高级搜索

基于CTS/CNTs-OH的高性能织物压力传感器及其人体动作的深度学习识别

,  ,  ,  ,  , 

downloadPDF

上一篇

下一篇

胡熙, 赵彬喆, 唐子渊, 王磊, 杨春雷, 陈明. 基于CTS/CNTs-OH的高性能织物压力传感器及其人体动作的深度学习识别[J]. 物理学报, 2026, 75(10): 100806. doi: 10.7498/aps.75.20251798
引用本文: 胡熙, 赵彬喆, 唐子渊, 王磊, 杨春雷, 陈明. 基于CTS/CNTs-OH的高性能织物压力传感器及其人体动作的深度学习识别[J]. 物理学报, 2026, 75(10): 100806. doi: 10.7498/aps.75.20251798
shu
Xi HU, Binzhe ZHAO, Ziyuan TANG, Lei WANG, Chunlei YANG, Ming CHEN. A high-performance CTS/CNTs-OH fabric pressure sensor and its deep learning-based recognition of human motions[J]. Acta Physica Sinica, 2026, 75(10): 100806. doi: 10.7498/aps.75.20251798
Citation: Xi HU, Binzhe ZHAO, Ziyuan TANG, Lei WANG, Chunlei YANG, Ming CHEN. A high-performance CTS/CNTs-OH fabric pressure sensor and its deep learning-based recognition of human motions[J]. Acta Physica Sinica, 2026, 75(10): 100806. doi: 10.7498/aps.75.20251798
shu

基于CTS/CNTs-OH的高性能织物压力传感器及其人体动作的深度学习识别

  • 1.

    中国科学院深圳先进技术研究院, 先进材料科学与工程研究所, 深圳　518055

  • 2.

    中国科学院深圳先进技术研究院, 先进集成技术研究所, 深圳　518055

    • 通讯作者: E-mail: ming.chen2@siat.ac.cn.

A high-performance CTS/CNTs-OH fabric pressure sensor and its deep learning-based recognition of human motions

  • 1.

    Shenzhen Institute of Advanced Technology Chinese Academy of Sciences, Institute of Advanced Materials Science and Engineering, Shenzhen 518055, China

  • 2.

    Shenzhen Institute of Advanced Technology Chinese Academy of Sciences, Institute of Advanced Integration Technology, Shenzhen 518055, China

    • Corresponding author: E-mail: ming.chen2@siat.ac.cn.

  • 摘要: 兼具高灵敏度、宽线性检测范围与优异稳定性的柔性压阻式压力传感器, 在可穿戴电子设备与人机交互界面中具有重要的应用价值. 然而, 如何协同提升上述性能指标, 仍是当前研究面临的挑战. 为此, 本文提出并制备了一种基于壳聚糖/羟基化碳纳米管(CTS/CNTs-OH)复合纤维织物的高性能柔性压力传感器. 得益于壳聚糖固有的抗菌特性与羟基化碳纳米管的协同作用, 该复合纤维织物及传感器具有优异的抗菌性能, 可有效避免可穿戴场景下微生物滋生导致的传感器性能衰减与人体皮肤不适. 通过优化电泳沉积工艺与织物叠层结构, 该传感器表现出卓越的综合性能: 其检测范围宽达100 kPa, 最高灵敏度为0.151 kPa–1, 且在宽压力范围内保持出色的线性度(R2 > 0.999). 在动态压力测试中, 传感器展现出快速的响应时间(6 ms)与恢复时间(46 ms), 并能够检测低至0.98 Pa的微小压力. 经过在100 kPa压力下超过8000次的加载-卸载循环测试, 其输出信号仍保持高度稳定, 体现了良好的机械耐久性. 在应用验证中, 该传感器凭借优异的抗菌性能与传感性能, 成功实现了对多种人体动作(如手腕弯曲、手指按压、呼吸监测等)的实时监测, 有效适配长期可穿戴场景; 同时结合卷积神经网络(CNN)深度学习模型, 实现了对8类人体动作的高精度分类, 整体识别准确率超过99%. 本研究为开发高性能、可穿戴的柔性传感系统提供了一种有效的材料与结构设计策略, 尤其适用于对生物相容性与抗菌性有要求的可穿戴电子领域.
    Abstract: Flexible piezoresistive pressure sensors integrating high sensitivity, broad linear detection range, and excellent stability are crucial for wearable electronics and human–machine interfaces. However, achieving a balanced improvement in these performance metrics remains a challenge. Herein, we propose and fabricate a high-performance flexible pressure sensor based on a chitosan/hydroxylated carbon nanotubes (CTS/CNTs-OH) composite fabric. Benefiting from the inherent antibacterial properties of chitosan and the synergistic effect with hydroxylated carbon nanotubes, the composite fabric and the sensor exhibit excellent antibacterial performance, which can effectively avoid sensor performance degradation and human skin discomfort caused by microbial growth in wearable scenarios. In addition, the chitosan-based fibrous network endows the sensor with good biocompatibility, breathability, and mechanical compliance, making it suitable for long-term skin-contact wearable applications. By optimizing the electrophoretic deposition process and the fabric layering structure, the sensor demonstrates outstanding overall performance: a broad detection range of up to 100 kPa, a maximum sensitivity of 0.151 kPa–1, and excellent linearity (R2 > 0.999) across a wide pressure range. Notably, the multilayer fabric architecture enables a continuous evolution of interfacial contact under external pressure, which contributes to the simultaneous achievement of high sensitivity and a wide linear sensing range. Under dynamic pressure testing, the sensor exhibits fast response (6 ms) and recovery (46 ms) times, and it is capable of detecting subtle pressures as low as 0.98 Pa. Such rapid response characteristics allow the sensor to accurately capture both static and dynamic mechanical stimuli associated with human motions. The sensor maintains highly stable electrical output after more than 8000 loading-unloading cycles at 100 kPa, confirming its remarkable mechanical durability. For practical demonstrations, relying on its excellent antibacterial and sensing properties, the sensor was successfully employed for real-time monitoring of various human motions. Combined with a deep learning model based on a convolutional neural network (CNN), it achieved high-accuracy classification of eight types of human activities, with an overall recognition accuracy exceeding 99%. These results highlight the strong compatibility between the proposed sensor and data-driven intelligent recognition algorithms. This work provides an effective material and structural design strategy for developing high-performance, wearable flexible sensing systems, especially suitable for the wearable electronics field requiring biocompatibility and antibacterial properties.
  • 加载中

