【Nano Energy】基于深度學習的摩擦納米發(fā)電機實時數據可視化監(jiān)測 https://mp.weixin.qq.com/s/E4QkLAmaMH8NDv76DvNCTA
01. 研究背景
智能傳感器和邏輯算法的蓬勃發(fā)展推動了物聯(lián)網（IoT）的廣泛應用，加速智能時代的到來。摩擦納米發(fā)電機 (TENG)傳感器及深度學習(DL)的集成憑借TENG的自供電傳感、高靈敏度及廣泛適用性等獨特優(yōu)勢及DL強大的數據處理能力，準確、高效和可視化監(jiān)測各種相關信號，具備遠超常規(guī)的傳感性能和發(fā)展?jié)摿Γ谥悄芗揖印⒔】滇t(yī)療、環(huán)境監(jiān)測等領域廣泛應用，推動了下一代更加智能、高效的傳感系統(tǒng)的發(fā)展。
02. 文章概述
近日，王雙飛院士團隊就近年來DL輔助TENG進行實時數據可視化監(jiān)測領域的研究進展進行綜述。重點介紹DL相關算法的基本原理和處理過程，突出其在復雜數據處理過程的優(yōu)勢，并分析了液-固和固-固的TENG在自供電傳感和多模態(tài)信號采集方面的應用；重點總結了DL與TENG集成的優(yōu)勢和協(xié)同機制，全面總結了二者集成數據可視化實時監(jiān)測在多維觸覺感知、人體運動感知、健康監(jiān)測、外部環(huán)境感知與反饋和液體識別與分析五個方向的應用。最后，討論了二者集成未來發(fā)展面臨的挑戰(zhàn)和應對措施。該成果以題為“Real-time data visual monitoring of triboelectric nanogenerators enabled by Deep learning”發(fā)表在國際學術期刊《Nano Energy》上。2023級碩士研究生張慧亞為本文第一作者，王志偉副教授為通訊作者，劉濤、鄒雪蓮、朱云鵬、遲明超、吳迪、江柯漾、朱思嘉、翟文霞等參與研究。圖1. DL輔助TENG實時數據可視化監(jiān)測，包括DL的步驟；CNN、RNN、 LSTM 算法原理；應用
03. 圖文導讀
1、DL網絡模型
隨著IoT飛速發(fā)展，需要處理的數據量也呈指數型增長，亟需高效處理。AI領域因其數據處理技術備受關注，特別是機器學習（ML）技術僅需向計算機系統(tǒng)輸入足夠的相關問題數據，便能自動洞察數據規(guī)律生成模型，進而做出精準判斷或決策。高質量的數據特征對算法準確度至關重要，作為ML的一個子集，DL展現(xiàn)出能強大的能力。DL能夠自動學習多個任務的特征集，在一次操作中同時完成學習和分類，實現(xiàn)對復雜數據的深入學習和理解。因DL卓越的特征學習能力，能夠自動提取數據中的高層次特征，在各個領域廣受青睞。圖2. DL的演化
（1）卷積神經網絡（CNN）模型
CNN通過模擬生物視覺認知機制，能夠有效提取圖像和視頻數據中的關鍵特征，具有廣泛的應用前景。CNN通常由輸入層、卷積層、池化層和全連接層和輸出層組成，通過卷積層和池化層等部分連接降低了網絡參數量，簡化網絡訓練過程。CNN中的人工神經元能夠對局部區(qū)域的特征做出響應，并在圖像處理中逐漸將低級特征映射為高級特征，實現(xiàn)最終的分類識別。圖3. CNN模型
（2）循環(huán)神經網絡（RNN）模型
RNN是一種專門處理時間序列的神經網絡，通過其循環(huán)結構和時間記憶能力，能夠處理時間動態(tài)消息，從而適用于語音識別、自然語言處理、時間序列分析等任務。一個標準的RNN模型主要是由輸入層、隱藏層和輸出層組成，隱藏層內部的節(jié)點是有連接的，隱藏層的輸入不僅包括輸入層的輸出，還包括上一時刻隱藏層的輸出。這種同層神經元間直接連接，賦予RNN獨特的時間記憶功能。圖4. RNN模型
（3）長短期記憶（LSTM）模型
LSTM能夠通過增加線性干預有選擇地添加或減少信息，從而解決普通RNN網絡記不住和梯度消失問題，因此在數據中的長期依賴關系方面表現(xiàn)出色，適用于語音識別、自然語言處理和機器翻譯等領域。每個LSTM單元具有相同的輸入和輸出，也有更多參數和控制信息的門控單元系統(tǒng)，最重要的組成部分是狀態(tài)單元，有類似于滲透單元的線性自循環(huán)，因此能有效存儲和更新上下文信息。圖5. LSTM模型
2、DL驅動TENG傳感器的特點和優(yōu)勢
