【Nano Energy】基于深度學(xué)習(xí)的摩擦納米發(fā)電機(jī)實(shí)時(shí)數(shù)據(jù)可視化監(jiān)測(cè)
【Nano Energy】基于深度學(xué)習(xí)的摩擦納米發(fā)電機(jī)實(shí)時(shí)數(shù)據(jù)可視化監(jiān)測(cè) 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(dòng)了物聯(lián)網(wǎng)（IoT）的廣泛應(yīng)用，加速智能時(shí)代的到來(lái)。摩擦納米發(fā)電機(jī) (TENG)傳感器及深度學(xué)習(xí)(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(dú)特優(yōu)勢(shì)及DL強(qiáng)大的數(shù)據(jù)處理能力，準(zhǔn)確、高效和可視化監(jiān)測(cè)各種相關(guān)信號(hào)，具備遠(yuǎn)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(cè)等領(lǐng)域廣泛應(yīng)用，推動(dòng)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(tuán)隊(duì)就近年來(lái)DL輔助TENG進(jìn)行實(shí)時(shí)數(shù)據(jù)可視化監(jiān)測(cè)領(lǐng)域的研究進(jìn)展進(jìn)行綜述。重點(diǎn)介紹DL相關(guān)算法的基本原理和處理過(guò)程，突出其在復(fù)雜數(shù)據(jù)處理過(guò)程的優(yōu)勢(shì)，并分析了液-固和固-固的TENG在自供電傳感和多模態(tài)信號(hào)采集方面的應(yīng)用；重點(diǎn)總結(jié)了DL與TENG集成的優(yōu)勢(shì)和協(xié)同機(jī)制，全面總結(jié)了二者集成數(shù)據(jù)可視化實(shí)時(shí)監(jiān)測(cè)在多維觸覺(jué)感知、人體運(yùn)動(dòng)感知、健康監(jiān)測(cè)、外部環(huán)境感知與反饋和液體識(shí)別與分析五個(gè)方向的應(yīng)用。最后，討論了二者集成未來(lái)發(fā)展面臨的挑戰(zhàn)和應(yīng)對(duì)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(guó)際學(xué)術(shù)期刊《Nano Energy》上。2023級(jí)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(shí)時(shí)數(shù)據(jù)可視化監(jiān)測(cè)，包括DL的步驟；CNN、RNN、 LSTM 算法原理；應(yīng)用
03. 圖文導(dǎo)讀
1、DL網(wǎng)絡(luò)模型
隨著IoT飛速發(fā)展，需要處理的數(shù)據(jù)量也呈指數(shù)型增長(zhǎng)，亟需高效處理。AI領(lǐng)域因其數(shù)據(jù)處理技術(shù)備受關(guān)注，特別是機(jī)器學(xué)習(xí)（ML）技術(shù)僅需向計(jì)算機(jī)系統(tǒng)輸入足夠的相關(guān)問(wèn)題數(shù)據(jù)，便能自動(dòng)洞察數(shù)據(jù)規(guī)律生成模型，進(jìn)而做出精準(zhǔn)判斷或決策。高質(zhì)量的數(shù)據(jù)特征對(duì)算法準(zhǔn)確度至關(guān)重要，作為ML的一個(gè)子集，DL展現(xiàn)出能強(qiáng)大的能力。DL能夠自動(dòng)學(xué)習(xí)多個(gè)任務(wù)的特征集，在一次操作中同時(shí)完成學(xué)習(xí)和分類(lèi)，實(shí)現(xiàn)對(duì)復(fù)雜數(shù)據(jù)的深入學(xué)習(xí)和理解。因DL卓越的特征學(xué)習(xí)能力，能夠自動(dòng)提取數(shù)據(jù)中的高層次特征，在各個(gè)領(lǐng)域廣受青睞。圖2. DL的演化
（1）卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型
CNN通過(guò)模擬生物視覺(jué)認(rèn)知機(jī)制，能夠有效提取圖像和視頻數(shù)據(jù)中的關(guān)鍵特征，具有廣泛的應(yīng)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(guò)卷積層和池化層等部分連接降低了網(wǎng)絡(luò)參數(shù)量，簡(jiǎn)化網(wǎng)絡(luò)訓(xùn)練過(guò)程。CNN中的人工神經(jīng)元能夠?qū)植繀^(qū)域的特征做出響應(yīng)，并在圖像處理中逐漸將低級(jí)特征映射為高級(jí)特征，實(shí)現(xiàn)最終的分類(lèi)識(shí)別。圖3. CNN模型