  • 图 1  CTS/CNTs-OH (CTS/FCNT) 压力传感器的制备、工作原理与结构表征　(a) CTS/CNTs-OH织物的电泳沉积(EPD)制备过程示意图; (b) CTS/CNTs-OH 的俯视 SEM 图像及传感器工作机理示意图; (c) CTS 与 CTS/CNTs-OH(EPD) 的拉曼光谱对比

    Figure 1.  Preparation, working mechanism, and structural characterization of the CTS/CNTs-OH pressure sensor: (a) Schematic of the electrophoretic deposition (EPD) process for fabricating the CTS/CNTs-OH fabric; (b) top-view SEM image of the CTS/CNTs-OH composite and schematic illustration of the sensor’s working mechanism; (c) Raman spectra of pristine CTS and the CTS/CNTs-OH (EPD) composite.

    下载: 全尺寸图片 幻灯片

    图 2  CTS/CNTs-OH 压力传感器的传感性能　(a) EPD时间为30 min时, 不同层数传感器对应的相对电流变化(ΔI/I0)与压力的关系曲线; (b) EPD时间为1 h时, 不同层数传感器对应的相对电流变化与压力的关系曲线; (c)传感器在0—95 kPa范围内的加载-卸载电滞回线; (d)传感器的响应时间与恢复时间; (e)在0—80 kPa不同压力下的电流-电压(I-V)曲线; (f)传感器在0.98 Pa压力下的响应与恢复行为; (g)在100 kPa压力下进行8000次循环加载-卸载的耐久性测试; (h)与近期代表性传感器的灵敏度与检测范围的性能对比

    Figure 2.  Sensing performance of the CTS/CNTs-OH pressure sensor: (a) Relationship between relative current change (ΔI/I0) and applied pressure for sensors with different layer numbers prepared by EPD for 30 min; (b) relationship between relative current change (ΔI/I0) and applied pressure for sensors with different layer numbers prepared by EPD for 1 h; (c) electrical hysteresis loops of the sensor during loading and unloading in the range of 0–95 kPa; (d) response and recovery times of the sensor; (e) current-voltage (I-V) curves measured under different pressures from 0 to 80 kPa; (f) response and recovery behavior of the sensor under a pressure of 0.98 Pa; (g) durability test over 8000 loading-unloading cycles at 100 kPa; (h) comparison of sensitivity and detection range with other representative pressure sensors reported recently.

    下载: 全尺寸图片 幻灯片

    图 3  CTS/CNTs-OH 压力传感器的传感机制　(a) CTS/CNTs-OH 压力传感器的等效电路模型; (b) CNTs-OH 隧穿效应示意图; (c)不同层数CTS/CNTs-OH 模型在压力加载过程中的微观变形演化; (d)不同层数传感器在0—100 kPa范围内, 接触面积随施加压力的变化关系

    Figure 3.  The sensing mechanism of the CTS/CNTs-OH pressure sensor: (a) The equivalent circuit model of the CTS/CNTs-OH pressure sensor; (b) schematic diagram of the CNTs-OH tunneling effect; (c) microscopic deformation evolution of different layer-count CTS/CNTs-OH models during the pressure loading process; (d) the relationship between the contact area and the applied pressure of the sensors with different layer counts within the range of 0–100 kPa.

    下载: 全尺寸图片 幻灯片

    图 4  CTS/CNTs-OH传感器的抗菌性能　(a) CTS和CNTs-OH的抗菌机制示意图; (b) CTS/CNTs-OH传感器和聚酯织物对大肠杆菌的抗菌实验结果

    Figure 4.  Antibacterial performance of CTS/CNTs-OH sensors: (a) Schematic diagram of the antibacterial mechanisms of CTS and CNTs-OH; (b) antibacterial test results of CTS/CNTs-OH sensors and polyester fabric against Escherichia coli.

    下载: 全尺寸图片 幻灯片

    图 5  基于CTS/CNTs-OH 压力传感器的人体动作检测与识别　(a)—(h)传感器贴附于人体不同部位, 实时检测手腕弯曲、手指弯曲、膝盖弯曲、脚踝弯曲、手指按压、鼓掌、手肘弯曲及踏步动作; (i)基于卷积神经网络(CNN)对人体动作进行分类的混淆矩阵; (j)各人体动作的统计数据及对应识别准确率, 总体识别准确率达99.87%

    Figure 5.  Detection and recognition of human motions using the CTS/CNTs-OH pressure sensor: (a)–(h) Real-time detection of various human motions, including wrist bending, finger bending, knee bending, ankle bending, finger pressing, clapping, elbow bending, and stepping, with the sensor attached to corresponding body parts; (i) confusion matrix of the convolutional neural network (CNN) for classifying the eight human motions; (j) statistical data and recognition accuracy for each motion, with an overall accuracy of 99.87%.

    下载: 全尺寸图片 幻灯片

    图 A1  电泳沉积(EPD)过程示意图

    Figure A1.  Schematic diagram of the EPD process.

    下载: 全尺寸图片 幻灯片

    图 A2  测试与数据采集平台示意图

    Figure A2.  The testing and data-acquisition platform.

    下载: 全尺寸图片 幻灯片

    图 A3  卷积神经网络(CNN)结构示意图(对应图5)

    Figure A3.  Structural construction of the CNN (related to Fig. 5).

    下载: 全尺寸图片 幻灯片
    下载: 全尺寸图片 幻灯片

    表 1  不同制备技术的压阻式传感器性能参数比较

    Table 1.  Comparison of performance parameters of piezoresistive sensors with different fabrication techniques.

