《Frontiers in Computer Science》：Comparative analysis of knitted resistive strain sensors in joint motion measurements
编辑推荐：
电子纺织品（E-textiles），特别是针织电阻应变传感器（knitted resistive strain sensors），已被提出用于关节运动测量。虽然将非弹性导电纱线与弹性非导电纱线结合可改善传感器性能，但编织图案（knitting patterns
电子纺织品（E-textiles），特别是针织电阻应变传感器（knitted resistive strain sensors），已被提出用于关节运动测量。虽然将非弹性导电纱线与弹性非导电纱线结合可改善传感器性能，但编织图案（knitting patterns）和将传感器集成到服装中的策略的影响仍未被充分探索。本文通过以下两方面解决此问题：（1）比较由导电镀银纱线和莱卡（Lycra）基弹性纱线制成的平纹纬编（plain weft-knitted）电阻应变传感器在多种图案下的特性，以及（2）评估三种集成方法——手工缝制到成品服装、按扣连接和直接针织进服装。研究人员发现，将导电材料置于针织侧（knit side）而弹性非导电纱线置于反针侧（purl side）的镀层编织图案（plated knitting pattern）实现了最佳传感器特性，拉伸时的应变系数（gauge factor, GF）为14.616，释放时为13.300。对于关节角度估计，研究人员在所有三种集成方法下，于静态保持和连续运动两种条件下比较了多层感知器（multi-layer perceptron, MLP）和随机森林（random forest, RF）。通过预处理，包括线性去趋势（linear detrending）和预测相对角度（relative angles）而非绝对角度，可以显著缓解电阻漂移（resistance drift）导致的性能下降。然而，在一种集成方法上训练的模型对其他方法的迁移性有限，这凸显了方法特定校准的必要性。本研究为针织应变传感器在关节运动测量中的设计、制造、集成和数据处理提供了实用指导。
论文解读文章
研究背景与问题：电子纺织品（E-textiles）中的针织电阻应变传感器（knitted resistive strain sensors）因其多功能性、弹性和与日常服装的相似性，被广泛应用于关节运动测量，如检测睡眠姿势、步数计数及识别可能导致损伤的运动模式。尽管已有研究探讨了不同针织结构（knitting structures）对传感器特性的影响，但关于编织图案（knitting patterns）如何影响传感器性能的研究仍存在空白。此外，传感器集成到服装中的方法（如缝制、按扣连接和直接针织）对整体系统性能的影响尚未进行系统比较。因此，本研究的目的是：（1）在保持针织结构一致的前提下，比较不同编织图案对电阻应变传感器特性的影响；（2）利用性能最佳的传感器，系统评估三种服装集成方法在关节角度估计中的表现。
研究人员开展的研究：研究人员首先制造了10种不同编织图案的平纹纬编（plain weft-knitted）传感器样本，使用导电镀银尼龙纱线（Shieldex 117/17 dtex）和弹性非导电纱线（Elasten Srl 1300 Baktron，90%聚酰胺和10%莱卡）。通过拉伸测试（TA.XTplus质构分析仪，60%应变，10 mm/s速度，120个循环）评估传感器的工作范围（working range, WR）、线性范围（linear range, LR）、应变系数（gauge factor, GF）和迟滞（hysteresis, H）。基于性能选择最佳图案（P1），并将其集成到肘套中，采用三种方法：手工缝制（hand-sewn）、按扣连接（snap-on buttons）和直接针织（knitted-in）。利用TinkerKit Braccio机器人臂在静态保持和连续运动条件下采集数据，使用多层感知器（MLP）和随机森林（RF）进行角度分类（10类，0°–90°）和运动状态检测（弯曲、释放、保持）。评估预处理策略：低通滤波（20 Hz Butterworth）、线性去趋势和相对角度预测。发表期刊为《Frontiers in Computer Science》。
