基于Kresling结构的自供电摩擦电-电磁复合传感器，用于AIoT辅助康复应用

《InfoMat》：Self-powered triboelectric-electromagnetic composite sensor based on Kresling structure for AIoT-assisted rehabilitation applications

康复领域需要高效、便携的智能设备。本研究提出基于Kresling结构的自供电传感器，集成triboelectric纳米发电机（TENG）和电磁发电机（EMG），实现手腕运动的高精度监测（98.33%识别率）。通过机器学习模型提取多尺度运动特征，开发出沉浸式康复训练系统，包含抓爪机器人和驾驶模拟器等应用场景。该传感器具有环境适应性强（湿度20%-80%）、能源自给（输出功率达6.8mW）等特点，为个性化康复提供新方案。

　　随着全球老龄化进程的加快以及由交通事故、职业伤害和多种疾病引发的运动功能障碍的发生率不断上升，康复医学正面临着前所未有的挑战。传统的康复手段往往依赖于主观评估，缺乏对运动模式和康复进展的客观监测工具，导致康复效果难以量化和持续跟踪。因此，迫切需要开发更加智能、可穿戴且具有高灵敏度的康复设备，以实现个性化、沉浸式和以用户为中心的康复方案。在这一背景下，结合人工智能（AI）和物联网（IoT）技术的智能康复设备正逐步成为新的研究热点，为康复医学带来了全新的可能性。

本研究提出了一种基于Kresling结构的自供电传感器，其采用热塑性聚氨酯（TPU）作为基材，并集成了摩擦纳米发电机（TENG）和电磁发电机（EMG）。这种传感器的设计旨在实现对人类肢体运动的高适应性监测与高灵敏度感知，同时具备自供能特性，解决了传统康复设备对外部电源的依赖问题。Kresling结构以其独特的轴向压缩与环向扭转耦合特性，以及其双稳态行为，为传感器的多功能集成提供了理想平台。通过优化Kresling的几何形状和刚度，使得传感器能够灵活地响应人体运动，并在低频运动中保持稳定输出。TENG的高灵敏度与EMG的稳定性相结合，使得传感器在运动捕捉和能量采集方面实现了互补优势，从而提升了整体系统的可靠性和实用性。

在实际应用中，该传感器不仅能够用于身体运动的监测，还可以结合人工智能算法，实现用户身份识别、肢体活动分析以及手腕运动跟踪。通过机器学习框架，传感器能够提取多尺度的运动特征，从而在康复过程中提供精准的反馈信息。实验结果显示，该系统在用户身份识别和肢体动作分类任务中均达到了超过98%的分类准确率，这表明其在康复应用中的潜力。此外，传感器还能够与虚拟现实技术结合，开发如“机械手指游戏”等互动平台，使康复训练更加生动有趣，提高患者的参与度和训练效果。

为了进一步拓展康复训练的应用场景，本研究还引入了“舞蹈机器”和“驾驶模拟器”等互动装置。这些装置通过传感器捕捉用户的身体动作，并将其转化为游戏中的反馈信号，从而增强康复训练的沉浸感和互动性。例如，在“舞蹈机器”中，用户通过脚部动作与虚拟场景互动，这不仅有助于提升身体协调性，还能在康复过程中激发用户的兴趣和动力。同样，“驾驶模拟器”则利用传感器捕捉用户对加速踏板和刹车踏板的操作，从而评估腿部和脚部的康复状态，并模拟真实的驾驶环境，帮助用户在娱乐中进行康复训练。这些创新性的康复应用，使得康复训练更加多样化和个性化，提升了整体康复体验。

在实际测试中，该传感器表现出良好的稳定性和适应性。其结构由TPU材料制成，具有较高的柔韧性和耐久性，能够承受重复的弯曲和扭转动作，适用于长期的康复使用。同时，传感器在不同环境条件下（如温度和湿度变化）仍能保持稳定输出，这使得其在不同康复场景中具有广泛的适用性。此外，传感器还具有自供能特性，能够在康复过程中持续运行，无需额外的外部电源，从而降低了设备的使用成本和复杂性。

从技术角度来看，该传感器的设计融合了多种先进材料与结构优化策略。例如，TENG的摩擦材料采用了Ecoflex和镍织物，以确保高电荷转移效率和良好的信号输出。同时，通过优化Kresling结构的折叠角度和层数，进一步提高了传感器的输出性能。实验表明，当结构层数增加时，输出电压和电流显著提升，三层数的结构在30 N压力下能够达到约375 V的电压输出，这为后续的信号处理和机器学习分类提供了充足的信号输入。此外，传感器的信号输出还受到外部压力频率的影响，通过调整压力频率，可以进一步优化系统的响应速度和精度。

为了确保康复系统的安全性与隐私性，本研究还引入了基于人工智能的身份识别机制。通过采集用户的多模态信号（包括T-EMG、P-EMG和TENG信号），系统能够准确识别用户身份，并将康复数据与特定个体匹配，防止数据被误用或泄露。这一机制不仅提升了康复系统的安全性，还为后续的个性化康复方案提供了可靠的数据基础。通过将身份识别与运动监测相结合，系统能够在康复过程中实现对用户运动状态的实时反馈，并根据个体差异进行动态调整，从而提升康复效果。

在实际应用中，该传感器还能够与各种康复设备和平台进行集成，以实现更加全面的康复支持。例如，在“机械手指游戏”中，用户通过手腕的运动控制机械手指的开合动作，这种互动方式不仅能够增强康复训练的趣味性，还能帮助用户更好地理解自身的运动状态。在“驾驶模拟器”中，传感器能够捕捉用户对加速和刹车踏板的操作，从而评估腿部和脚部的康复进展，并模拟真实的驾驶场景，提高康复训练的沉浸感和实际应用价值。

此外，本研究还强调了康复系统在智能化和远程化方面的潜力。通过将传感器与云计算平台结合，康复数据可以实时传输并存储，使医生能够远程监控患者的康复进展，并提供个性化的康复建议。这种远程康复模式不仅提高了康复服务的可及性，还为康复治疗的持续性和系统性提供了保障。同时，传感器的低功耗和自供能特性，使得其在长期使用中具备较高的可靠性，降低了维护成本，提高了设备的实用价值。

从技术发展趋势来看，未来康复设备将更加注重人机交互的自然性和实时性。本研究提出的TENG-EMG传感器不仅能够捕捉复杂的运动模式，还能够通过机器学习算法实现精准分类和反馈。这种技术路径为智能康复系统的发展提供了新的思路，同时也为未来更复杂的康复任务（如全身运动监测和多关节协同训练）奠定了基础。通过将传感器与人工智能、物联网和虚拟现实技术结合，康复设备将能够提供更加精准、个性化和沉浸式的康复体验，从而提升康复治疗的效果和患者的依从性。

综上所述，本研究提出了一种基于Kresling结构的自供电传感器，其结合了TENG和EMG的优势，实现了对肢体运动的高精度监测和稳定信号输出。该传感器不仅在技术上具备高度的创新性，还具有广泛的应用前景，能够支持多种康复训练场景，并与人工智能、物联网和虚拟现实等技术相结合，推动康复医学向智能化和个性化方向发展。通过这种技术路径，康复设备能够更好地满足患者的需求，提高康复效率，并为未来的智能康复系统提供坚实的技术基础。