    材料制备方法灵敏/kPa–1检测范围/kPa响应时间 (ms)
    /恢复时间(ms)    		检测极限/Pa文献
    石墨烯真空抽滤0.009<15013/25N.R.[37]
    聚氨酯海绵/多壁碳纳米管浸涂0.00125<350401/473150[38]
    p 型硅微机电系统微加工1.19×10–5100—1100N.R.N.R.[39]
    p 型硅微机电系统微加工2.26×10–30—30N.R.<100[40]
    石墨烯激光刻写0.960—5072/0.4N.R.[41]
    碳纳米管/炭黑/热塑性聚氨酯
    @聚氨酯海绵    		浸渍0.100—23.3119/59N.R.[42]
    壳聚糖 / 羟基化碳纳米管电泳沉积法0.1510—1006/460.98本工作
    下载: 导出CSV
  • [1] Qin R Z, Nong J, Wang K Q, Liu Y S, Zhou S B, Hu M J, Zhao H B, Shan G C 2024 Adv. Mater. 36 2312761 doi: 10.1002/adma.202312761
    [2] Hu J G, Dun G H, Geng X S, Chen J, Wu X M, Ren T L 2023 Nanoscale Adv. 5 3131 doi: 10.1039/D2NA00866A
    [3] Seesaard T, Wongchoosuk C 2023 Micromachines 14 1638 doi: 10.3390/mi14081638
    [4] 侯星宇, 郭传飞 2020 物理学报 69 178102 doi: 10.7498/aps.69.20200987 Hou X Y, Guo C F 2020 Acta Phys. Sin. 69 178102 doi: 10.7498/aps.69.20200987
    [5] Jiang T H, Wang C N, Ling T Y, Sun S Q, Yang L 2024 Mater. Today Phys. 48 101576 doi: 10.1016/j.mtphys.2024.101576
    [6] Guo L N, Wu G T, Wang Q Y, Li T, Yao B H, Zou Y J, Xu M Y 2023 Sens. Actuators A Phys. 355 114331 doi: 10.1016/j.sna.2023.114331
    [7] Wang Y M, Wang X K, Nie S J, Meng K Y, Lin Z M 2024 Sensors 24 36 doi: 10.3390/s24010036
    [8] Wei C X, Zhang Q G, Wang Z, Yang W J, Lu H D, Huang Z H, Yang W, Zhu J X 2023 Adv. Funct. Mater. 33 2211889 doi: 10.1002/adfm.202211889
    [9] Yuan H, Zhang Q R, Zhou T, Wu W B, Li H R, Yin Z P, Ma J M, Jiao T F 2024 Chem. Eng. J. 485 149926 doi: 10.1016/j.cej.2024.149926
    [10] Ma Y, Shi L, Chen M, Li Z, Wu L M 2022 Chem. Eng. J. 441 136028 doi: 10.1016/j.cej.2022.136028
    [11] 李凤超, 孔振, 吴锦华, 纪欣宜, 梁嘉杰 2021 物理学报 70 100703 doi: 10.7498/aps.70.20210023 Li F C, Kong Z, Wu J H, Ji X Y, Liang J J 2021 Acta Phys. Sin. 70 100703 doi: 10.7498/aps.70.20210023
    [12] Wang M, Wang G D, Zheng M Y, Liu L, Xu C Y, Liu Z D, He L 2024 J. Mater. Chem. A 12 22931 doi: 10.1039/D4TA03758H
    [13] Chen M, Li K, Cheng G M, He K, Li W W, Zhang D S, Li W M, Feng Y, Wei L, Li W J, Zhong G H, Yang C L 2019 ACS Appl. Mater. Interfaces 11 2551 doi: 10.1021/acsami.8b20284
    [14] Zhao T T, Li T K, Chen L L, Yuan L, Li X F, Zhang J H 2019 ACS Appl. Mater. Interfaces 11 29466 doi: 10.1021/acsami.9b09265
    [15] Yang R X, Dutta A, Li B W, Tiwari N, Zhang W Q, Niu Z Y, Gao Y Y, Erdely D, Xin X, Li T J, Cheng H Y 2023 Nat. Commun. 14 2907 doi: 10.1038/s41467-023-38274-2
    [16] Li W W, He K, Zhang D S, Li N C, Hou Y X, Cheng G M, Li W M, Sui F, Dai Y, Luo H L, Feng Y, Wei L, Li W J, Zhong G H, Chen M, Yang C L 2019 ACS Appl. Energy Mater. 2 2803 doi: 10.1021/acsaem.9b00147
    [17] Qu C K, Lu M L, Zhang Z Y, Chen S B, Liu D W, Zhang D W, Wang J, Sheng B 2023 Molecules 28 5339 doi: 10.3390/molecules28145339
    [18] Zhao T C, Zhu H C, Zhang H Y 2023 Biosensors 13 546 doi: 10.3390/bios13050546
    [19] Wu L J, Gao C, Wang J C, Zhang C, Ke Y Z 2024 Micromachines 15 1441 doi: 10.3390/mi15121441
    [20] Masterton S, Ahearne M 2019 R. Soc. Open Sci. 6 191796 doi: 10.1098/rsos.191796
    [21] Jeong Y R, Gu J M, Byun J Y, Ahn J S, Byun J B, Kim K Y, Park J H, Ko J W, Jeong J H, Amjadi M, Park I K 2021 Adv. Healthc. Mater. 10 2001461 doi: 10.1002/adhm.202001461
    [22] Yue X Q, Yang J Q, Gao J W, Xu X D, Jing Y H, Wang X W, Li W Q, Li X J 2022 Compos. Sci. Technol. 226 109537 doi: 10.1016/j.compscitech.2022.109537
    [23] Cai Z C, Kim H J 2025 npj 2D Mater. Appl. 9 66 doi: 10.1038/s41699-025-00586-w
    [24] Bai H, Li C, Shi G Q 2011 Adv. Mater. 23 1089 doi: 10.1002/adma.201003753
    [25] Liu Y, Chang Q H, Huang L 2013 J. Mater. Chem. C 1 2970 doi: 10.1039/c3tc30178h
    [26] Parvin N, Joo S W, Jung J H, Mandal T K 2025 Chemosensors 13 225 doi: 10.3390/chemosensors13070225
    [27] Wu S P, Xu C, Zhao Y R, Shi W J, Li H, Cai J W, Ding F Y, Qu P 2023 Chemosensors 11 39 doi: 10.3390/chemosensors11010039
    [28] de Marzo G, Mastronardi V M, Algieri L, Vergari F, Pisano F, Fachechi L, Marras S, Natta L, Spagnolo B, Brunetti V, Rizzi F, Pisanello F, De Vittorio M 2023 Adv. Electron. Mater. 9 2200069 doi: 10.1002/aelm.202200069
    [29] 陆晶晶, 冯苗, 詹红兵 2013 物理学报 62 014204 doi: 10.7498/aps.62.014204 Lu J J, Feng M, Zhan H B 2013 Acta Phys. Sin. 62 014204 doi: 10.7498/aps.62.014204
    [30] Rinaudo M 2006 Prog. Polym. Sci. 31 603 doi: 10.1016/j.progpolymsci.2006.06.001
    [31] 朱景一, 马振宇, 肖敏, 王淑山, 蒋绪增 2023 生物化学与生物物理进展 50 1995 doi: 10.16476/j.pibb.2022.0451 Zhu J Y, Ma Z Y, Xiao M, Wang S S, Jiang X Z 2023 Prog. Biochem. Biophys. 50 1995 doi: 10.16476/j.pibb.2022.0451
    [32] 李鑫, 张梁, 羊梦诗, 储修祥, 徐灿, 陈亮, 王悦悦 2014 物理学报 63 076102 doi: 10.7498/aps.63.076102 Li X, Zhang L, Yang M S, Chu X X, Xu C, Chen L, Wang Y Y 2014 Acta Phys. Sin. 63 076102 doi: 10.7498/aps.63.076102
    [33] Gong M F, Tu C L, Lin X T, Wang F, Lian H S, Cui Z F, Chen X J 2025 Mater. Des. 252 113811 doi: 10.1016/j.matdes.2025.113811
    [34] Yang Z P, Li H Q, Zhang S F, Lai X J, Zeng X R 2021 Chem. Eng. J. 425 130462 doi: 10.1016/j.cej.2021.130462
    [35] Wu G Y, Shi W, Liu M R, Liang L X, Wang T, Zhang J Y, Chen J, Liang Y S, Tang W, Li H 2025 ACS Appl. Mater. Interfaces 17 9879 doi: 10.1021/acsami.4c20994
    [36] Lu H, Zhu H T, Xu J H, Lai X J, Zeng X R, Li H Q 2024 Chem. Eng. J. 497 154868 doi: 10.1016/j.cej.2024.154868
    [37] Jia J M, Yang Y, Cai B, Lü W 2022 J. Mater. Sci. : Mater. Electron. 33 2003 doi: 10.1007/s10854-021-07403-2
    [38] Cai Y Y, Liu L P, Meng X C, Wang J X, Zhang C C, Li J H, Lu Z L, Duan J A 2022 RSC Adv. 12 34117 doi: 10.1039/D2RA06487A
    [39] Zhou M, Zhou S W, Zhou Z Z, Jiang S W, Zhang W L 2025 Sens. Actuators A Phys. 382 116151 doi: 10.1016/j.sna.2024.116151
    [40] Xu Z B, Yan J H, Ji M L, Zhou Y X, Wang D D, Wang Y Z, Mai Z H, Zhao X F, Nan T X, Xing G Z, Zhang S F 2022 Micromachines 13 2250 doi: 10.3390/mi13122250
    [41] Tian H, Shu Y, Wang X F, Mohammad M A, Bie Z, Xie Q Y, Li C, Mi W T, Yang Y, Ren T L 2015 Sci. Rep. 5 8603 doi: 10.1038/srep08603
    [42] Wang Y, Luo W B, Wen Y D, Zhao J F, Chen C, Chen Z, Zhang X S 2025 Mater. Today Phys. 52 101681 doi: 10.1016/j.mtphys.2025.101681
  • 加载中
图( 9) 表( 1)
计量
  • 文章访问数:  499
  • HTML全文浏览数:  499
  • PDF下载数:  2
  • 施引文献:  0
出版历程
  • 收稿日期:  2025-12-29
  • 刊出日期:  2026-05-20

