CNT-PDMS基應變傳感器在拉伸過程中表現出顯著的電阻變化，因導電網絡被破壞而導致電阻升高（圖1a）；在釋放階段，由于PDMS的粘彈性作用，CNT網絡恢復較慢，產生信號漂移。同時，CNT-PDMS與電極間的弱界面易受損，進一步引入基線噪聲并降低傳感器精度（圖1b）。為此，研究團隊引入致密的Ag膜構建雙相導電網絡（圖1c），在拉伸過程中Ag膜開裂成島，釋放后可重新連接。通過使用凹凸結構電極（MTJ設計）和在PDMS下方粘附PET層，增強了電極的穩定性（圖1d）。Ag膜高導電性在釋放階段主導了電阻變化，顯著抑制了漂移（圖1e），而應變不敏感的電極-彈性體界面則保證了信號輸出的準確性。制備過程中，利用模板澆注法形成榫卯結構，電極置于中心，CNT-PDMS填充其中并熱固化，之后旋涂Ag納米顆粒油墨并低溫燒結，最后將PET層貼附于電極區域（圖1f）。

圖1. 基于導電彈性體應變傳感器現存問題及低漂移傳感器的結構設計。

研究團隊通過引入MTJ&PET結構，有效降低了電極偏移帶來的噪聲，實現了更穩定的界面接觸（圖2a）。對比測試表明，采用傳統銀膠電極的傳感器在1 s內電阻變化為0.174，而MTJ&PET結構傳感器僅為0.006，界面穩定性顯著提高（圖2b）。在動態拉伸過程中，銀膠界面易破裂，產生嚴重噪聲（圖2c），而MTJ&PET界面即使在80%應變下也保持穩定。進一步通過動態應變測試評估了不同結構對基線漂移（PBD）的影響（圖2d-e）。結果顯示，Ag/CNT-PDMS雙相分層網絡可顯著降低PBD，其中Ag/CNT-PDMS20表現最佳，平均PBD僅為1.91×10?2%，遠低于單一CNT-PDMS結構。Ag島的二維/三維形貌變化影響了電阻響應與漂移行為（圖2f），粗糙表面形成的3D Ag島有助于降低基線漂移。通過有限元分析優化了MTJ&PET的尺寸參數（圖2g-h），最終確定最佳設計為L1=0.7 cm、L2=1 cm、L3=0.4 cm。實驗進一步驗證，優化結構下電極界面應變僅為0.42%，有效提升了應變環境下的信號穩定性（圖2i-j）。整體結果表明，MTJ&PET結合Ag/CNT-PDMS雙相網絡的設計，大幅提升了柔性傳感器在大應變條件下的穩定性和可靠性。

圖2. 雙相分級網絡和電極區域的優化設計。

燒結后的金屬銀納米顆粒的SEM圖像。

為了驗證優化的電極區域穩定性，研究團隊制造了四種不同電極結構的應變傳感器，并進行了連續拉伸和釋放測試（圖3a）。結果表明，W/O PET&MTJ 和 W MTJ 電極區域在80%和60%應變下出現明顯變形，與仿真預測一致（圖3b）。缺乏PET支撐的W MTJ傳感器在60%應變時發生斷裂，而W PET和W PET&MTJ結構則在80%應變下保持完整，說明PET有效提升了局部彈性模量。在基線漂移測試中，W PET&MTJ傳感器表現出最小的漂移（圖3c），其釋放后阻值變化僅為0.072（圖3d），且在1.25秒內快速恢復，恢復率高達99.999%。進一步在不同拉伸速度（50–800 mm/min）下的測試中，傳感器依然保持了極低的基線漂移（圖3e–g）。得益于Ag islands的補償作用，傳感器能夠準確監測快速大幅度動態應變變化（圖3h,i）。

圖3. 高速連續動態應變下的基線漂移特性測試。

受雙相導電網絡的影響，研究團隊開發的應變傳感器在拉伸過程中經歷了三個階段的電阻變化（圖4a）。初期，連續的Ag薄膜主導導電，隨后Ag島與CNT-PDMS20并聯，最終隨著拉伸加劇，CNT-PDMS20成為電阻主導。傳感器在0–5%、5–12%和12–80%應變區間的靈敏度（GF）分別達到7200、55442和10986，滿足大多數應用需求（圖4b）。不同批次制備的傳感器在各階段均展現出良好的靈敏度一致性，且在靜態測試中呈現優異的線性歐姆特性（圖S28）。即使在0.02%的微小應變下，傳感器也能保持高信噪比和穩定響應（圖4c）。快速拉伸測試顯示其響應和恢復時間僅為52 ms和60 ms，支持實時動態監測（圖4d）。在不同拉伸速度下（20%應變），傳感器保持穩定的電阻響應（圖4e），并在5000次循環測試中僅出現1.17%的微小偏移，顯示出優異的耐久性（圖4f,g）。與已有PDMS基應變傳感器相比，該傳感器在靈敏度和感應范圍方面展現出顯著優勢（圖4h），展現了其在動態應變應用中的巨大潛力。

圖4. 低漂移應變傳感器的感應機制和基本性能。

為了實現準確的人機交互，研究團隊基于提出的高靈敏度、低基線漂移應變傳感器開發了單通道手勢識別系統（圖5a）。傳感器固定在手背，通過監測肌腱變化捕捉手勢動作。手勢識別系統包括運動提取、信號轉換與卷積神經網絡（CNN）預測。不同手勢過程中，阻值時間序列信號表現出顯著差異（圖5b），并通過連續小波變換進一步增強（圖5d）。經60個訓練epoch后，CNN訓練精度達到峰值，主成分分析（PCA）結果表明手勢特征具有清晰分布（圖5e, f），最終五類手勢的識別準確率達到98.2%（圖5g）。對比實驗中，缺乏結構優化的傳感器信號噪聲較大，經移動平均濾波后準確率仍僅為51.3%，PCA顯示特征重疊明顯，CNN分類失?。▓D5h–5j）。相比之下，本研究提出的低漂移傳感器結合手勢識別算法，在動作意圖識別中展現出優異性能，為人機交互應用提供了可靠支持。

圖5. 基于單通道低漂移傳感器的手勢識別應用。

這項工作提出了一種具有雙相分層網絡和穩定電極界面的協同結構，以解決連續動態應變下基于導電彈性體基應變傳感器的基線漂移和噪聲干擾問題。該傳感器具有高 GF（高達 55442）、低檢出限 （<0.02%）、出色的穩定性（>5000 次循環）和快速響應/恢復時間 （52/60 ms）。通過機器學習，它可以實現 98.2% 的手勢識別準確率。這種高靈敏度、低漂移的應變傳感器在各種應用中具有巨大的潛力。

如您有采購需求

歡迎聯系我們！