灵活的TENG传感器与深度学习方法在无声语音识别中的应用

《Advanced Sustainable Systems》：Flexible TENG Sensors and Deep Learning Approaches for Silent Speech Recognition

静音语音识别研究提出基于摩擦纳米发电机的新型方法，通过微图案PDMS提升能量输出效率，结合1D-CNN与注意力机制实现95%平均识别准确率，并利用机械臂完成无声人机交互控制。

　　

摘要

无声语音识别（SSR）在帮助有发声障碍的人以及实现噪声敏感环境中的安全通信方面具有巨大潜力。在这一领域，摩擦电纳米发电机（TENGs）作为一种高效、可穿戴的能量收集器，因其在传感应用中的巨大潜力而受到广泛关注。TENGs的独特特性使其非常适合用于SSR，能够实现非侵入性和高灵敏度的信号采集，从而提升这类系统的性能。本研究提出了一种新的深度学习方法，利用TENGs作为自供电传感器来捕捉无声说话时嘴唇运动的生物力学信号。在传感器架构设计中，通过砂纸压印技术制备了微图案化的聚二甲基硅氧烷（M-PDMS）。实验结果表明，M-PDMS的输出性能比纯PDMS高出3.5倍，证实了其能源输出性能的提升。开发了一种结合注意力机制的一维卷积神经网络（1D-CNN），以实现高效的特征提取和分类，在十个不同的词汇类别中平均准确率达到95%。为了可视化识别结果，基于分类输出通过串行通信控制一个机械手。该系统表现出强大的稳定性和数据效率，凸显了其作为无声音人机交互的可穿戴友好界面的潜力。

利益冲突

作者声明没有利益冲突。