人工智能（AI）驱动的传感技术发展综述

机器学习（ML）和深度学习（DL）技术正在迅速推动传感技术的发展，显著提升了其准确性、灵敏度和适应性。这些进步正在对包括工业自动化、机器人、生物医学工程和民用基础设施监测等在内的诸多领域产生重大影响。这种变革性转变的核心在于人工智能（AI）与传感器技术的紧密融合，着重于开发高效算法，以推动器件性能的提升并在各类生物医学和工程领域加速新应用场景的落地。机器学习/深度学习技术对传感技术的贡献主要分为四个方面：传感器设计、校准和补偿、目标识别和分类、行为预测。

据麦姆斯咨询报道，近日，浙江大学的科研团队深入研究了机器学习/深度学习算法与传感器技术的融合，揭示了它们对传感器设计、校准和补偿、目标识别以及行为预测所产生的深远影响。通过一系列示例应用，这项研究展示了人工智能算法在显著升级传感器功能和扩大其应用范围方面的潜力。此外，该研究还探讨了在利用这些技术进行传感应用时所面临的挑战，并对未来趋势和潜在进展提出了见解。这篇综述以“AI-Driven Sensing Technology: Review”为主题发表在Sensors期刊上。Long Chen和Chenbin Xia为该论文的共同第一作者，付浩然特聘研究员为通讯作者。

机器学习/深度学习辅助传感器设计

机器学习/深度学习主要通过两个方面辅助传感器设计。首先，开发了如人工神经网络等逆向工程模型，以根据所需性能结果来设计目标传感器的几何架构。其次，在设计过程中，利用卷积神经网络（CNN）等算法优化传感器性能，解决诸如测量范围小、信噪比低以及精度不足等问题。

将人工智能方法融入传感器的设计过程，可以缩短设计时间、降低计算成本，同时最大限度地减少迭代，从而快速开发出满足特定环境或功能需求的架构。此外，将机器学习/深度学习算法集成到信号处理阶段可以显著改善关键参数。然而，人工智能在传感器设计中的作用面临着挑战，包括为促进设计的人工智能算法需要大量训练。此外，由于算法无法解释器件的多场响应的复杂相互作用，导致其无法预测性能随时间发生的变化，例如老化，因此预先训练的模型有过时的风险。这凸显了人工智能驱动的传感器设计在通用性方面的局限性。

校准和补偿

在工作过程中，传感器经常会因电压波动、温度变化或其它环境因素而出现信号漂移，从而导致测量结果失真。为了解决这一问题，机器学习/深度学习算法采用了两种策略：首先，在校准过程中采用极限学习机（ELM）和多层感知机（MLP）等算法来考虑各种环境因素的影响，从而减少重复校准测试的需求，缩短校准时间，并提高精度；其次，在使用过程中引入多层感知机和卷积神经网络等算法，自动补偿环境中遇到的各种干扰。

人工智能算法可以在传感器校准过程中减少因环境变化、电压波动和其他因素造成的误差，或者在传感器使用过程中自动补偿因环境变化、电压波动和器件老化等因素造成的误差。然而，人工智能在校准和自动补偿中的应用面临着一些挑战。机器学习/深度学习模型的本质是黑箱模型，难以定量解释导致器件漂移的各种因素的比例，从而限制了对传感器设计改进的指导。此外，机器学习/深度学习模型训练通常需要大量的数据和计算资源，而且模型的有限通用性可能导致其在新环境中表现不佳。

识别和分类

在传感器应用中，人工智能不仅仅局限于信号收集，还能够对目标和应用场景进行识别和分类。人工智能辅助识别和分类流程通常包括传感器的数据收集、特征提取、特征匹配和识别。通过采用随机森林（RF）、K-最近邻（KNN）、支持向量机（SVM）和深度信念网络（DBN）等算法，可以缩短识别中的决策时间，提高准确性，降低人工识别成本，并且最大限度地减少环境干扰，从而实现更精确的特征提取。应用场景的复杂性决定了对传感器信息的需求；例如，语音识别可以仅通过振动信号实现，而运动识别通常需要结合视觉和压力传感器的信号。

机器学习/深度学习算法在识别和分类中的应用范围很广，包括机器人感知、目标识别、行为识别、健康监测、身份验证和机械故障检测。

在人类行为识别、目标识别或故障监测等实际应用中，仅依靠单一类型的信号数据进行分析可能会导致准确性问题或适用性受限。利用人工智能融合和分析来自传感器的各种信号类型的数据，可以提高识别的准确性。

将人工智能用于识别和分类中可以提高准确率，减少环境因素造成的误差，即使在处理复杂任务时也能保持较高的响应速度。然而，机器学习/深度学习模型需要大量的训练数据，但是从传感器数据中获取的样本有限，可能导致模型过度拟合。此外，样本的稀缺性使得确定最合适的模型架构（如最佳层数和参数）变得更加复杂。

行为预测

利用传感器收集的数据来预测未来行为是人工智能在传感技术中的重要应用。将行为预测与预警系统相结合，可以显著降低事故发生的可能性。

将人工智能与传感器相结合来进行预测，可以提高预测的准确性和实时性，即使在复杂、非线性的情况下也是如此。然而，这些预测都是基于监测数据而非机理分析模型。因此，针对未知数据或场景进行预测时，模型的准确性和灵敏度无法保证，这对机器学习/深度学习模型的通用性和稳定性提出了很高的要求。

综上所述，这项研究全面概述了机器学习/深度学习算法辅助传感技术的增强和工程应用。这显著提高了传感器的准确性和对环境变化的适应性。尽管，机器学习/深度学习辅助的传感技术取得了重大进展，但仍然存在一些挑战，这为未来研究提供了机遇。为了解决这些问题，有必要在数据收集过程中采用数据增强（data augmentation）和对抗性训练等技术，以优化数据集的质量和数量。此外，在模型训练过程中引入噪声和干扰可以提高模型对未知数据的通用性。此外，开发多场耦合模拟方法对于提高数值数据的全面性和准确性，同时增强机器学习/深度学习模型的可解释性来说至关重要。最后，需要通过推进模型压缩和边缘计算技术的发展来降低模型复杂性，并将某些模型计算任务从传感器端卸载，从而降低传感器功耗。

论文链接：
https://doi.org/10.3390/s24102958

审核编辑：刘清