西南大学，西华大学，河北工业大学，重庆大学：基于双介质层的离子压力传感器耦合超高灵敏度和宽范围检

人工智能的加速发展推动了对柔性可穿戴传感器的需求，特别是在柔性机器人、医疗健康监测和人机交互等应用中。柔性可穿戴压力传感器通常根据其传感机制分为四种类型：压阻式、压电电容式、压电式和摩擦电式。电容式压力传感器（CPSs）因其简单的制造工艺、快速的响应时间、稳定性和低功耗而受到广泛欢迎。典型的CPS结构由夹在顶部和底部电极层之间的介电层组成。传统的CPSs灵敏度低，压力范围有限。将微结构引入CPS的介电层和电极层可以通过增加压力下的柔顺性和有效介电常数来提高灵敏度，并通过为弹性变形提供间隙来提高响应速度。然而，微观结构的硬化往往限制了在较高压力下的灵敏度。

离子电子压力传感器（IPS）通过在电介质/电极界面形成电子双层（EDL），将有效电荷分离距离减小到小于1 nm，显著提高了CPSs的性能，特别是在灵敏度和信号强度方面。由于离子和电子的协同效应，EDL的有效面积在操作过程中随着压力的增加而增加，从而增加了传感器的电容。调整IPS中电介质和电极层的微观结构以改变EDL的有效面积是提高传感性能的有效策略。这些结构包括微柱、微粒和金字塔。例如，将IPS与激光诱导梯度微锥体等材料集成可以实现较低的检测限、超宽线性范围（高达2 MPa）的高灵敏度以及快速的响应和恢复时间。尽管传感器性能取得了重大进展，但由于单个微结构的固有饱和趋势，其传感范围仍然有限。因此，随着压力的增加，灵敏度显著降低。此外，仅依赖于结构设计的IPS通常表现出较低的灵敏度，因为微观结构容易饱和。这些结构通常与高成本和复杂的制造技术有关。

与单介电层配置相比，将高弹性体垫片（如PDMS、Ecoflex）与微结构介电层集成以形成双介电层已被证明可以提高柔性压力传感器的灵敏度和压力范围。然而，高弹性体的固有局限性，如其较差的压缩性，往往限制了灵敏度提高的程度。此外，在高压条件下，高弹性体的机械性能会导致传感器内部的结构损坏，从而限制其操作耐久性和长期可靠性。这些挑战凸显了对可同时实现高灵敏度、宽压力范围和稳健机械稳定性的替代材料或结构设计的需求。因此，在赋予超高灵敏度的同时，进一步提高其传感范围仍然具有挑战性。

本文亮点

1. 本工作提出了一种新型的传感器结构，即双介电层离子电子压力传感器（DLIPS），它集成了高介电常数层和低介电常数膜。

2. 使用蚕茧离子凝胶和开孔聚氨酯泡沫作为电介质进行验证，DLIPS表现出超高灵敏度（72548.7 kPa−1）、宽工作压力范围（0.001–420 kPa）、极低的检测限（0.832 Pa）和超过5000次循环的出色耐久性。

3. 通过利用电容和电阻对压力和温度的不同响应，传感器可以同时测量这两个参数。集成了深度学习回归模型，以解耦混合的温度和压力信号，从而实现准确的识别。

4. 由于其超高的灵敏度和检测微小压力波动的能力，DLIPS在皮肤安装的无声语音识别系统中显示出巨大的潜力，识别准确率高达98.5%。

图文解析

图1. DLIPS的原理图和应用。a）压力传感器设计和结构示意图。（i）由最外层金电极、电极层和DDL组成的压力传感器结构；（ii）蚕茧和SCOG的SEM图像。b）通过机器学习获得的温度和压力解耦。c）DLIPS对扬声器在10 Hz下产生的细微振动的响应，归一化音频幅度为0.008，以及从小波变换分析得出的电容信号的相应时频分布。d）使用神经网络对基本词汇进行无声语音识别。

图2. 蚕茧和SCOG的特征以及IPS的传感机制。a）蚕茧的SEM图像。b）SCOG的共聚焦显微镜图像。c）不同压力下压力传感器的微观形态和传感机制。图像中的红色虚线表示PU泡沫和SCOG之间的接触面。d）压力传感器、SCOG和PU泡沫的应力-应变曲线。

图3. DLIPS的传感性能。a）传感器的灵敏度。b）传感器的响应和恢复时间。c）传感器在连续压力下的电容变化曲线。d）传感器在各种压力下的电容变化。e）传感器检测到的高频压力信号的电容变化曲线。f）传感器最小压力检测电容变化曲线。g）传感器耐久性试验（≈71.3 kPa）。h）传感器的传感性能比较。

图4. 温度和压力信号的耦合和解耦。a）电容响应、b）相对电容变化和c）在0-90 kPa压力和30-50°C温度下的电阻响应（增量为5°C）的示意图。d）传感器对压力和温度组合刺激的响应示意图，以及用于解耦的神经网络模型，其中电容和电阻作为输入，压力和温度作为输出。e）使用电容数据、电阻数据及其组合训练的模型的训练损失与归一化历元数的关系。f）温度和g）压力的预测值和实际值之间的比较。h）温度控制试验箱的红外图像设置为40°C。i）从压力传感器获取的电容和电阻信号，以及机器学习模型预测的相应压力和温度值。

图5. 通过神经网络辅助分析实现无声语音识别。a）无声语音识别过程和神经网络架构示意图。b）DLIPS对10 Hz音频信号引起的结构共振的电容响应。插图：10 Hz音频诱发振动的时间位移曲线。c）响应于10Hz音频刺激的电容信号的小波变换分析。d）DLIPS电容对归一化幅度为0.008的10 Hz音频信号的响应。e）DLIPS电容对归一化幅度为0.01的10 Hz音频信号的响应。f）六个基本单词的正常发音的声波波形以及在正常语音、耳语和无声阅读下的相应DLIPS电容响应。g）从四名参与者那里收集的数据集，用于基于深度学习的分类。h）使用t-SNE算法进行分类可视化。i）说明SSR分类准确性的混淆矩阵。j）不同基于传感器的平台之间的语音识别精度比较。

来源：高分子科学前沿