基于CTS/CNTs-OH的高性能织物压力传感器及其人体动作的深度学习识别

    通讯作者: E-mail: ming.chen2@siat.ac.cn.
  • 1. 中国科学院深圳先进技术研究院, 先进材料科学与工程研究所, 深圳　518055
  • 2. 中国科学院深圳先进技术研究院, 先进集成技术研究所, 深圳　518055
  • 收稿日期:  2025-12-29

摘要: 兼具高灵敏度、宽线性检测范围与优异稳定性的柔性压阻式压力传感器, 在可穿戴电子设备与人机交互界面中具有重要的应用价值. 然而, 如何协同提升上述性能指标, 仍是当前研究面临的挑战. 为此, 本文提出并制备了一种基于壳聚糖/羟基化碳纳米管(CTS/CNTs-OH)复合纤维织物的高性能柔性压力传感器. 得益于壳聚糖固有的抗菌特性与羟基化碳纳米管的协同作用, 该复合纤维织物及传感器具有优异的抗菌性能, 可有效避免可穿戴场景下微生物滋生导致的传感器性能衰减与人体皮肤不适. 通过优化电泳沉积工艺与织物叠层结构, 该传感器表现出卓越的综合性能: 其检测范围宽达100 kPa, 最高灵敏度为0.151 kPa–1, 且在宽压力范围内保持出色的线性度(R2 > 0.999). 在动态压力测试中, 传感器展现出快速的响应时间(6 ms)与恢复时间(46 ms), 并能够检测低至0.98 Pa的微小压力. 经过在100 kPa压力下超过8000次的加载-卸载循环测试, 其输出信号仍保持高度稳定, 体现了良好的机械耐久性. 在应用验证中, 该传感器凭借优异的抗菌性能与传感性能, 成功实现了对多种人体动作(如手腕弯曲、手指按压、呼吸监测等)的实时监测, 有效适配长期可穿戴场景; 同时结合卷积神经网络(CNN)深度学习模型, 实现了对8类人体动作的高精度分类, 整体识别准确率超过99%. 本研究为开发高性能、可穿戴的柔性传感系统提供了一种有效的材料与结构设计策略, 尤其适用于对生物相容性与抗菌性有要求的可穿戴电子领域.

English Abstract

    全文HTML

    1.   引　言

    • 柔性压力传感器在电子皮肤、人体健康监测、运动识别和人机交互等领域具有广泛的应用前景, 受到了学术界与工业界的持续关注[1–4]. 当前, 传感机制主要包括电容型[5]、压电型[6]、摩擦电型[7]和压阻型[8]. 其中, 压阻型柔性压力传感器结构简单, 制备工艺相对成熟, 信号读取便捷且成本较低, 已成为目前应用最为广泛的类型之一[9–11]. 对于高性能压力传感器而言, 高灵敏度与宽线性范围是其关键指标[12], 但二者往往相互制约, 难以在同一器件中同时实现.