关键技术方法：主要技术方法包括：（1）传感器制造：采用平纹纬编结构，在Silver Reed SK840针织机上编织，控制结构尺寸为15纵行（wales）和60横列（courses），仅改变编织图案；（2）拉伸测试：使用TA.XTplus质构分析仪，以60%应变、10 mm/s速度进行循环测试，记录电阻（200 Hz）；（3）数据采集：通过Arduino MKR WIFI 1010板以分压器连接传感器，机器人臂预设10个角度位置（0°–90°）；（4）机器学习模型：MLP（三层隐藏层，每层128个ReLU神经元，Adam优化器，学习率0.0001）和随机森林（200棵树，最大深度20）；（5）预处理：二阶Butterworth低通滤波（截止频率20 Hz），线性去趋势（拟合全时间序列线性趋势并减去），相对角度预测（预测连续窗口间的角度变化Δθ）。所有数据按70%训练、10%验证、20%测试分割，并进行超参数搜索。
研究结果：
1. 传感器特性（4.1节）：拉伸测试显示，所有样本除C3外均呈现电阻随应变先增后减再增的典型行为。镀层图案P1（导电纱线在针织侧，弹性纱线在反针侧）具有最大应变系数（拉伸14.616，释放13.300）和较大线性范围（拉伸5.3%–40.3%，释放0.9%–47.7%），且迟滞较低（0.051）。速度测试（2–40 mm/s）中，P1的峰值电阻随速度变化最小；保持测试（10%–60%应变）中，P1在慢速与快速间峰值电阻差异最小。循环稳定性测试（1,000个循环）中，P1的电阻漂移小于W2，且一周后基线电阻增加较小。因此，P1被选为最佳图案用于集成方法比较。
2. 弹性材料的影响（4.2节）：将P1中的弹性纱线替换为非弹性非导电纱线（样本RP），其拉伸性能优于纯银纱线参考样本R，但劣于P1，表明弹性纱线是提升传感器性能的关键。
3. 信号质量比较（4.3节）：三种集成方法中，缝制套的基线电阻（8.65 Ω）和噪声（0.170 Ω）最低，漂移最小（1.1×10
-6每样本）。按扣套的基线电阻（29.73 Ω）和噪声（0.287 Ω）最高，漂移最大（1.3×10
-5），且电阻范围（86.62 Ω）显著较大。针织套的表现介于两者之间（基线8.98 Ω，噪声0.252 Ω）。所有差异在统计上显著（Mann–Whitney U，p < 10
-3）。
4. 关节角度估计（4.4节）：无预处理时，缝制套的MLP角度预测性能最佳（保持条件：准确率34.6%，RMSE 10.47°；连续条件：准确率45.1%，RMSE 13.46°）。低通滤波对性能改善有限。特征提取（统计特征）在保持条件下对缝制和按扣套有负面影响，但在连续条件下对针织套有改善。随机森林在连续条件下优于MLP（缝制套RMSE 12.49° vs 13.53°）。
5. 漂移补偿预处理（4.4.2节）：线性去趋势在保持条件下显著降低所有套的RMSE（缝制：10.40°→7.07°，按扣：37.04°→32.44°，针织：28.42°→18.51°）。连续条件下，针织套改善显著（29.34°→15.94°），但按扣套性能下降（26.27°→31.56°），缝制套基本不变。相对角度预测在所有条件下均获得低RMSE（保持：2.40°–3.97°；连续：6.63°–15.10°），且跨集成方法差异较小。
6. 跨集成方法泛化（4.5节）：模型在一种集成方法上训练后，迁移到其他方法时RMSE显著升高（2–3倍），接近随机猜测（10%准确率）。例如，缝制套模型测试按扣套时RMSE达44.73°（保持条件）。仅按扣套模型测试缝制套时未显著变差，但这是因为按扣套自身基线性能已很差（37.04°）。
讨论与结论：讨论部分指出，每种集成方法各有优劣：缝制方法性能最佳但需手工操作；按扣方法便于更换但信号质量差；针织方法集成最无缝但灵活性低。预处理策略中，线性去趋势在漂移近似线性时有效，而相对角度预测对非平稳漂移更鲁棒。跨方法泛化能力有限，强调需要方法特定校准或领域自适应技术。统计功效分析表明，大多数比较具有高功效，但低功效测试（效应量小）需谨慎解释。结论总结：系统比较了编织图案和服装集成方法，P1图案性能最佳；缝制集成方法角度预测精度最高；线性去趋势和相对角度预测可有效缓解漂移，但效果因集成方法和运动条件而异；跨方法泛化有限，需方法特定校准。未来工作包括：制造多个物理样本评估变异性、探索多传感器设置、应用深度学习架构（如LSTM、Transformer）、升级机器人臂以评估身体形状、摩擦、出汗等因素。
