基于单步双捻针织全织物无基质电容应变传感器（CSSs）的可穿戴人机交互系统

《Advanced Materials Technologies》：An All-Fabric Wearable System for Human-Machine Interaction

　　

可穿戴人机交互（human–machine interfaces，HMIs）处于下一代智能系统前沿，要求接口不仅准确、响应迅速，而且符合人体工学、可拉伸并无缝集成到日常生活中。在本研究中，研究人员提出了一种由手套和服装实现的新型 HMI 系统，其基于全纺织、无基质电容应变传感器（capacitive strain sensors，CSSs）。该传感器通过一步式、与缝纫机兼容的双捻针织工艺制造，采用银涂层针织纺织电极和尼龙/氨纶纺织介电层，无需后处理、聚合物封装或刚性基底。所得全织物 CSS 在宽应变范围（0–72%）内表现出高灵敏度系数（gauge factor，GF）2.03，具有优异线性度（R² = 0.982）、滞后（7.80%）和最小信号蠕变。基于纺织品的架构保持了服装级可穿戴性，其中尼龙/氨纶介电层表现出约66%的孔隙率，而银涂层纺织电极（约77%孔隙率）在0–60%应变下保持低且稳定的电阻（约4.4 Ω）。集成到可穿戴手套后，所提出的系统能够检测10种不同手势，识别准确率为90.5%。这项工作标志着向全纺织集成、透气、舒适、可拉伸且高性能 HMI 解决方案的重要进展，对虚拟环境、辅助技术和下一代可穿戴机器人具有广泛意义。

研究背景：人机交互（human-machine interfaces，HMIs）在人与智能系统直观交互中起核心作用。随着人工智能（artificial intelligence，AI）和软机器人发展，可穿戴HMI通过自然身体运动捕捉人类意图受到关注。实际应用要求机械柔性、高拉伸和舒适（如透气、散热），避免笨重刚性外部电子限制运动并降低接受度。智能纺织品可将传感功能嵌入织物，保持透气、贴合和柔软，适合连续监测生理运动、关节变形和姿势，用于康复、虚拟交互、辅助技术和可穿戴机器人。电容传感因低功耗（<1 mW）、信号稳定、通过电容变化（ΔC）检测机械变形而具吸引力。电容应变传感器（capacitive strain sensors，CSSs）将拉伸应变转为电极间距和/或介电几何可预测变化。聚合物基CSS用PDMS、Ecoflex、TPU等弹性体，但服装级实施时灵敏度低（灵敏度系数 GF≈0.1–1.5）、透湿透气有限、长时间佩戴不适，且集成需要键合或复杂封装，机械失配和分层。微加工如溅射、光刻、蚀刻限于刚性基底和晶圆级。挑战：单一可制造工艺中实现高灵敏度 GF>1.5、宽应变>50%、数千次循环稳健、全纺织兼容。此前工作展示三明治 Textile/Ecoflex/Textile 电容传感架构，但可扩展性、灵敏度 GF<1、透气差、制造复杂。因此研究人员提出无基质全纺织 CSS，三层构型，单步制造，标准尼龙/氨纶针织织物，整体可拉伸导电传感，无需外源聚合物基质、多层涂层或后处理，目标真正可制造和舒适。得到 GF 2.03、0–72%、>1000次循环稳定。集成日常服装，智能服装用作健身追踪和手套手势识别（hand gesture recognition，HGR）。

关键技术方法：全织物CSS采用单步缝纫兼容双捻针织工艺，将尼龙/氨纶纺织介电层置于两层银镀导电针织织物之间，以连续线同时连接为电极-介电层-电极结构，无沉积、浇铸、涂覆、层压或后处理。传感区30 mm×10 mm。导电电极为Shieldex Medtex P70+B（79%聚酰胺、21%弹性体、99%纯银，+B含聚氨酯保护涂层），厚度0.33±12% mm。采用SEM、EDS、比重瓶孔隙率、电阻-应变测试、电容-应变测试、步进保持、循环、1000次耐久、智能服装集成；手语识别队列来自4名健康参与者（21–32岁），5通道，伦理批准 University of Wollongong No. 2024/230；特征RMS、VAR、MAV、SSI、AAC、DASDV，滑动窗口166 ms、步长33 ms；机器学习LR、RF、DT、LDA；蓝牙连接TASKA Hand假肢手。