      为提升灵敏度和线性度, 研究者们已提出多种策略. 一类常见方法是在弹性基体表面构建微纳米结构. 例如Chen等[13]通过构筑圆台状PDMS/Ag微结构, 在0—2.5 kPa范围内实现了259.32 kPa–1的高灵敏度; Zhao等[14]利用天然叶片与糖作为模板制备了仿生PDMS/CNT传感器, 在低压区灵敏度达83.9 kPa–1; Yang等[15]通过在PDMS表面引入梯度微金字塔结构, 获得了优异的压敏性能; Li等[16]报道的花状SnSe2纳米片结构亦将灵敏度提升至433.22 kPa–1 (0—2.4 kPa). 然而, 这些方法往往需要复杂的工艺(如分子束外延、紫外光刻、感应耦合等离子体刻蚀等), 不仅成本高, 而且在压力进一步增大时容易出现灵敏度迅速衰减甚至饱和的问题[17–19].

      优化基体材料是另一重要途径. 基体模量直接影响传感器的“灵敏度-线性范围”权衡关系. 以PDMS为代表的低模量弹性体(模量可调范围为数十kPa至数MPa), 在小载荷下更易形变并产生显著接触面积变化, 因而对微小压力更敏感; 但随着压力升高, 其微结构或接触点容易趋于饱和, 导致响应非线性甚至出现平台效应[20]. 相比之下, 高模量基体虽可扩展检测范围, 但往往以牺牲灵敏度为代价. 例如, Jeong等[21]基于PI/CNT的微结构器件将检测上限拓展至3000 kPa, 但灵敏度仅处于10–3 kPa–1量级, 典型地反映了这一矛盾.

      与此同时, 导电活性材料的选取与复合方式对器件性能具有决定性的影响. 羟基化碳纳米管(CNTs-OH, FCNT, 改性碳纳米管)表面富含—OH官能团, 不仅具备碳纳米管固有的高导电性和高长径比, 而且因极性基团的存在而表现出更优的分散性与界面相容性, 在柔性传感复合材料中展现出显著优势[22,23]. 研究表明, 功能化CNT与高分子基体复合后能够形成稳定、连续的导电网络, 从而有效改善传感器的灵敏度、线性度和耐久性[24,25]. 例如, Yue等[22]通过在Ecoflex中引入羟基化多壁碳纳米管, 证实—OH基团可改善分散性并形成稳健的导电网络, 使传感器在宽应变范围内保持稳定输出. Parvin等[26]进一步指出, 表面羟基、羧基等官能团有助于增强CNT与聚合物基体间的界面作用力, 从而提升器件的机械稳定性与信号可重复性. 这些结果均表明, CNTs-OH的表面化学特性及其与基体的相互作用对最终器件的传感性能至关重要.

      针对当前柔性压力传感器在兼顾高灵敏度、宽检测范围及良好线性度方面所面临的挑战, 本文提出一种基于壳聚糖(CTS)/羟基化碳纳米管(CNTs-OH)纤维织物的高性能压阻式压力传感器. CTS作为一种天然阳离子多糖, 具备良好的机械柔韧性, 力学稳定性, 生物相容性与可降解性[27,28]. 更兼具优异的天然抗菌活性[29,30], 其分子链中的氨基可通过破坏细菌细胞膜完整性、抑制细菌代谢繁殖[31,32], 这一特性可有效解决长期穿戴过程中微生物滋生导致的传感器性能劣化、器件污染及人体皮肤刺激等关键问题, 显著提升传感器的生物安全性与长期服役可靠性. 其三维多孔结构不仅赋予基底优异的透气性与柔韧性, 也为活性纳米材料的负载提供了理想载体. 本研究通过电泳沉积(EPD)技术将CNTs-OH均匀负载于CTS织物表面, 构建稳固的导电网络, 并系统探究了CTS层数、沉积时间等参数对传感器性能的影响. 得益于CTS纤维的多级结构、CNTs-OH与CTS之间的强界面结合(如氢键作用)以及多层织物在受压时持续而显著的接触面积变化, 所制备的传感器在无需复杂微结构加工的前提下, 实现了高灵敏度(最高0.151 kPa–1)、宽线性范围(0—100 kPa, R2 = 0.999)、快速响应(6 ms)与极低检测限(0.98 Pa). 同时, CTS与CNTs-OH的协同作用进一步强化了抗菌性能, 经测试, 实现了传感性能与抗菌性能的协同提升. 此外, 器件在100 kPa下经历超过8000次加载-卸载循环后仍保持稳定输出, 显示出优异的机械耐久性. 在应用层面, 本研究将该传感器凭借其优异的抗菌性能与生物相容性, 可直接贴合人体皮肤长期穿戴, 无需额外抗菌防护处理, 有效适配手腕、手指、胸部等多部位的长期监测场景; 并结合卷积神经网络(CNN)深度学习模型, 成功实现了对8类人体动作的高精度分类, 总体识别准确率超过99%, 展现了其在智能可穿戴设备与人机交互领域的巨大应用潜力.

    2.   实　验

      2.1.   CTS/CNTs-OH功能层的制备

    • 首先, 将0.036 g羟基化碳纳米管(CNTs-OH)分散于300 mL 无水乙醇(C2H6O)中, 超声处理10 min, 制得浓度为0.12 mg/mL的CNTs-OH分散液. 采用尺寸为20 mm×20 mm的壳聚糖(CTS)织物作为沉积基底, 将其平整贴合于一片不锈钢片上作为阳极. 另一片不锈钢片平行放置作为阴极, 两极间距固定. 在直流电压15 V下, 分别进行30 min和1 h的电泳沉积(EPD)过程(示意图见附录图A1), 使带负电的CNTs-OH在电场驱动下均匀沉积于带正电的CTS纤维表面. 沉积完成后, 将试样置于70 ℃烘箱中干燥5 min, 获得CTS/CNTs-OH复合功能层. 该工艺利用CTS纤维表面的正电性与CNTs-OH在乙醇中的稳定分散, 实现了CNTs-OH在三维纤维网络上的均匀、高效负载.

