一、研究背景

在先进制造、医疗机器人和具身智能领域，开发具备集成传感能力的智能机器人至关重要。现有的机器人传感技术局限于记录加速度、驱动扭矩、压力反馈等数据，而扩展并集成多模态传感器以模拟甚至超越人类感知的技术尚不完善。

柔性电子在柔性人机界面应用中日益普及，这类界面是人类与外界（尤其是计算机、机器人和假肢）交互通信的载体，注重可用性、可访问性和可学习性。近年来，柔性电子的发展使人体能配备柔性电子皮肤（e-skin），可识别生命体征、身体动作及脑电（EEG）、肌电（EMG）等生理信号以解码意图；同时，人机界面已从单向操控发展为双向通信，新增机器人触觉传感、材料识别等多模态感知功能。

尽管前景广阔，仍存在关键挑战：

• 机器学习模型性能局限：Transformer方法耗时且依赖复杂预训练，循环神经网络对局部模式效果差，全卷积网络忽略结构特征；虽卷积神经网络（CNN）表现较优，但需进一步适配生理信号分类。
• 制造与感知瓶颈：缺乏低成本、大规模制造方法，且缺少用于材料识别的多模态传感技术，阻碍闭环传感人机界面的普及。

二、研究内容

（一）柔性人机界面的设计与3D打印制造

研究提出的3D打印人机界面核心架构包含三部分：用于表面肌电（sEMG）采集和刺激反馈的电子皮肤、多模态触觉感知传感软体机器人、手势分类与材料识别的机器学习算法（图1A）。

图1 具有个性化自适应机器学习的人机界面
（A）带有线性映射网络（LMN）、inception时间模型（ITM）和紧凑卷积神经网络（CNN）的双向界面示意图。插图为多模态传感阵列。
（B）软体传感机器人制造流程示意图。
（C）电子皮肤与传感机器人之间闭环信号流的人机界面示意图。
（D）带有多模态传感器阵列的传感机器人照片。
（E、F）电子皮肤附着在手臂表面的照片（E）和作为假肢手抓取物体的软体机器人照片（F）。比例尺，5cm。

1. 核心制造技术：采用“DIW墨水直写3D打印+红外激光+切割激光”的大规模集成3D打印技术，制造多材料、高密度传感器阵列的柔性生物电子器件（图1B）。关键工艺包括：

• 通过精密三轴运动系统（集成气动分配器）3D打印，喷嘴经355nm紫外激光雕刻，内径最小达30μm，3D打印线宽可达40μm，图案边缘平滑且导电性稳定（图2A-D、S1-S3）。
• 使用多材料墨水（银、碳、PDMS/碳、PEDOT:PSS等），墨水具备剪切变稀特性和良好润湿性，可实现悬垂结构3D打印（图2E-H、S4-S5）。

图2 柔性人机界面的3D打印与组装
（A）集成分配器的三轴运动平台示意图。
（B、C）激光雕刻高分辨率喷嘴（B）和分配器图案3D打印（C）的照片。比例尺，2mm。
（D）高分辨率3D打印线的SEM图像。比例尺，100μm。
（E）3D打印传感器阵列的光学图像。比例尺，1cm。
（F、G）可印刷墨水的储能模量（F）和表观粘度（G）表征。C，碳；PVDF，聚偏氟乙烯；IL，离子液体；SBS，苯乙烯嵌段共聚物；PDMS，聚二甲基硅氧烷。
（H）用四种墨水3D打印的标志图案。比例尺，5mm。
（I、J）电子皮肤附着在人体受试者身上（I）和机械变形下（J）的照片。比例尺，1cm。
（K）0.85mm位移下sEMG电极的冯·米塞斯应力分布模拟结果。
（L）反馈刺激电极在皮肤上的电流响应随施加电位从0到5V的变化。
（M、N）用于sEMG信号采集和传输的柔性电路板照片（M）和示意图（N）。比例尺，5mm。
（O）柔性电路的框图，包括电源、刺激电极和蓝牙模块。ADC，模数转换器；MCU，微控制器单元；TXD，串行发送数据；RXD，串行接收数据。
（P）不同供电电压下柔性电路板的电流。

（二）实时手势分类的自适应机器学习

针对sEMG信号的个体差异与放置偏差，设计“线性映射网络（LMN）+inception时间模型（ITM）”的自适应学习框架（图3）。

图3 用于sEMG数据分析的个性化自适应机器学习模型
（A）六种手势的八通道sEMG信号。插图，从左到右的手势分别是握拳、放松、上、下、左、右。
（B）线性映射网络（LMN）改变八通道权重的示意图。
（C、D）目标受试者（C）和经LMN处理后的人类受试者（D）通过主成分分析得到的数据分布。插图，该受试者的初始数据分布。
（E）用于自适应机器学习的inception时间模型（ITM）。Conv，卷积层；MaxPL，最大池化；AvgPL，平均池化；FC，全连接层。
（F）通过训练LMN，结合机器学习模型的知识迁移，利用校准数据和标准化数据集（StdData）进行自适应过程。
（G）数据准备中不同延迟下epoch与测试准确率的关系。插图，延迟与准确率的关系。
（H、I）不同受试者的sEMG信号和实时手势预测。彩色圆点表示预测时间点。
（J、K）预训练受试者（J）和有限手势重复次数受试者（K）使用自适应机器学习模型对14种手势的分类结果。

