软应变传感器时变误差补偿的轻量化框架

《Sensors and Actuators Reports》：Lightweight Framework for Time-Varying Error Compensation in Soft Strain Sensors

　　

软应变传感器为可穿戴传感与人机接口提供了柔性、轻量且低成本的解决方案。然而，其长期性能常因软材料的黏弹性行为与老化引发的基线漂移和非线性滞后而退化。现有补偿方法多依赖循环或自适应学习模型，需大量计算资源与长历史数据。研究人员提出一种用于软应变传感器时变误差实时补偿的轻量化框架，该框架结合指数移动平均（EMA）算法进行连续漂移跟踪与基线稳定，并采用紧凑前馈神经网络（FNN）补偿残差非线性与滞后。基于液压丝状传感器（HFS）在随机循环拉伸下持续两小时的实验，所提方法实现位移预测均方根误差（RMSE）1.18 mm（占工作范围2.95%）与决定系数（R2）0.99，并将滞后误差由5.76%降至1.84%。相较于循环与注意力类神经网络架构，该方法在保持低计算复杂度的同时精度更优，适于实时部署。作为概念验证，框架集成至可穿戴膝关节运动监测系统，膝关节角度估计RMSE达3.63°。结果表明该策略可有效提升软应变传感器长期可靠性且具备可扩展性。

研究背景方面，软应变传感器凭借贴合表面、轻量低成本特性，广泛用于可穿戴健康监测、软体机器人与人机接口。但硅基弹性体材料存在黏弹性与疲劳老化，导致信号在长期循环中产生基线漂移、蠕变与滞后等非线性和时变误差，多数已有验证仅限短时实验室数百循环，难以支撑商业化。现有域适应、循环神经网络（RNN）、长短期记忆（LSTM）、自编码器（AE）或图学习方案虽能适应分布偏移，却依赖长序列、迭代对齐或复杂特征变换，计算开销大，不利于资源受限边缘端实时部署。为此，研究人员以液压丝状传感器（HFS，注水硅胶管外套螺旋弹簧，靠拉伸引起的内压下降估位移）为对象，提出EMA跟踪慢漂基线加FNN补残差非线性的两阶段轻量框架，并在两小时随机正弦拉伸（振幅达40 mm、速度达50.27 mm·s^-1）数据上验证，最终移植至膝关节康复监测原型。该研究发表于《Sensors and Actuators Reports》，意义在于用O(1)复杂度算法替代 recurrent 结构，在保精度前提下将模型压至约641参数、32 KB、单样本推理约1 ms，证明慢漂型软传感器可借物理先验分治建模。

关键技术方法上，研究人员采用HFS在加压平衡态下受随机循环拉伸两小时采集压力-位移真值；先用指数移动平均（EMA，平滑因子α=1×10^-5，初值0.7）以单状态变量跟踪慢变基线，按初始EMA与当前EMA之差作补偿量加回原始信号完成漂移校正；再将校正后压力与其一阶导数（信号速度）作为双输入，送入两层前馈神经网络（32→16单元，LeakyReLU斜率0.01，Adam学习率0.001，MSE损失，批量32）回归位移；以同结构FNN直连原始信号、1D Transformer、LSTM/GRU/biLSTM作对照，做消融与Simulink逐样本流式仿真；最后将框架植入开源髌骨膝布套、TM4C123微控DAQ盒（100 Hz采压、BLE发数、含电磁阀与40PC250G压力计）与MATLAB桌面端，以健康受试者单腿随机0–80°屈伸、编码器真值做系统级验证。

研究结果各节结论如下。传感器原理与时变特性节指出，HFS在0 mm位移处两小时内零点压力由14.4 bar跌至9.4 bar，证实黏弹性松弛致单调慢漂，且进入饱和低压区后灵敏度变，故须限定工作区。时变误差补偿与位移预测节显示，EMA校正使FNN输入RMSE由6.05 mm降至1.30 mm（R20.63→0.98），加入信号速度后再降至1.18 mm、R20.99；原始信号滞后5.76±0.96%、EMA后5.84±0.97%、FNN输出1.84±1.35%；LSTM/GRU/biLSTM RMSE超6.66 mm且R2低于0.55，1D Transformer为5.00 mm/0.75，证明分治结构远优；Simulink实时流水线RMSE1.24 mm、R20.98；模拟渐变/指数漂最佳，突变漂恢复时间随阶跃幅增大，温控实验基线随热膨胀上浮仍可被EMA跟踪。可穿戴膝监系统节中，开放髌骨布套消滑移，磁吸分体DAQ（104 g）含注水阀与可换丝状传感器；BLE 20 Hz包送5点压值，桌面端实时滤波—归一化—EMA—FNN得角度；健康人试验膝角RMSE3.63°（误差0.39±3.61°），印证端到端可行。

讨论与结论部分总结：研究人员强调软传感器漂移多呈慢单调，故EMA以小α单变量因果基线优于卡尔曼与自适应归一化；FNN专注瞬时非线性与滞后，二者互补免去重训练与长历史，适合静态部署。相较AE-LSTM混合在100 mm量程RMSE约8%、R20.88，本框架在40 mm量程RMSE2.95%、R20.99，且最高速度3016 mm·min^-1为参照400 mm·min^-1的7.5倍，连续两小时覆盖单次康复20–65分钟。结论译文：本研究提出一种智能校准框架，利用小平滑因子EMA跟踪由聚合物降解与黏弹性导致的时变基线漂移，校正后信号送FNN补偿滞后等非线性并预测位移以估康复膝角；EMA步骤简单高效，利于受限边缘端部署，FNN以校正信号及速度高精度补滞；框架在40 mm行程获RMSE1.18 mm、R20.99，优于循环与注意力网络，两小时精度稳定，为软传感器时变退化提供通用轻量解法，并落地为含开放髌骨护膝、便携DAQ与桌面端的居家康复系统。