TENG因其自供電和靈敏度高的特性，在傳感領域備受關注。但是，TENG易受環(huán)境影響，來自環(huán)境的微小信號很難用肉眼識別，影響其傳感性能，隨著信息技術的發(fā)展，將DL數據處理技術與TENG相結合，在物聯(lián)網傳感領域取得了豐碩的成果。現(xiàn)從用于自供電傳感的液固和固固TENG原理出發(fā)，通過對TENG采集的多通道數據進行解耦處理，可以與DL進行耦合，實現(xiàn)數據的自動學習和特征提取 。圖6. 用于自供電傳感的TENG傳感器3.DL輔助TENG在實時數據可視化監(jiān)測中的新興應用
DL輔助TENG可以實現(xiàn)數據的實時智能處理，從而提高數據處理質量、識別模式、預測未來趨勢或做出智能決策，實現(xiàn)更智能、更高效的能源采集和傳感網絡，為未來可持續(xù)發(fā)展奠定基礎。隨著技術的不斷進步，DL輔助TENG傳感器已廣泛應用于多維觸覺感知、人體運動感知、健康監(jiān)測、外部環(huán)境感知與反饋、液體識別與分析等領域，從而推動了智能傳感技術的創(chuàng)新與發(fā)展。
（1) 多維觸覺感知
隨著人工智能的發(fā)展，各種類型的傳感器和交互界面已經遍布整個物聯(lián)網。觸覺交互界面對對于可視化實時監(jiān)測在機器人智能分揀和環(huán)境監(jiān)測非常重要。在DL的輔助下，受軟機器人和電子皮膚的啟發(fā)，TENG可視化實時監(jiān)測可用于多維觸覺感知系統(tǒng)，例如物體識別、材料和紋理識別和手寫識別等領域。圖7. DL輔助TENG用于多維觸覺感知
(2) 人體運動感知
利用摩擦電信號的幅值和峰值實現(xiàn)人機交互、識別人體運動，對人體運動監(jiān)測等具有重要意義。然而，由于與人體運動相關的摩擦電信號具有許多微妙的信息，僅依靠摩擦電振幅或峰值數無法識別復雜的運動信息。因此，可以將DL數據自動識別和特征提取的優(yōu)勢用于輔助TENG實現(xiàn)人體運動感知，可用于手勢識別、步態(tài)分析、甚至可用于微動作識別以及其他運動識別等。圖8. DL輔助TENG用于人體運動感知(3) 健康監(jiān)測
實時數據可視化監(jiān)測在為健康監(jiān)測、早期診斷和疾病管理提供非植入式解決方案方面取得了重大進展。然而，這一領域的主要障礙是在于準確和持續(xù)地從人體收集數據。TENG先進傳感技術以及DL優(yōu)異數據處理技術的集成，推動了TENG在健康監(jiān)測領域的發(fā)展，在呼吸檢測、輔助康復訓練、血壓監(jiān)測與診斷以及其他健康監(jiān)測系統(tǒng)得到了廣泛關注。
圖9. DL輔助TENG用于健康監(jiān)測（4）外部環(huán)境感知與反饋隨著科技發(fā)展，傳感器遍布我們生活的方方面面，促進了生產和生活的進步。特別是在DL輔助下的TENG傳感器表現(xiàn)出更高的識別精度，推動了TENG在外部環(huán)境感知與反饋方面的發(fā)展，可用于環(huán)境因素感知、機械失衡預警、智能家居傳感和輔助駕駛行為等領域得到應用。圖10. DL輔助TENG用于外部環(huán)境感知與反饋（5）液體識別與分析
隨著社會的快速發(fā)展，液體已成為工業(yè)生產和日常生活中不可或缺的重要物質。DL輔助TENG進行液體監(jiān)測，可以快速識別溶液參數，促進智能傳感器進行多參數監(jiān)測的發(fā)展，可用于微塑料、沉積物顆粒、膠體溶液、溶液類型甚至液體味道等領域的可視化監(jiān)測。
圖11. DL輔助TENG用于液體識別與分析4、結論
（1）挑戰(zhàn)與應對措施
隨著物聯(lián)網的快速發(fā)展，未來對便捷、多功能的監(jiān)測系統(tǒng)的需求不斷增加，開發(fā)集成高靈敏性、高精度和綠色低碳等優(yōu)勢于一體的可視化實時監(jiān)測系統(tǒng)，將成為關鍵的突破口。盡管DL輔助TENG推動了實時數據可視化監(jiān)控系統(tǒng)在單個或跨領域取得了重大進展，在實際應用前仍面臨諸多挑戰(zhàn)。
圖12.DL輔助TENG實時數據可視化監(jiān)測的應用、挑戰(zhàn)與應對措施
本文在簡要概述DL數據處理優(yōu)勢和TENG自供電傳感基本原理的基礎上，系統(tǒng)的討論了CNN、RNN、LSTM三大主流DL模型的架構、原理和應用方向，同時闡釋了TENG傳感器的工作機制及應用領域，重點總結了DL輔助TENG在可視化實時監(jiān)測領域的最新進展。然而，未來研究需要在提升系統(tǒng)整體性能和實用性方面進行更深入的探討，并克服多模態(tài)傳感、邊緣計算、新材料和算法優(yōu)化等方面的挑戰(zhàn)，以促進更廣泛的商業(yè)化和實際應用。
原文鏈接：https://doi.org/10.1016/j.nanoen.2024.110186