紗線傳感器由於其形狀適應性、良好的柔韌性和可編織性，在可穿戴電子產品中顯示出廣闊的應用前景。然而，如何以工業可擴展的方式開發結構穩定、響應快、機械性能魯棒的全微纖維紗線傳感器仍是挑戰。在此，採用連續、可量產、結構可編程、低成本的紡紗技術，設計製造了一種具有負泊松比的全纖維拉脹交織紗線傳感器(AIYS)。基於獨特的超細纖維交錯結構，AIYS同時具有負泊松比、魯棒的力學性能和快速的訓練阻力響應，增強了對人體的適形性，並快速將人體關節彎曲和/或拉伸轉化為電信號。同時，利用AIYS陣列，利用人工神經網絡開發了一種超快全字母手語翻譯手套，在消除交流障礙方面具有顯著的潛力。Full-Fiber Auxetic-Interlaced Yarn Sensor for Sign-Language Translation Glove Assisted by Artificial Neural Network
Ronghui Wu,Sangjin Seo,Liyun Ma,Juyeol Bae&Taesung Kim*
Nano-Micro Letters (2022)14: 139https://doi.org/10.1007/s40820-022-00887-51. 通過計算機包紡技術實現全纖維拉脹交織紗線傳感器的連續和大規模製造。
2. 全纖維拉脹交錯紗線傳感器的泊松比最大可達-1.5，具有優異的機械性能(0.6 cN/dtex)和快速的抗阻訓練響應能力(響應時間約為0.025 s)。3.開發了一種新型的手語翻譯手套，可識別完整的英語字母表，並將佩戴者的手語翻譯成文本。
用工業方法大規模生產結構穩定、機械性能優異的紗線傳感器對探索新型可穿戴電子產品具有關鍵意義。蔚山科學技術院的Taesung Kim教授課題組開發了一種全纖維拉脹交織紗線傳感器，將其用於製作可以覆蓋人手和手腕整個活動關節的智能手套，並通過人工神經網絡進行校準和校正，以實現對26個英文字母的精準識別。該工作採用電腦包紗的方法，首先通過壓紗機製備了具有相反方向的導電聚酰胺紗線內/外護套層，隨後將鞘紗對稱地纏繞在PU芯紗上，製備了具有特定互鎖結構的紗線傳感器(AIYS)，接着將傳感器通過平針縫在針織手套的選定位置上，開發了用於手語智能識別的翻譯手套。研究發現，紗線傳感器中的殘餘扭矩和集中應力得到了有效控制，基於紗線設計的AIYS具有高電阻應變響應性，泊松比最低達到-1.5，具有顯著的拉脹效應，有助於在將電子紡織品穿在人體上時自我膨脹，從而獲得更好的身體順應性。基於人工神經網絡的AIYS陣列嵌入式智能手套可以實現對26個英文字母的快速分類，總體準確率達到99.8%，平均識別時間小於0.25s。此外，該手套可以作為一個可移動的穿戴式鍵盤，自由輸入並將複雜的句子和常見的對話實時翻譯成文本或語音。全纖維拉脹交錯紗線傳感器在智能柔性可穿戴領域展現出潛在的應用前景。I 基於拉脹紗線傳感器陣列的手語翻譯手套的實現過程由於AIYS優異的機械性能和拉脹性能，使用AIYS構築的智能手套能夠實現手語翻譯功能。如圖1(a)所示，這款手套是通過在針織手套的手指和手腕的活動關節上縫製一個包含16個紗線傳感器的陣列製成的。傳感器陣列與多通道數據採集系統相連，從而獲取手勢運動數據，並將其輸入人工神經網絡算法以訓練深度學習模型，從而實現從手勢到可讀可聽文本的實時翻譯。圖1(b)展示了AIYS傳感單元獨特的互鎖結構，可以使AIYS獲得高電阻應變響應和負泊松比。