      • 2.2.   CTS/CNTs-OH 压阻式压力传感器的封装

    • 为构建可工作的传感器件, 在制得的CTS/CNTs-OH功能层上下两面分别贴合裁剪好的铝箔作为柔性电极. 随后, 采用聚酰亚胺胶带作为封装材料, 分别裁剪成适当尺寸, 覆盖并黏合于电极外侧, 实现对传感单元的全包覆封装. 该封装方式在确保良好电接触的同时, 有效隔绝外界环境干扰, 并赋予器件一定的机械保护与使用稳定性.

      • 2.3.   表征与测试

    • 利用VEGA3 TESCAN扫描电子显微镜观察CTS/CNTs-OH功能层的表面形貌与微观结构. 采用LabRAM HR型拉曼光谱仪对CTS及CTS/CNTs-OH复合材料进行化学结构分析, 表征CNTs-OH的成功负载及二者间的界面相互作用. 压缩性能测试在JISC MAX-1 kN-P-2型自动加载试验机上进行. 为系统评估传感性能, 自主搭建了一套集成化测试与数据采集平台(示意图见附录图A2). 压力加载由东莞智取精密仪器有限公司提供的精密压力计控制, 施加压力过程中的电流信号通过Keithley 2400系列半导体参数分析仪实时采集. 响应时间与恢复时间通过LUCK-3型数字存储示波器(成都荣特仪器有限公司)测量. 为评估传感器的检测下限, 在其表面垂直轻放质量为0.98 g的玻璃片(产生约0.98 Pa的压力), 并记录相应的电流响应.

      • 2.4.   有限元仿真

    • 为从力学与接触机理角度深入理解传感器性能, 本研究采用Abaqus 2022软件建立了CTS/CNTs-OH纤维网络的三维压缩模型, 进行有限元仿真分析. 模型中, CTS织物被简化为均质各向同性线弹性材料, 其杨氏模量设定为2.06 GPa, 泊松比为0.4. 分别构建了单层、双层、三层以及四层CTS/CNTs-OH随机分布纤维的压缩模型. 纤维模型采用直径15 μm、长度500 μm的圆柱体近似, 以模拟织物中10—20根纤维的束状形态. 每层首先生成6根随机弯曲的纤维, 随后通过平移与旋转操作复制, 最终形成包含100—200根纤维、具有随机取向特征的三维网络. 模型上下边界设置为刚性壳, 上壳仅允许沿垂直方向(Z向)位移以施加压力, 下壳完全固定. 接触属性设置如下: 刚性壳与相邻纤维层之间, 以及各纤维层之间均定义为面-面接触, 采用有限滑移公式, 并启用表面平滑技术以更真实地模拟纤维间复杂接触行为. 模拟中, 对上壳施加0—100 kPa的均布压力, 通过提取不同压力下纤维间的总接触面积, 定量分析层数对接触演化行为的影响, 从而关联并解释实验观测到的电学响应特性.

    3.   结果与讨论

      3.1.   CTS/CNTs-OH复合织物的结构与表征

    • 对于织物基柔性压力传感器而言, 活性层的结构均匀性与导电稳定性是决定其性能的关键. 本研究选用壳聚糖(CTS)无纺织物作为柔性基底, 其自身具备的高比表面积、多级纤维网络与良好机械韧性, 为导电材料的负载提供了理想载体. 通过电泳沉积(EPD)工艺, 将羟基化碳纳米管(CNTs-OH)均匀引入CTS纤维表面, 构建了CTS/CNTs-OH复合导电织物. 图1(a)为EPD制备过程. 在直流电场作用下, 带负电荷的CNTs-OH颗粒向作为阳极的CTS织物表面迁移并均匀沉积. 图1(b)的SEM图像显示, 沉积后的CTS纤维表面成功包覆了一层交织缠结的CNTs-OH网络, 形成了稳固的导电通路, 未出现明显的团聚或覆盖不均现象. 这种三维导电网络的形成为压力作用下接触电阻的连续变化奠定了基础.

      为进一步探究CTS与CNTs-OH之间的界面相互作用, 我们对原始CTS织物及CTS/CNTs-OH复合材料进行了拉曼光谱分析(图1(c)). 原始CTS在3302 cm–1和2881 cm–1附近分别出现了O—H/N—H和C—H键的特征伸缩振动峰. 而在CTS/CNTs-OH复合材料的谱线中, 除了清晰可见的碳材料D带(~1346 cm–1)和G带(~1593 cm–1)外, 值得注意的是, 位于3302 cm–1处的O—H/N—H特征峰强度显著减弱. 该现象表明, CNTs-OH表面的羟基与CTS分子链上的羟基或氨基之间形成了较强的氢键相互作用, 从而部分抑制了CTS分子中O—H/N—H键的自由振动. 这种界面化学作用不仅增强了CNTs-OH在CTS纤维上的附着稳定性, 防止其在循环受力过程中脱落, 也有利于应力在复合材料中的有效传递, 从而提升器件的机械耐久性与信号稳定性.

      • 3.2.   压力传感性能分析

    • 为了系统评估传感器性能, 我们搭建了智能测试与数据采集平台, 对加载压力下的电流变化进行了采集. 图2(a), (b)分别展示了电泳沉积时间为30 min和1 h条件下, 具有不同CTS层数(单层、双层、三层)的传感器的压阻响应曲线, 其中纵坐标为相对电流变化(ΔI/I0).

      在30 min沉积条件下(图2(a)), 所有传感器均表现出两段式线性响应特征. 其中, 三层结构展现出最优的综合性能: 在0—70 kPa范围内灵敏度为0.082 kPa–1(R2 = 0.991), 在70—100 kPa高压区灵敏度进一步提升至0.151 kPa–1 (R2 = 0.997). 而单层和双层结构在较低压力区间(分别为0—50 kPa和0—40 kPa)即出现明显的响应饱和趋势, 其灵敏度也较低(分别为0.027 kPa–1和0.013 kPa–1). 这表明, 在沉积时间较短、CNTs-OH负载量相对有限的情况下, 增加织物层数能有效构建更为复杂的三维导电网络, 在受压时产生更多新的纤维间接触点, 从而拓宽线性范围并延缓响应饱和.