（2）循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）模型
RNN是一種專(zhuān)門(mén)處理時(shí)間序列的神經(jīng)網(wǎng)絡(luò)，通過(guò)其循環(huán)結(jié)構(gòu)和時(shí)間記憶能力，能夠處理時(shí)間動(dòng)態(tài)消息，從而適用于語(yǔ)音識(shí)別、自然語(yǔ)言處理、時(shí)間序列分析等任務(wù)。一個(gè)標(biāo)準(zhǔn)的RNN模型主要是由輸入層、隱藏層和輸出層組成，隱藏層內(nèi)部的節(jié)點(diǎn)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(shí)刻隱藏層的輸出。這種同層神經(jīng)元間直接連接，賦予RNN獨(dú)特的時(shí)間記憶功能。圖4. RNN模型
（3）長(zhǎng)短期記憶（LSTM）模型
LSTM能夠通過(guò)增加線(xiàn)性干預(yù)有選擇地添加或減少信息，從而解決普通RNN網(wǎng)絡(luò)記不住和梯度消失問(wèn)題，因此在數(shù)據(jù)中的長(zhǎng)期依賴(lài)關(guān)系方面表現(xiàn)出色，適用于語(yǔ)音識(shí)別、自然語(yǔ)言處理和機(jī)器翻譯等領(lǐng)域。每個(gè)LSTM單元具有相同的輸入和輸出，也有更多參數(shù)和控制信息的門(mén)控單元系統(tǒng)，最重要的組成部分是狀態(tài)單元，有類(lèi)似于滲透單元的線(xiàn)性自循環(huán)，因此能有效存儲(chǔ)和更新上下文信息。圖5. LSTM模型
2、DL驅(qū)動(dòng)TENG傳感器的特點(diǎn)和優(yōu)勢(shì)
TENG因其自供電和靈敏度高的特性，在傳感領(lǐng)域備受關(guān)注。但是，TENG易受環(huán)境影響，來(lái)自環(huán)境的微小信號(hào)很難用肉眼識(shí)別，影響其傳感性能，隨著信息技術(shù)的發(fā)展，將DL數(shù)據(jù)處理技術(shù)與TENG相結(jié)合，在物聯(lián)網(wǎng)傳感領(lǐng)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(guò)對(duì)TENG采集的多通道數(shù)據(jù)進(jìn)行解耦處理，可以與DL進(jìn)行耦合，實(shí)現(xiàn)數(shù)據(jù)的自動(dòng)學(xué)習(xí)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(shí)時(shí)數(shù)據(jù)可視化監(jiān)測(cè)中的新興應(yīng)用
DL輔助TENG可以實(shí)現(xiàn)數(shù)據(jù)的實(shí)時(shí)智能處理，從而提高數(shù)據(jù)處理質(zhì)量、識(shí)別模式、預(yù)測(cè)未來(lái)趨勢(shì)或做出智能決策，實(shí)現(xiàn)更智能、更高效的能源采集和傳感網(wǎng)絡(luò)，為未來(lái)可持續(xù)發(fā)展奠定基礎(chǔ)。隨著技術(shù)的不斷進(jìn)步，DL輔助TENG傳感器已廣泛應(yīng)用于多維觸覺(jué)感知、人體運(yùn)動(dòng)感知、健康監(jiān)測(cè)、外部環(huán)境感知與反饋、液體識(shí)別與分析等領(lǐng)域，從而推動(dòng)了智能傳感技術(shù)的創(chuàng)新與發(fā)展。
（1) 多維觸覺(jué)感知
隨著人工智能的發(fā)展，各種類(lèi)型的傳感器和交互界面已經(jīng)遍布整個(gè)物聯(lián)網(wǎng)。觸覺(jué)交互界面對(duì)對(duì)于可視化實(shí)時(shí)監(jiān)測(cè)在機(jī)器人智能分揀和環(huán)境監(jiān)測(cè)非常重要。在DL的輔助下，受軟機(jī)器人和電子皮膚的啟發(fā)，TENG可視化實(shí)時(shí)監(jiān)測(cè)可用于多維觸覺(jué)感知系統(tǒng)，例如物體識(shí)別、材料和紋理識(shí)別和手寫(xiě)識(shí)別等領(lǐng)域。圖7. DL輔助TENG用于多維觸覺(jué)感知
(2) 人體運(yùn)動(dòng)感知
