저장대학교, SVM을 활용해 촉각 센서 최적화…점자 인식률 96.12% 달성
바이오센싱은 인간과 기계, 인간과 환경, 기계와 환경 간의 상호작용을 위한 중요한 매개체입니다. 그 중에서도 터치는 정확한 환경 인식을 달성하고 사용자가 복잡한 환경과 상호 작용하는 데 도움이 될 수 있습니다.
인간의 촉각을 모방하기 위해 연구자들은 주변 환경에 대한 피부의 인식을 시뮬레이션하는 다양한 센서를 개발했습니다. 그러나 촉각 감지는 요구 조건이 높고 매개변수 변화가 다양하여 많은 연구개발 경험, 충분한 문헌 조사, 수많은 시행착오 실험이 필요하며, 연구개발 주기가 매우 깁니다.
이를 위해 저장대학교의 연구진은 지원 벡터 머신을 사용하여 마찰 전기 나노발전기 촉각 센서의 매개변수를 최적화했습니다. 최적화된 촉각 센서는 다양한 터치 패턴을 인식하고 점자 인식을 실현할 수 있습니다. 이번 성과는 촉각 센서 개발에 새로운 솔루션을 제공할 것으로 기대된다.
저자 | 쉐차이
편집자 | 산양
연구자들은 인간의 감각 체계를 모방하기 위해 촉각, 압력, 진동, 온도, 습도 등의 정보를 모니터링하는 일련의 피부와 유사한 센서를 개발했습니다. 안에,촉각 센서는 복잡한 환경과 상호 작용하는 데 가장 중요한 부분입니다., 건강 모니터링, 지능형 로봇, 인간-컴퓨터 환경 상호 작용, 가상/증강 현실 분야에서 널리 사용되었습니다.
이상적인 센서는 높은 감도, 넓은 작동 범위 및 뛰어난 반복성을 가져야 합니다.. 이를 위해서는 R&D 경험이나 문헌 조사를 바탕으로 센서 매개변수를 선택한 다음, 여러 차례 시행착오를 거친 후, 마지막으로 최적화된 센서를 사용하여 특정 작업을 수행해야 합니다.
그러나 이러한 피드포워드 설계 전략은 센서의 설계와 적용을 고립시키고, 데이터 부담을 증가시키며, 신호 특성을 약화시키고, 계산 분석 효율성을 감소시킵니다.
그림 1: 촉각 센서(a)와 유방 검사 센서(b)를 기반으로 한 모듈형 보철물
센서 신호 인식의 안정성을 향상시키기 위해,머신 러닝 알고리즘은 종종 서로 다른 채널의 신호 간의 상관관계와 미묘한 차이점을 분석하는 데 사용됩니다.. 최근, 저장대학의 양갱과 쉬카이천 연구팀은 한 걸음 더 나아갔습니다.마찰전기 나노발전기(TENG) 촉각 센서의 설계는 지원 벡터 머신(SVM)을 통해 최적화되었습니다. 최적화된 센서는 6가지 동적 터치 패턴을 정확하게 식별하고 이를 기반으로 텍스트 인식 및 점자 인식을 수행합니다.. 관련 결과는 "Advanced Science"에 게재되었습니다.
관련 결과는 "Advanced Science"에 게재되었습니다.
논문 링크:
https://onlinelibrary.wiley.com/doi/10.1002/advs.202303949
실험 절차
개요:최적화 매개변수 및 최적화 알고리즘
TENG 기반 촉각 센서의 성능은 주로 다음 매개변수와 관련이 있습니다.여기에는 출력 신호 유형, 전극 밀도, 표면 미세 구조의 모양과 분포가 포함되며, 이는 SVM 알고리즘이 최적화해야 하는 매개변수입니다.
손가락의 센서는 누르기, 탭하기, 위, 아래, 왼쪽, 오른쪽 등 6가지 터치 패턴을 인식할 수 있습니다. 이러한 6가지 터치 패턴을 식별하는 것이 센서의 테스트 목표이며, 설계 매개변수를 최적화하는 데 사용됩니다.
SVM 알고리즘은 출력 신호 품질을 평가하고 최적의 설계 매개변수를 선택하는 데 사용됩니다. SVM 설계 프로세스는 기존의 경험 중심 설계 프로세스와 달리 장치 설계와 알고리즘을 긴밀하게 연결하는 데이터 중심의 매개변수 최적화 방법을 제공합니다.