      当沉积时间延长至1 h (图2(b)), CNTs-OH的负载量增大, 导电网络更为致密和连续. 此时, 所有传感器在整个0—100 kPa范围内均表现出优异的单段线性响应. 其中, 三层结构的灵敏度达到0.065 kPa–1, 且线性度极高(R2 = 0.999), 显著优于单层(0.045 kPa–1)和双层(0.038 kPa–1)以及四层(0.050 kPa–1). 这一结果证实, 充分的CNTs-OH覆盖与三层纤维结构相结合, 是实现宽范围、高线性度响应的关键. 较长的沉积时间确保了纤维表面形成稳固且连续的导电通路, 提供了较低的初始电阻和更稳定的压阻变化基础; 而三层结构则通过引入更多的中间接触界面, 使得在压力增大过程中, 导电通道能够以更渐进、更可控的方式增加, 从而避免了灵敏度的突变或饱和.

      我们所制备的CTS/CNTs-OH器件同样具备优异的动态性能与稳定性. 如图2(d)所示, 传感器在阶跃压力下表现出快速的响应(6 ms)与恢复(46 ms)特性, 满足实时信号监测的需求. 在0—95 kPa范围内的多次加载-卸载循环中, 电流-压力曲线重合度高, 迟滞效应微小(图2(c)), 表明其具有良好的可逆性与重复性. 更值得注意的是, 在100 kPa的高压力下进行超过8000次的疲劳循环测试后, 传感器的响应信号未见明显衰减(图2(g)), 展现了卓越的机械耐久性与结构稳定性. 这主要得益于CTS纤维本身的柔韧性、CNTs-OH与CTS之间的强界面结合、以及多层织物结构在反复压缩中的有效回弹. 此外, 在不同压力下测量的电流-电压(I-V)曲线均呈良好的线性关系(图2(e)), 证实了电极与CTS/CNTs-OH活性层之间为欧姆接触, 保证了信号输出的可靠性.

      对于柔性压力传感器, 检测下限是一项重要指标. 如图2(f)所示, 本传感器能够清晰分辨出仅由0.98 g玻璃片产生的约0.98 Pa的微小压力, 响应时间约为497 ms. 这证明了其具备检测极微弱生理信号(如脉搏波、细微关节活动)的潜力. 图2(h)将本传感器与文献[33–36]报道的其他代表性柔性压力传感器在灵敏度与检测范围方面进行对比. 可以看出, 本研究器件在实现高达100 kPa宽线性范围的同时, 仍保持了较高的灵敏度, 在性能平衡方面展现出显著优势. 此外, 本研究采用的电泳沉积工艺, 相较于现有制备技术, 在材料成本控制、工艺复杂度简化及环境友好性方面均具有更为突出的优势(表1), 更适合规模化生产与实际可穿戴场景的应用需求[37–42].

      • 3.3.   压力传感机制

    • 从电路层面而言, 该压阻式传感器可等效为一个由多层CTS/CNTs-OH复合织物导电单元构成的可变电阻网络, 如图3(a)所示, 层间电阻的动态变化是整个传感电路电学信号调控的核心. 未施加外力时, 层间导电网络中接触位点稀少、CNTs-OH间距较大, 电路中存在较多高阻支路, 整体等效电阻处于较高水平, 电路中电流维持在低幅值稳定状态; 当外部压力作用于器件时, 层间间距减小、导电单元接触位点增多, 电路中高阻支路数量显著减少, 低阻导通支路占比提升, 等效电阻随压力增大呈指数级下降, 根据欧姆定律, 在固定偏置电压下, 电路输出电流随之显著增大; 压力卸载后, 层间结构复位, 高阻支路恢复, 等效电阻回升至初始值, 电路电流同步回归基线, 实现电学信号与机械压力信号的可逆转换.

      从微观物理角度进一步分析, 层间电阻的指数级变化特性主要源于CNTs-OH导电单元间的量子隧穿效应, 这也是器件实现高灵敏度压阻响应的核心微观机制(图3(b)). 未施加外力时, 多层CTS/CNTs-OH复合织物层间存在微小间隙, 相邻织物表面的CNTs-OH大多未形成直接物理接触, 而是被CTS分子链、表面吸附层及空气构成的微薄绝缘介质隔开, 形成有限高度、有限宽度的隧穿势垒, 此时电子需克服该势垒才能从一层织物的CNTs-OH跃迁至另一层, 隧穿概率极低, 对应的隧穿电阻处于较高水平, 成为层间等效高阻支路的主要来源. 当外部压力作用导致层间间距减小, 相邻CNTs-OH之间的隧穿势垒宽度随之显著缩减, 根据Simmons隧穿模型, 电子隧穿概率与势垒宽度呈指数负相关, 势垒宽度的微小减小会使隧穿概率呈指数级提升, 隧穿电阻随之急剧下降; 同时, 压力驱动下CNTs-OH的团聚现象得到缓解, 更多分散的CNTs-OH形成近邻分布, 增加了层间隧穿导通位点数量, 进一步降低了层间整体隧穿电阻. 此外, CTS与CNTs-OH之间的氢键作用可固定CNTs-OH的空间分布, 避免外力作用下隧穿位点的无序迁移, 确保隧穿电阻的变化具有良好的可逆性与重复性.

      为从微观力学角度深入理解多层结构对性能的增强机制, 我们利用Abaqus 软件建立了不同层数CTS/CNTs‑OH纤维网络的有限元模型, 模拟其在压缩过程中的接触演化行为. 图3(c)直观展示了器件结构在压力加载下的变形过程. 可以观察到, 对于两层结构, 随着压力增大, 纤维间发生弯曲、滑移并逐渐形成新的接触点. 对于三层结构, 中间层在上下层的协同压缩下, 起到了关键的 “桥接” 与 “应力再分布” 作用, 有效提升了应力在厚度方向的传递效率, 显著增大了整体网络中的有效接触数量与接触面积. 而当层数进一步增至四层时, 纤维堆积密度显著提高, 有限元模拟显示整体结构刚度明显增大, 层间接触趋于饱和, 应力难以有效驱动纤维间的相对滑移与形变, 低压区结构形变被抑制, 接触面积的增长速率显著降低. 图3(d)定量描绘了接触总面积随压力变化的曲线. 显然, 在整个0—100 kPa压力范围内, 三层结构的接触面积始终高于单层、双层, 并且其增长速率更快. 四层结构因结构刚度过大, 接触面积增长受限, 无法实现持续、显著的电阻调制, 因此灵敏度低于三层结构. 根据接触电阻理论, 接触电阻与有效接触面积呈反比关系(R ∝ 1/A), 接触面积的持续、快速增长直接对应于电阻的稳步下降, 从而在宏观上表现为更宽的线性响应范围和更高的灵敏度. 模拟结果与实验数据高度吻合, 从机理上证实了多层纤维结构通过调控应力传递路径与接触演化动力学, 是实现 “灵敏度‑线性范围”权衡关系的有效路径.