利用摩擦電信號(hào)的幅值和峰值實(shí)現(xiàn)人機(jī)交互、識(shí)別人體運(yùn)動(dòng)，對(duì)人體運(yùn)動(dòng)監(jiān)測(cè)等具有重要意義。然而，由于與人體運(yùn)動(dòng)相關(guān)的摩擦電信號(hào)具有許多微妙的信息，僅依靠摩擦電振幅或峰值數(shù)無(wú)法識(shí)別復(fù)雜的運(yùn)動(dòng)信息。因此，可以將DL數(shù)據(jù)自動(dòng)識(shí)別和特征提取的優(yōu)勢(shì)用于輔助TENG實(shí)現(xiàn)人體運(yùn)動(dòng)感知，可用于手勢(shì)識(shí)別、步態(tài)分析、甚至可用于微動(dòng)作識(shí)別以及其他運(yùn)動(dòng)識(shí)別等。圖8. DL輔助TENG用于人體運(yùn)動(dòng)感知(3) 健康監(jiān)測(cè)
實(shí)時(shí)數(shù)據(jù)可視化監(jiān)測(cè)在為健康監(jiān)測(cè)、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(jìn)展。然而，這一領(lǐng)域的主要障礙是在于準(zhǔn)確和持續(xù)地從人體收集數(shù)據(jù)。TENG先進(jìn)傳感技術(shù)以及DL優(yōu)異數(shù)據(jù)處理技術(shù)的集成，推動(dòng)了TENG在健康監(jiān)測(cè)領(lǐng)域的發(fā)展，在呼吸檢測(cè)、輔助康復(fù)訓(xùn)練、血壓監(jiān)測(cè)與診斷以及其他健康監(jiān)測(cè)系統(tǒng)得到了廣泛關(guān)注。
圖9. DL輔助TENG用于健康監(jiān)測(cè)（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(jìn)了生產(chǎn)和生活的進(jìn)步。特別是在DL輔助下的TENG傳感器表現(xiàn)出更高的識(shí)別精度，推動(dòng)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(jī)械失衡預(yù)警、智能家居傳感和輔助駕駛行為等領(lǐng)域得到應(yīng)用。圖10. DL輔助TENG用于外部環(huán)境感知與反饋（5）液體識(shí)別與分析
隨著社會(huì)的快速發(fā)展，液體已成為工業(yè)生產(chǎn)和日常生活中不可或缺的重要物質(zhì)。DL輔助TENG進(jìn)行液體監(jiān)測(cè)，可以快速識(shí)別溶液參數(shù)，促進(jìn)智能傳感器進(jìn)行多參數(shù)監(jiān)測(cè)的發(fā)展，可用于微塑料、沉積物顆粒、膠體溶液、溶液類(lèi)型甚至液體味道等領(lǐng)域的可視化監(jiān)測(cè)。
圖11. DL輔助TENG用于液體識(shí)別與分析4、結(jié)論
（1）挑戰(zhàn)與應(yīng)對(duì)措施
隨著物聯(lián)網(wǎng)的快速發(fā)展，未來(lái)對(duì)便捷、多功能的監(jiān)測(cè)系統(tǒng)的需求不斷增加，開(kāi)發(fā)集成高靈敏性、高精度和綠色低碳等優(yōu)勢(shì)于一體的可視化實(shí)時(shí)監(jiān)測(cè)系統(tǒng)，將成為關(guān)鍵的突破口。盡管DL輔助TENG推動(dòng)了實(shí)時(shí)數(shù)據(jù)可視化監(jiān)控系統(tǒng)在單個(gè)或跨領(lǐng)域取得了重大進(jìn)展，在實(shí)際應(yīng)用前仍面臨諸多挑戰(zhàn)。
圖12.DL輔助TENG實(shí)時(shí)數(shù)據(jù)可視化監(jiān)測(cè)的應(yīng)用、挑戰(zhàn)與應(yīng)對(duì)措施
本文在簡(jiǎn)要概述DL數(shù)據(jù)處理優(yōu)勢(shì)和TENG自供電傳感基本原理的基礎(chǔ)上，系統(tǒng)的討論了CNN、RNN、LSTM三大主流DL模型的架構(gòu)、原理和應(yīng)用方向，同時(shí)闡釋了TENG傳感器的工作機(jī)制及應(yīng)用領(lǐng)域，重點(diǎn)總結(jié)了DL輔助TENG在可視化實(shí)時(shí)監(jiān)測(cè)領(lǐng)域的最新進(jìn)展。然而，未來(lái)研究需要在提升系統(tǒng)整體性能和實(shí)用性方面進(jìn)行更深入的探討，并克服多模態(tài)傳感、邊緣計(jì)算、新材料和算法優(yōu)化等方面的挑戰(zhàn)，以促進(jìn)更廣泛的商業(yè)化和實(shí)際應(yīng)用。
原文鏈接：https://doi.org/10.1016/j.nanoen.2024.110186