如圖1(c)所示，全纖維AIYS採用連續、可大規模生產的紡絲技術製造，工作效率高、成本低。對於包芯紗，首先從下到上依次通過張力控制器、正輥、皮圈、兩個包絡區引入包紗機，隨後由槽筒驅動的收集筒管收集。對於內鞘紗，將其餵入第一包纏區，並在包芯PU包芯紗表面以順時針方向加捻，得到Z捻螺旋結構。對於外鞘紗，將其在第二包覆區的Z捻螺旋紗表面以逆時針纏繞方向加捻，形成交織結構。通過此製造工藝可以在 1 小時內在單環線軸上獲得大約2400 m的AIYS。
圖1. (a)實時手語翻譯示意圖，顯示了從 AIYS 陣列嵌入式智能手套到手語翻譯的信號採集、數據處理和深度學習路徑；(b)AIYS 的結構及其應變響應和拉脹效應的說明；(c)連續包紗技術示意圖。
由於精心設計的交錯互鎖結構，AIYS具有獨特的穩定性和負泊松比性能。如圖2(a)和2(b)所示，在AIYS中，兩根鞘紗以相反的纏繞方向纏繞，並在芯紗表面形成緊密的互鎖結構。這種結構賦予了AIYS獨特的負泊松比性能，如圖2(b)和2(c)所示，在拉伸過程中，AIYS徑向輪廓直徑的變化大於螺旋拉脹紗徑向輪廓直徑的變化。圖2(d)和2(e)顯示，隨着初始包角θ從69.1°減小到45.7°，樣品的幾何徑向直徑變化更加顯著，具有更大的負泊松比效應，最大能達到-1.5。機械性能方面，如圖2(g)所示，由於PU芯紗的高彈性和鞘紗的包裹幾何形態，AIYS具有良好的循環穩定性和在0-10％應變範圍內的彈性恢復力。圖2(h)展示了基於交織芯殼紗結構建立的兩個理論粘彈性模型，可以更好地描述和預測 AIYS 的機械性能。圖2(h)中進一步地用兩個彈簧來描述兩個鞘紗，建立了一個四元素模型。新的力學本構模型充分考慮了AIYS的結構分布和非線性力學行為，對於更好地了解智能紗線傳感器的力學行為，為電子紡織品的參數設計提供指導。圖2. (a)AIYS的橫截面和側視圖；(b)AIYS伸長率為0%、30%和50%時顯示出負泊松比；(c)交織螺旋和單螺旋拉脹紗之間泊松比的比較；(d)不同包角下AIYS徑向應變的變化；(e)不同包角的AIYS的泊松比；(f)AIYS 在伸長率為0到200%之間的拉伸和恢復過程中的典型機械行為；(g)AIYS在伸長率為0-10%間的循環機械拉伸性能；(h)模型I和模型II描述的AIYS的實驗和理論粘彈性力學行為的比較。為了進一步探究AIYS在傳感方面的性能，對其電阻等傳感特性進行了分析。圖3(a)展示了AIYS在應變傳感方面表現出的良好性能，在拉伸過程中電阻發生顯著變化。根據導電PA護套的幾何結構，細絲束在一起，以一定的角度θ纏繞在PU芯纖維上。傳感機制依賴於鞘紗螺旋單元之間的接觸電阻和拉伸過程中纖維束的擠壓。此外，在 AIYS 的拉伸過程中，兩個鞘紗層之間的接觸面積減小，會導致鞘纖維之間的接觸電阻增加。當初始包角很大時，由於節距減小，部分鞘包纖維初始相互連接；因此，在拉伸過程中，螺旋單元之間會產生間隙，從而增加 AIYS的整體電阻。包角較小的AIYS在軸向應變下表現出更好的響應性，這歸因於其在拉伸過程中顯著的幾何變形和拉脹效應。圖3(c)顯示，傳感器在高速加載和卸載15%應變情況下的響應時間約為25ms，具有快速響應的功能。圖3(c)和3(d)還顯示了當應力釋放時AIYS具有的良好的電阻恢復性，這是由於包芯PU紗的高彈性和鞘紗的幾何包裹形態。