数为1wt％的多壁碳纳米管/乙醇分散体，将分散体溶液静止保持12小时之后，除去底层沉淀，保留上清液，即为MWCNTs溶液。

具体地，PDMS溶液的制备方法为：将PDMS主剂与固化剂以15∶1的比例混合搅拌30分钟，然后在真空状态下处理30分钟，除去溶液中的气泡。

S2、制备传感器介电层；

将BaTiO

S3、封装传感器；

将PDMS/MWCNTs电极层裁剪成1cm宽、4cm长的条状，将BaTiO

对根据上述制备方法制备的柔性压力传感器进行测试：

将传感器固定在数显推拉力计的底座，施加压力并记录下不同压力对应的电容变化值，获得了如图4的压力-电容变化曲线。对其分段线性拟合分析可知，在0-120Pa的压力范围内，传感器的灵敏度为2.39kPa

对根据上述制备方法制备的柔性压力传感器进行信号采集：

使用该多路传感信号采集系统来实现对于呼吸信号、肘关节弯曲信号以及膝关节弯曲信号的数据采集。采集结果如图5所示。由图5能够看出，传感器对于正常呼吸、深呼吸、急促呼吸的三种呼吸状态的响应较为准确。深呼吸时的呼吸强度要比正常呼吸更强，而急促呼吸时有着更高的呼吸频率，且急促呼吸时的吸气深度与深呼吸类似，但是吐气不够彻底。传感器电容值的实时采集变化与实际呼吸情况有较好的映射，与实际情况相符。图6、7分别表示传感器对肘关节与膝关节的弯曲状态的电容值响应。其中，肘关节是较小的关节，肘关节弯曲时传感器也有着较大的弯曲，因此会产生较大的电容值变化；膝关节是较大的关节，即使膝关节弯曲较大角度，因传感器尺寸较小的缘故，电容值响应要比肘关节弯曲时略低，测试曲线结果也证明了该传感器能够对不同的关节运动信号产生有效响应。

因此，将使用三个传感器分别采集呼吸信号、肘关节以及膝关节弯曲信号来实现对于人体静坐、静立、走、跑四种典型的运动状态进行辨别。

一种人体运动状态识别方法，设计流程图如图8所示，采用三个根据上述制备方法制备的柔性压力传感器，分别使用铜箔导电胶带将导线一端固定在电极层表面，将导线另一端连接至同一个电路板，电路板包括电容采集模块、微控制器模块、开关模块以及电源模块，电路板供电电压为303V，微控制器模块将采集到的传感器信号传输给电脑端，编程开发关键为IAR软件；

包括以下步骤：

S1、获得原始样本数据；

将三个柔性压力传感器分别固定在人体的胸口处、肘关节处以及膝关节处，实验人员分别保持静坐、静立、走、跑四种状态各1min，总共重复15次。考虑到呼吸频率范围约在0.15-0.4Hz内，同时顾及肘关节及膝关节的运动频率，将传感器信号采集频率设置在为5Hz，避免引入过多噪声。将采集到的呼吸信号、肘关节弯曲信号以及膝关节弯曲信号三组数据作为原始样本数据；

S2、对原始样本数据进行去噪、样本划分以及特征提取，得到样本集；

具体地，信号采集过程中因为环境及实验条件的限制，信号中难免会混杂各种噪声信号，由图9中较细曲线能够看出，传感器采集的呼吸信号、肘关节、膝关节弯曲信号均在一定程度上受到噪声的干扰。选择小波阈值去噪法来对采集到的传感信号进行去噪。图9中较粗曲线展示了部分静立状态下的呼吸信号去噪效果，不难看出，信号中的噪声被成功去除，去噪后的信号平滑性较好且能够较好的保留信号原有的变化趋势及特征。

具体地，将去噪后的信号进行加窗处理，也就是将较长的数据划分为固定长度的数据片段作为样本。本文使用的窗口长度设定为10s，以5s为增量的滑动窗口将信号划分为一系列的分析样本，从而产生5s的重叠，通过信号重叠的方式来最大限度的利用连续的数据流。传感器的信号采样频率为5Hz，即为每50个数据点作为一个样本，每25个数据点采一次样本，总共获得四种运动状态共716组样本，每一组样本都包括10s的呼吸信号、肘关节及膝关节弯曲信号。

具体地，数据特征提取方式为时域特征提取，时域特征包括最大值、最小值、平均值、均方根以及方差，得到每组含15个特征参数的样本集；

S3、确定神经网络模型的结构，神经网络模型包括输入层、隐含层以及输出层；输入层的神经元节点数目为15个，构成的15维输入向量依次对应着一组训练数据的15个特征值；隐含层的神经元节点数目确定关系着神经网络的最终效果，节点过少容易导致网络的识别能力差，节点数目过多容易导致容错能力低等问题，隐含层神经元个数为7个；输出层的神经元节点数目为1个，通过输出1、2、3、4来分别表示不同的运动状态，输出1代表静坐状态，输出2代表静立状态，输出3代表行走状态，输出4代表奔跑状态。

S4、采用Levenberg-Marguardt算法基于样本集对所述神经网络模型进行训练，当均方误差达到最优时，此时神经网络模型确定为最终神经网络模型；

具体地，将获得的辨别四种运动状态的716组的样本集，随机选择70％的样本作为训练集，15％的样本作为验证集，15％的样本作为测试集。训练算法选择Levenberg-Marguardt算法，经过26次训练迭代的三种样本集的均方误差达到最优。

S5、根据最终的神经网络模型对人体运动状态进行识别。

对训练完成的神经网络模型进行测试：

使用信号采集系统取了100个测试样本，包括25个静坐样本、25个静立样本、25个行走样本、25个奔跑样本，使用该样本对训练后的人体运动状态识别网络进行可靠性测试，得到的测试结果如表1所示。通过表可知，测试的总体正确识别率为94％，其中神经网络分析模型对于静坐与静立的识别率最高，达到96％，对于行走和奔跑两种运动状态的识别率分别为92％。这可能是因为前两种状态运动幅度极低，仅包含关节不自觉的轻微运动，传感器采集数据较为稳定；而行走和奔跑两种状态的运动幅度较大，传感器采集信号变化剧烈，训练样本不够全面，未能覆盖所有可能的样本。

表1神经网络模型的测试结果

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。