私密直播全婐app免费大渔直播,国产av成人无码免费视频,男女同房做爰全过程高潮,国产精品自产拍在线观看

  高拉伸和魯棒性應變傳感器在生物智能監測等新興領域中具有極高的應用前景。智能傳感器在實際應用中面臨的主要問題包括能量消耗和設備老化。能量消耗主要取決于傳感器的導電性，是決定設備老化的關鍵因素。中國水產科學研究院吳立冬研究員、加州大學洛杉磯分校生物工程系陳俊教授、江西科技師范大學柔性電子創新研究院盧寶陽教授、深圳大學電子與信息工程學院潘曉芳副教授和華南理工大學前沿軟物質學院（華南軟物質科學與技術高等研究院）黃明俊教授等團隊合作設計了一種高電導率（22 S m^-1）、低彈性模量（23 kPa）、高拉伸性（1500%）和魯棒性的液態金屬復合水凝膠傳感器，克服了柔性傳感器的能量消耗和設備老化障礙。作者進一步集成微控制器、信號處理電路、藍牙發射器和用于可視化多維數據的自組織映射軟件，開發出了生物智能運動監測系統（包括水生生物運動），并實現了多維運動監測數據到聲音反饋的智能化處理。該工作不僅為語言障礙人士與普通人的交流提供了一種可靠手段，也為水生生物運動監測提供了有效方案，拓展了生物智能監測傳感器應用范圍。

材料設計合成：

  傳統的水凝膠傳感器難以實現低能耗和魯棒性的穩定結合。作者引入斷裂機制策略，利用分子間結合力將液態金屬（LM）均勻包封在海藻酸鈉和聚丙烯酰胺聚合物網絡中，開發了兼具高電導率和魯棒性的液態金屬復合水凝膠（LM-H）。通過紅外光譜及元素映射證明了該設計策略。當應變增大時，LM粒子形成的導電通路斷開，引起LM-H電阻增大，將機械信號轉變為電信號。LM-H內部斷裂可恢復導電通路，為其提供了優異的魯棒性。此外，LM-H本身的高電導率降低了能量損耗以及器件老化的風險（圖1）。

圖1. 魯棒性液態金屬復合水凝膠的設計及制備.

力學性能：

  LM-H低至16 kPa的彈性模量以及較自身13倍的拉伸性為其在生物智能監測傳感器的應用提供了保障，并拓展了其應用場景的適用性。G’和G’’在0.1-40 rad s^-1的角頻率下迅速增加，并在40-100 rad s^-1進入平穩期。整個頻率范圍內，G’’始終高于G’，tanθ <1，表明了LM-H能夠在從0.1到100 rad s^-1的剪切速率范圍內保持彈性，同時證明了其在機械強度方面的魯棒性。此外，作者通過加載-卸載曲線證明了LM-H 7.5%的低遲滯性（圖2）。

圖2. 魯棒性液態金屬復合水凝膠的力學性能

電學性能：

  LM-H的電導率可達22.4 S m^-1，片電阻低至2.5 Ω。并且在連續12000次機械拉伸后的靈敏度下降率小于6%，穩定性和數據重復性優于大多數水凝膠傳感器。作者在應用端展示了LM-H的應變傳感能力，利用LM-H制作了柔性傳感器并記錄了各種人類及海洋生物運動信號（圖3）。

圖3. 魯棒性液態金屬復合水凝膠的電學及傳感性能

自組織映射神經網絡訓練水凝膠傳感器陣列數據：

  該工作在吳立冬研究員團隊“魚載”傳感器（Chemical Engineering Journal, 2023, 454, 140459）的研究基礎上，將LM-H柔性傳感器與無線通信硬件集成為微型化監測系統。該系統由五個基于LM-H的柔性傳感器和一個無線電路板組成，具有信號調節、處理、無線傳輸和數據可視化等工程。LM-H傳感器將多通道運動數據轉化為電信號，并利用自組織映射神經網絡訓練電信號數據，通過非監督式學習從無結構的數據中學習特征，并對數據進行分類、聚類，將高維輸入空間映射到低維的輸出空間，從而完成數據的可視化，實現了運動信號監測數據到聲音反饋信號的輸出。作者通過微型化監測系統實現了包括短語、字母和數字的10種手語多維運動監測到語音反饋信號實時輸出，并使用混淆矩陣證明了該系統對運動監測信號識別的高準確率（圖4）。

圖4.手勢-語音轉譯的健康監測系統

  該工作由中國水產科學研究院吳立冬研究員、加州大學洛杉磯分校生物工程系陳俊教授、江西科技師范大學柔性電子創新研究院盧寶陽教授、深圳大學電子與信息工程學院潘曉芳副教授和華南理工大學前沿軟物質學院（華南軟物質科學與技術高等研究院）黃明俊教授等團隊合作完成，碩士生馬虎德、秦海洋、劉娜和博士生肖瀟為論文共同第一作者，陳俊教授和吳立冬研究員為通訊作者。

  原文鏈接：

  Hude Ma, Haiyang Qin, Xiao Xiao, Na Liu, Shaolei Wang, Junye Li, Sophia Shen, Shuqi Dai, Mengmeng Sun, Peiyi Li, Xiaofang Pan, Mingjun Huang, Baoyang Lu, Jun Chen*, and Lidong Wu*. Robust hydrogel sensors for unsupervised learning enabled sign-to-verbal translation. InfoMat, 2023, e12419.

  http://doi.org/10.1002/inf2.12419