（三）多模态传感器表征及在软体机器人上的应用

多模态传感器阵列（温度、压力、导电、加热器）通过串行印刷集成，附着于软体机器人实现物体感知（图4）。

图4 软体机器人手指上多模态传感器阵列的表征与评估
（A）多模态传感器阵列的光学图像。比例尺，3mm。
（B）温度传感器的响应。插图，温度与电阻变化的线性关系。
（C）加热器沿两条线的温度分布。插图，加热器的红外图像。
（D）不同材料的热导率测试响应。
（E）交流和外部压力下压力传感器的工作原理。
（F）不同PVDF与IL比例的压力传感器性能。
（G）压力传感器的长期稳定性。插图，1820至1850次循环的电容信号。
（H）导电传感器在0至0.8V电压扫描测试下的电流响应。插图，导电测试示意图。R，内阻；Rx，外部物体电阻；U，施加电压。
（I）软体机器人手指的结构设计和工作机制。
（J）不同凹槽深度平衡弯曲角度和应力水平的模拟结果。角度由弯曲形状拟合圆的圆心角定义。
（K、L）软体手指弯曲状态的照片（K）和模拟结果（L）。比例尺，2cm。
（M）气压与弯曲角度的关系。插图，不同压力下软体机器人手指的照片。
（N）安装在软体机器人手指上的多模态传感器阵列光学图像。比例尺，3cm。
（O、P）多模态传感器阵列对木材（O）和铜（P）的响应。

（四）交互式软体机器人的物体识别评估

结合热导率与电导率传感，设计紧凑CNN网络实现物体识别（图5）。

图5 交互式软体机器人手物体识别评估
（A）使用紧凑卷积神经网络（CNN）的材料识别算法的预处理和架构。
（B）20种物体的图像。编号1至20分别代表的材料为：卷心菜、玻璃、织物、大蒜、单晶硅、多晶硅、硅橡胶、黄铜、铝、木炭、南瓜、柠檬、导电凝胶、聚乙烯泡沫、芹菜、石墨、丙烯腈-丁二烯-苯乙烯（ABS）塑料、不锈钢、土豆、羊肉。
（C）仅使用热导率传感与热导率结合电导率传感的识别结果桑基图。
（D）识别算法对20种材料的识别结果，平均准确率：98.03%。
（E-H）通过带有自适应机器学习的人机界面控制的柔性传感机器人照片。比例尺，5cm。
（I-L）柔性传感机器人抓取瓶子物体的延时照片。比例尺，5cm。

（五）上肢残疾人人机界面评估

将系统作为假肢应用于左臂截肢受试者，验证医疗实用性（图6）。

图6 人机界面在假肢应用中的评估
（A）截肢手术后受试者佩戴作为假肢的人机界面照片。比例尺，4cm。
（B）用于软组织识别的MRI扫描仪光学图像。
（C）受试者左前臂的MRI图像。a至d，距离肘部的距离分别为5.7、12、16.5和20.7cm。
（D）基于MRI图像的八通道sEMG电极重建模型。
（E）11种手部和手指手势的八通道sEMG信号。插图，（从左到右）握拳、放松、上、下、左、右、拇指、食指、中指、无名指、小指。
（F）三次无名指手势的时频图。每个相关信号的频率范围为0至300Hz。内部矩形和箭头表示时间延迟现象。
（G）截肢者双臂八个通道sEMG信号的平均强度。插图比例尺，横轴代表1秒，纵轴代表0.8mV。
（H、I）受试者在20次（H）和有限5次（I）手势重复下，使用自适应机器学习算法对11种手势的分类矩阵，平均准确率分别为89.82%（H）和94.36%（I）。
（J）作为假肢手的柔性传感机器人抓取柠檬的照片。比例尺，5cm。

三、研究结论

• 开发了可大规模生产的柔性人机界面，通过3D打印技术实现电子皮肤与多模态传感器制造，成本低且兼容性强。
• 自适应机器学习模型（LMN+ITM）解决sEMG个体差异问题，实现低延迟（0.1秒）、高准确率（≥89.82%）的手势分类，适配健康人与截肢者。
• 软体机器人集成多模态传感（压力、温度、热/电导率），物体识别准确率达98.03%，结合电子皮肤实现“控制-感知”双向闭环。
• 在医疗假肢中验证实用性，为先进制造、具身智能等领域提供核心技术支撑，未来可结合计算机视觉进一步扩展机器人智能。

四、论文信息