圖3(e)中，我們對AISY進行了連續多輪洗滌，水洗8次後，AIYS形態沒有明顯變化，表面電鍍銀層依然均勻，具有優秀的可洗性。AIYS在8000 次拉伸和恢復過程中也表現出優異的循環穩定性，如圖3(f)所示。圖3(g)是AIYS 在原始狀態、洗滌8次和循環8000次後的光學和SEM圖像，與原始 AIYS 相比，洗滌後的AIYS表現出性能的一致性。如圖3(h)所示，志願者眼部佩戴AIYS時，傳感器能夠精準檢測到輕微的眨眼或咳嗽的運動信號。圖3(i)中，將AIYS 附着在針織手套的食指關節部分，可以針對不同的關節彎曲信息產生不同的信號。
圖3. (a)拉伸過程中AIYS的電阻相對變化；(b)拉伸至15%應變時AIYS傳感器的響應和恢復時間；(c)高速加載和卸載15%的應變到傳感器並保持 5 秒，傳感器的響應和恢復情況；(d)AIYS在0.05-5 Hz頻率範圍內的響應；(e)連續洗滌測試後AIYS的電阻變化；(f)AIYS傳感器拉伸和恢復8000次的循環電性能；(g)AIYS 在原始狀態、洗滌8次和循環8000次後的光學和SEM圖像；(h)志願者眼角佩戴AIYS時檢測到的人類眨眼信號；(i)嵌入AIYS的手套在快彎、慢彎、保持、釋放行為後的實時感知性能。IV 智能手套全字母手語識別
將AIYS嵌入針織手套中以實現可識別手語的智能手套。如圖4(a)所示，14個AIYS垂直分布在5個手指的活動關節上，1個AIYS水平連接在食指和中指之間，其餘傳感器垂直縫在手腕部分。在對每個傳感器進行數據歸一化後，對每個字母的彎曲和拉伸情況進行計數和分析，得到如圖4(b)的信號矩陣。圖4(c)中，基於t-分布隨機鄰域嵌入的可視化數據集組降維技術，將傳感器手勢信息進行數據投射，大致生成了26個類別。數據集之間沒有明顯的重疊，表明智能手套對26個字母的可區分性。
圖4. (a)智能手套實物展示；(b)當智能手套做出從「a」到「z」的手語手勢時傳感器彎曲情況的信號矩陣；(c)使用16個AIYS陣列的手套記錄的字母信號數據集的t-SNE圖。
V 基於ANN 架構的智能手套手語分類方法
圖5(a)說明了使用ANN架構進行手語分類的全過程，AIYS 陣列的多通道電阻信號在歸一化後輸入深度學習算法。從每個志願者獲得的傳感器信號，通過個體的最小 (Mint) 和最大(Maxt)信號進行歸一化。隨後，從採集的信號中隨機選取1560個數據點(占數據集的60%)作為訓練集，並以520個數據點(占數據集的20%)作為驗證集。剩餘的520個數據點(數據集的 20%)用作測試集。訓練集用於訓練 ANN，神經網絡由兩個隱藏層組成，每層有 100 個節點。使用經過訓練的ANN構建實時手語分類模型。分類結果的混淆矩陣如圖5(b)所示，整體的分類準確率達到99.8%，手勢的平均識別時間小於0.25s。圖5(c)顯示了從句子「How are you」中收集的標準化數據。AIYS智能手套在手語字母識別方面表現出的優異性能，使得其成為有望消除聽障者和健康個體之間溝通的現有相關障礙的新方法。
圖5. (a)ANN架構及對於26個字母識別和翻譯系統的訓練和實時過程；(b)對所有字母進行個體識別的混淆矩陣，總體準確率高達 99.8%；(c)用智能手套展示「how are you」時收集的實時標準化數據；(d)穿戴智能手套的志願者通過手語演示實時輸入功能；(e)使用者在手語翻譯手套的幫助下與他人交流。
本文通訊作者
留言列表