研究结果：

3.1 灵敏度与线性度（Sensitivity and Linearity）：通过电容-应变测试，电容随应变至72%线性增加，滞后7.80%。低应变由针织线圈重排主导，高应变经向拉伸导致线圈打开和纱线滑移，增加电极分离并通过空气-聚合物比例调制 ε_r，产生比几何应变更大的 ΔC/C₀。GF≈2.03，高于理想平行板 GF=1；实验与理论模型吻合，低应变偏差因局部接触变化。

3.2 蠕变与稳定性（Creep and Stability）：步进保持测试在0、10、20、30、40、55%应变各保持30 min，瞬态电容快速稳定，低粘弹性蠕变；55%应变响应和恢复时间分别为137和120 ms。重复10、20、40、70%应变，70%有轻微残余偏移，可能因针织结构不可逆变形和银涂层导电网络微损伤，约73%应变机械失效。

3.3 耐久性（Durability）：0–50%应变重复1000次以上无明显退化。因与普通衣服相同聚合物材料，耐磨性预期与普通衣服相当。

4 智能服装（Smart Garment）：将传感器缝入多功能健身追踪服装，置于膝、肘、手指、手腕，测量关节弯曲和角运动。不同位置观察到不同 ΔC 模式；膝盖自主屈曲约120°时 ΔC约1–4.5 pF。通过调整传感器长度测量不同大小关节弯曲角。

5 机器学习赋能可穿戴HMI系统（Machine Learning-Enabled Wearable HMI System）：评估全织物CSS手套用于假肢控制和手语识别（sign language recognition，SLR）。五个传感器嵌入每指近端指间（proximal interphalangeal，PIP）关节。系统三模块：纺织传感层、信号处理与特征提取、机器学习决策层。连续流模式实时解释用户意图并翻译为外部设备如机器人系统的控制命令。

5.1 用于手语识别的可穿戴手套系统（Wearable Glove System for Sign Language Recognition）：识别10个美国手语数字标准手势。

5.1.1 数据采集（Data Collection）：5通道，4名健康参与者（21–32岁），数据集为(1000数据长度×5重复)×10手势×5通道。按重复划分，3训练，2验证/测试。每手势重复5次，保持<5 s，休息10 s。特征包括RMS、VAR、MAV、SSI、AAC、DASDV。滑动窗口166 ms、步长33 ms，响应时间<300 ms；因电容信号高SNR未额外滤波。Google Colab、scikit-learn。伦理批准 University of Wollongong No. 2024/230。

5.1.2 可穿戴系统在SLR中的评估（Wearable System Evaluation in SLR）：平均准确率，LR最高90.50%，RF 89.50%，DT最低86.25%。混淆矩阵显示手势“5”最低75%，25%误分类为“4”，因拇指弯曲不足，可能手套松动；手势“4”准确率85.875%，14.125%误分类为“5”。t-分布随机邻域嵌入（t-Distributed Stochastic Neighbor Embedding，t-SNE）显示不同响应数据集区分。实时系统还需低推理延迟：LDA最低1.02 ms，RF最高12.03 ms；HMI通常需<100 ms，实时控制或触觉反馈需<10–20 ms，LR等低延迟模型更适合时间敏感应用。

5.2 用于机器人手控制的可穿戴手套系统（Wearable Glove System for Robotic Hand Control）：传统视觉和运动捕捉在受控环境有效，但需无遮挡等条件，成本高、硬件笨重。研究人员实现智能手套实时HGR，识别四种手势：张开手、闭合手（力量抓握）、指点、竖拇指。训练用Python脚本<1 min。手套通过蓝牙连接商用假肢手 TASKA Hand（TASKA Prosthetics, Christchurch, New Zealand），实时翻译识别手势为假肢运动，并接收手状态反馈。

讨论与结论：结论提出全织物CSS实现高灵敏度GF≈2.03、宽应变72%、优异线性度R²=0.982、良好滞后7.80%、1000+循环耐久。理论模型定量预测电机械响应并实验验证，与测量电容响应吻合。CSS作为智能追踪服装检测身体运动，并集成智能手套测试实时假肢控制和手语识别。该全织物服装/手套可被研究人员、工程师、爱好者复现或适配。应用从日常手势识别到复杂命令信号生成，AR/VR高保真输入，健康监测、预测维护、防护服。与传统HMI如IMU、应变计、表面EMG相比，CSS信号稳定、减少校准、可透过衣物操作、可缝入服装。未来研究缝合技术、线程类型、纺织结构对传感器性能影响，优化灵敏度、响应时间和集成；还拟研究计算孔隙率参数与SEM图像分析测量值的相关性。