陕西科技大学《ACS AMI》：基于碳纳米管/石墨烯复合导电皮革的柔性传感器，用于步态检测

成果简介

步态特征的实时监测对于健康监测、病人康复反馈和远程医疗等应用至关重要。然而，如何有效、稳定地获取和自动分析步态信息仍是一项重大挑战。本文，陕西科技大学罗晓民 教授团队在《ACS Appl. Mater. Interfaces》期刊发表名为“Leather-Based Shoe Soles for Real-Time Gait Recognition and Automatic Remote Assistance Using Machine Learning”的论文，研究提出了一种基于碳纳米管/石墨烯复合导电皮革（CGL）的柔性传感器，它使用具有三维网络结构的胶原纤维作为柔性基底。

基于 CGL 的传感器具有高动态范围，显著的压力响应范围为 0.6 至 14.5 kPa，灵敏度高（S = 0.2465 kPa-1）。我们进一步开发了一种结合 CGL 传感器的设备，用于收集人体运动的足部特征信号，并设计了智能运动鞋，以促进有效的人机交互。我们利用机器学习来收集和处理各种状态下的步态特征信息，包括站立、坐姿、行走和跌倒。针对跌倒的实时监测，我们优化了 K-最近时间序列分类器（KNTC）算法，准确率达到 0.99，预测时间仅为 13 毫秒，彰显了系统卓越的智能响应能力。该系统在不同人群中的步态识别准确率保持在 90%，阳性率（3.3%）和阴性率（3.3%）都很低。这项工作展示了稳定的步态识别能力，并为足底行为监测和数据分析提供了宝贵的方法和见解，有助于开发先进的实时步态监测系统。

图文导读

图1.基于导电皮革运动鞋的实时步态监测与远程协助系统示意图框架。

图2.CGL 导电复合材料。

图3.CGL 导电革在各种参数下的电气和机械特性。

图4.CGL 压阻式传感器的性能。

图5.智能运动鞋的控制框架设计。

图6.（a） 智能鞋通过有线连接连接到计算机的步态信息收集示意图。（b） 四种典型步态模式的示意图。（c） CGL 压阻式传感器在监测人类步态行为过程中的照片。

图7.基于机器学习和智能鞋的步态识别。

图8.基于智能鞋的步态行为识别与远程协助系统。

小结

我们开发了一种可穿戴阻力传感系统，用于实时远程监测老年人的跌倒情况。可穿戴传感系统由一个用于步态分析的安卓应用程序和一双配备传感技术的智能鞋组成。利用油鞣羊皮作为柔性基底，我们采用真空过滤法将 CNT 和 Gr 均匀地分散在皮革表面，形成 CGL。然后用密封的热塑性聚氨酯对 CGL 进行封装，制成 CGL 电阻传感器，使其适用于长期步态分析。CGL柔性传感器具有很高的动态范围，对低至0.6kPa 的压力和高达14.5kPa 的外部压力都有显著的响应。在正常使用条件下，它表现出很高的灵敏度（S = 0.2465 kPa-1），并且在长时间使用和洗涤循环中保持良好的信号稳定性。智能鞋集成了四个 CGL 电阻传感器，可收集各种步态信息，用于步态检测。

作者为智能鞋开发了脚压信号采集装置和相应的应用程序，实现了步态识别和跌倒监测功能。我们使用 KNTC 作为步态识别模型，其准确率达到 0.99，预测时间仅为 13 毫秒，证明了其在步态识别和实时跌倒监测方面的高准确率。所报告的智能鞋及其配套应用程序强调了高精度步态识别和实时跌倒检测。此外，通过应用机器学习算法进行进一步的信号分析，我们在跌倒检测方面达到了 90% 的准确率。该系统旨在对跌倒进行实时监测和远程协助，为步态行为收集、行走状态监测和人机交互奠定基础。

文献：https://doi.org/10.1021/acsami.4c16505