河北工业大学考研，河北工业大学考研分数线
人类的步态不仅由关节，肌肉和神经系统控制，而且还受到年龄、习惯、性别、职业和疾病等外部因素的影响。步态识别系统在身份识别，体育锻炼和医学诊断领域中起着重要作用。近年来，新兴的生物识别技术已经得到了长足的发展，但是步态特征不仅取决于先天因素，而且还与获得的生活环境密切相关，这种环境很难改变。步态分析可以为诊断多种潜在疾病提供有用的线索，实现早期诊断并指导患者康复治疗（如偏瘫和帕金森氏病）。因此，迫切需要开发可移植的人机相交互系统来监测和识别这些症状。
目前，有两种主要的步态识别方法：基于传感器的步态数据收集和基于机器视觉的步态数据收集。基于机器视觉的步态识别对数据收集的环境有更高的要求。此外，通常需要进行繁琐的操作，例如图像收集，处理和保存。然而，使用传感器的步态监测方法是一种简单有效的方法，不受外部环境因素的限制。通过与不同的深度学习算法结合使用，可以提取生理参数的特征来进行步态识别和预测。
最近，河北工业大学胡宁教授、王子莹博士研究团队提出了一种基于氧化石墨烯-聚丙烯酰胺（GO-PAM）水凝胶的应变传感器。该传感器可用作摩擦纳米发电机（TENG）来收集机械能。基于0.02 wt％GO-PAM水凝胶的TENG输出功率高达26兆瓦，是纯PAM水凝胶膜的2.2倍。通过点亮353个发光二极管（LED）并为电子温度计供电，展现了TENG在为电动设备供电方面的能力。此外，设计了可穿戴的鞋具监测系统，其中包括鞋垫，数据处理模块和使用Python开发的PC接口。在具有不同算法的模型中，人类日常生活步态和病理步态具有人工神经网络系统的最高识别精度高达99.5%和98.2%。该系统可用于多种医疗应用，例如早期诊断，康复评估和患者治疗，为人体步态监测和识别提供了更方便的选择。相关工作以“A flexible, stretchable and triboelectric smart sensor based on graphene oxide and polyacrylamide hydrogel for high precision gait recognition in Parkinsonian and hemiplegic patients”发表在《Nano Energy》上。
GO-PAM水凝胶的应变传感器监测包括步态运动在内的细微人类运动。
GO-PAM水凝胶膜设计为三明治结构，由银纳米线作为上电极，可拉伸的GO-PAM水凝胶膜作为中间层和铜作为下电极。该团队研究了GO的质量分数对GO-PAM水凝胶膜的电输出性能的影响，显示了具有不同掺杂GO的GO-PAM水凝胶膜的输出电压、输出电流和输出功率。与纯PAM相比，GO-PAM水凝胶膜的输出电压，输出电流和输出功率增加。当GO浓度为0.02 wt%时，输出电压，输出电流和输出功率达到了最大值（输出电压为990 V，输出电流约为63.84 μA，输出功率约为26 mW）。当GO的浓度太高时，会在膜中形成导电路径，从而导致表面电荷的流动。当外部电阻为5MΩ时，0.02 wt% GO-PAM水凝胶膜的峰值输出功率达到26 mW，是纯PAM水凝胶膜的2.2倍。
基于GO-PAM的摩擦纳米发电机（TENG）的示意图与工作性能
研究组针对0.02 wt% GO-PAM水凝胶研究其应变传感性能。0.02 wt% GO-PAM水凝胶在小拉伸应变范围内分别为10–60%和较大的拉伸应变范围为80–300%的相对电阻变化（ΔR/R 0）。当连续的机械拉伸在0%至80–300%的应变中应用时，GO-PAM水凝胶的ΔR/R 0增加，然后返回到0%，呈现出稳定的三角形形状，表明GO-PAM水凝胶在80–300%的拉伸应变范围内表现出良好的传感稳定性和可重复性。除此之外，还计算了GF以评估应变灵敏度。当应变范围为0–60%时，GF为2.13；当应变范围为60–200%时，GF从2.13增加到4.89。但是，随着应变范围从200%增加到300%，GF值则达到了7.97。当拉伸应变为20%时，响应和恢复时间为0.02 wt% GO-PAM水凝胶分别为0.5 s和0.6 s，简短的时间有利于对人运动的实时监测。
基于GO-PAM的柔性应变传感器的工作性能
近年来，机器学习作为人工智能（AI）研究领域已被广泛用于数据分析和模式识别。将AI引入摩擦纳米发电机可以提高模式识别的准确性，并可以开发具有高精度和实时处理的可穿戴电子系统。在本文中，设计了一个智能鞋垫，并根据这三种算法构建了步态识别模型，该算法可用于人类日常行为步态识别和人类病态步态识别。在机器学习模型中，选择重量约60公斤的志愿者穿着智能鞋垫。收集了五个不同人类日常行为步态的电压信号，并在窗口中显示了100个信号的数据点，从而实现了实时监视并确保信号的有效性和准确性。
步态识别模型的人体步态识别过程；对五个不同人类行为步态的收集电压信号的监控；三个模型示意图和步态识别的混淆矩阵结果；三种算法与人类日常行为步态识别的准确性。
基于步态识别模型，机器学习方法扩展到特殊疾病的步态识别。该研究的三个机器学习模型成功地用于识别帕金森氏病，左侧偏瘫步态和右侧偏瘫步态。总体识别精度达到90%以上。经过500次对ANN的训练，测试集的识别精度达到98.2%。此外，通过建立步态监测系统，在计算机上实时显示了患者的步态波形。当患者进行步行训练时，可以将患者的活动信息数字存储在计算机上，例如步骤，步行速度等。通过分析这些数据，可以及时调整患者的培训和康复状况。该研究表明，引入机器学习辅助方法可以准确诊断疾病，提高康复训练的效率，并提供远程康复的治疗指导。
对帕金森氏病的收集电压信号的实时监测，左侧偏瘫步态和右侧偏瘫步态，三种算法对人类病态步态识别的准确性。
结论：在这项研究中，研究者开发了具有高可拉伸性，可压缩性，粘附性和自我修复性的水凝胶。该水凝胶可以将其延伸至约860%，具有良好的稳定性和耐用性，可以至少回收380次。此外，它对各种材料具有很强的粘附性能，包括塑料，纸，金属，皮肤，木材和玻璃。另外，研究了基于水凝胶TENG的输出电性能，这表明TENG可以点亮353盏 LED灯并为电子温度计供电。基于水凝胶的可穿戴应变传感器也可以实时监测人类运动。在此基础上，设计了一个智能鞋垫，并基于三种算法构建了步态识别模型，该算法可用于正常和异常的步态识别。在这三个模型中，对正常步态和异常步态的ANN算法的识别精度分别达到99.5%和98.2%。总而言之，这项工作中提出的监测系统提供了一种低成本的方法，可以用于实施人工智能的医疗系统。
来源：高分子科学前沿
声明：仅代表作者个人观点，作者水平有限，如有不科学之处，请在下方留言指正！
河北工业大学考研(河北工业大学考研分数线)