      • 3.4.   人体动作监测与识别应用演示

    • 为探究CTS/CNTs-OH传感器的抗菌性能, 将大肠杆菌接种于含CTS/CNTs-OH及聚酯织物的试管中, 置于37 ℃细菌摇床培养箱中进行培养. 在12 h的培养过程中, 采用平板菌落计数法对菌液进行实时菌落数(cfu/mL)测定, 通过菌落数定量表征菌浓度变化, 结果如图4(b)所示. 菌落数(cfu/mL)直接反映菌液中存活细菌的数量, 其值越大, 表明菌浓度越高, 可精准表征织物的抑菌效果. 显然, 含聚酯织物的菌液菌落数最高, 在第12 h时大肠杆菌对应的菌落数达到峰值, 表明该组细菌未受到任何抑制, 菌浓度达到最大值. 相比之下, CTS/CNTs-OH织物在培养初期(前3 h)均表现出强烈的抑菌效果, 菌浓度增长被显著抑制, 菌落数增长缓慢, 这归因于CTS分子中的阳离子基团对细菌的破坏作用. 如图4(a)所示, CTS的聚阳离子结构与细菌表面主要的阴离子组分发生相互作用, 导致细菌细胞膜通透性改变、细胞内组分泄漏, 最终致使细菌死亡, 从而降低菌液浓度(菌落数减少). 同时, CNTs-OH自身也具备优异的抗菌性能, 其表面羟基官能团可与细菌细胞膜发生相互作用, 进一步破坏细菌代谢过程、抑制细菌繁殖, 协同CTS增强整体抑菌效果, 维持较低的菌浓度. 然而, 从第5 h开始, CTS/CNTs-OH对应的菌液菌落数均开始明显上升, 表明抗菌活性出现一定程度的下降, 至第9 h后, 菌浓度趋于稳定. 这一结果进一步证实了CTS/CNTs-OH传感器具有优异的抗菌性能, 可有效抑制菌浓度增长, 为其可穿戴应用的生物安全性提供了有力支撑.

      为验证传感器在实际可穿戴场景中的应用价值, 我们将其贴附于人体多个关节部位(如指关节、手腕、手肘、膝盖、脚踝等), 用于实时监测不同动作产生的动态压力信号. 图5(a)—(h)展示了传感器在手腕弯曲、手指按压、膝盖弯曲、踏步等多种动作下的稳定信号输出, 响应清晰且重复性好.

      进一步地, 我们采集了包含8种常见人体动作的大量信号数据, 构建了一个数据集. 并设计了一个融合多尺度卷积与残差连接的深度学习模型(结构见附录图A3)进行分类识别. 该模型能自适应地提取信号中不同时间尺度的特征. 经过训练, 模型在测试集上达到了99.87%的整体分类准确率, 其混淆矩阵如图5(i)所示, 显示各类动作均能被极高精度地区分. 图5(j)统计了各动作的具体识别准确率, 均保持在99%以上. 这项工作不仅证明了CTS/CNTs-OH传感器在输出稳定、可区分生理信号方面的能力, 也展示了“柔性传感器+人工智能”模式在智能人机交互、远程健康监测等领域的巨大应用潜力.

    4.   结　论

    • 本研究成功通过电泳沉积(EPD)技术, 在CTS无纺织物表面均匀负载CNTs-OH, 制备出一种兼具高灵敏度、宽线性范围、快速响应及优异稳定性和突出抗菌性能的柔性压阻式压力传感器. 该传感器的性能优势主要体现在以下几个方面: 首先, 得益于CTS天然三维纤维网络的结构特性、CNTs-OH与CTS基体间通过氢键等作用形成的稳固界面、以及特别优化的多层织物叠层设计, 传感器在未引入复杂微结构的前提下, 有效协调了灵敏度与线性范围之间的传统矛盾. 器件在0—100 kPa的宽压力范围内表现出高度线性的响应(R2 = 0.999), 最高灵敏度可达0.151 kPa–1, 并具备极低的检测下限(0.98 Pa)与快速的动态响应能力(响应时间6 ms, 恢复时间46 ms). 其次, 传感器兼具优异的抗菌性能与生物安全性, 采用平板菌落计数法(cfu)测试证实, 其对可穿戴场景中常见的大肠杆菌具有显著抑制作用, 可有效解决长期穿戴过程中微生物滋生导致的器件性能劣化与人体皮肤刺激问题, 适配可穿戴设备长期贴肤使用需求. 再次, 传感器展现了卓越的机械耐久性与环境稳定性. 在100 kPa高压下历经超过8000次加载-卸载循环后, 其电学响应未出现明显衰减, 证实了材料界面结合的牢固性与结构设计的可靠性, 完全满足可穿戴设备长期、动态监测的使用需求. 最后, 通过将传感器与卷积神经网络(CNN)相结合, 本研究成功实现了对8种人体动作的高精度实时识别, 整体分类准确率超过99%. 这充分验证了该传感器在输出稳定、可区分生理信号方面的实用潜力, 为其在智能健康监测、人机交互、运动姿态分析等领域的实际应用奠定了坚实的技术基础. 综上所述, 本研究不仅提供了一种高性能、低成本的柔性压力传感器创新制备方案, 其“多层纤维结构设计”与“材料界面强化”的核心策略, 也为解决柔性电子器件中灵敏度与量程的平衡难题提供了新的思路, 同时抗菌性能的集成也为可穿戴柔性电子的生物安全性设计提供了有效参考, 具有重要的科学意义与广阔的应用前景.

    附　录
    参考文献 (42)

目录

/

返回文章
返回