그림 2: 머신 러닝 기반 촉각 센서 최적화 프로세스
머신 러닝 모델:SVM + CNN
본 연구에서는 Python의 scikit-learn 라이브러리를 사용하여 SVM 분류기를 얻었습니다. 총 10개의 분류기가 있으며, 정규화 매개변수의 범위는 0.1~1.0입니다.
한편, PyTorch 프레임워크를 기반으로 Python으로 1차원 합성곱 신경망(CNN)이 개발되어 검증 과정에서 특징 학습과 인식이 가능해졌습니다. CNN은 5개의 합성곱 계층과 그 뒤에 배치 정규화 함수, 정류 선형 단위(ReLU)로 구성됩니다. 이 모델은 학습률이 0.001이고 배치 크기가 128인 적응적 모멘트 추정(Adam) 알고리즘을 사용하여 학습되었습니다.
그림 3: CNN 모델 다이어그램
생산 과정:레이저 직접 쓰기 + PDMS 캡슐화
TENG 촉각 센서 생산은 주로 6단계로 구성됩니다.
1. 적외선 레이저 직접 기록 기술을 사용하여 인터디지털 전극을 제작합니다. 레이저의 열 효과는 폴리이미드(PI) 필름의 탄화를 유도하여 레이저 유도 그래핀(LIG) 패턴을 얻을 수 있습니다.
2. LIG/PI 필름에 폴리디메틸실록산(PDMS)을 스핀코팅합니다.
3. PDMS 용액이 LIG의 다공성 구조에 침투한 후 PI 필름을 벗겨내어 LIG/PDMS 필름을 얻습니다.
4. 필름에 산소 플라즈마를 처리하여 전자 음성기를 도입하고 필름 표면의 불순물을 제거합니다.
5. 소자의 마찰전기 효과를 강화하기 위해 퍼플루오로에틸렌 프로필렌 공중합체(FEP) 필름을 도입합니다.
6. 마지막으로 PDMS로 캡슐화하고 레이저로 패터닝을 진행합니다.
그림 4: TENG 촉각 센서 생산 공정
출력 신호 유형:전류와 전압
출력 신호 유형은 TENG의 감지 성능과 높은 상관 관계를 갖습니다.그래서 연구진은 먼저 마찰 전압과 마찰 전류가 센서 성능에 미치는 영향을 비교했습니다.
첫째, 이 두 가지 출력 신호 유형의 데이터 반복성. 전류 신호의 분포는 불규칙하고 평균 데이터와의 편차가 큰 반면, 전압 데이터는 평균 데이터와의 편차가 작고 반복성이 더 높습니다.
또한 연구진은 선형 SVM 분류기를 사용하여 데이터를 분류했는데, 전압 신호의 경우 분류 정확도가 94.278%이고 전류 신호의 경우 분류 정확도가 95.579%였습니다.전압 및 전류 신호의 분리성과 불연속성은 각각 [3,636, 11.877] 및 [3.528, 11,267]입니다.
다양한 차원의 데이터의 영향을 제거하기 위해 위의 지표들은 정규화된다., 전압 신호의 결과는 [94,278%, 3.636, 11,877]에서 [0, 1, 1]로 변경되고, 전류 신호의 결과는 [95,579%, 3.528, 11,267]에서 [1, 0, 0]으로 변경됩니다. 이는 전압 신호가 두 가지 평가 기준을 가지고 있으며, 이는 신호 출력에 더 적합하다는 것을 보여줍니다.
그림 5: 6가지 터치 패턴에 대한 출력 전압 및 출력 전류 응답
a&b: 각각 6가지 터치 모드에 대한 전압 및 전류 신호 응답
c&d: 출력 전압 및 전류 신호의 차원 축소 결과입니다.
전극 밀도:희소하고 밀집하다
전극 밀도는 신호 복잡성에 영향을 미칩니다.. 연구진은 전극이 희소하게 분포된 경우와 조밀하게 분포된 경우의 장치 성능을 조사했습니다. 신호 차원을 축소한 후에는 희소하게 분포된 전극 신호의 구별력이 더 뛰어난 것을 볼 수 있습니다.
희소하게 배열된 전극 신호의 분류 정확도, 분리성 및 불연속성은 각각 [96.975%, 3.695, 14.759]이고, 밀집하게 배열된 전극의 분류 정확도, 분리성 및 불연속성은 각각 [95,958%, 3.528, 11.542]입니다. 정규화 후 각각 [1, 1, 1]과 [0, 0, 0]이 되어 희소하게 배치된 전극 신호에 대한 평가 기준이 3가지임을 나타낸다.
그림 6: 6가지 터치 패턴에 대한 희소 분포 및 밀집 분포 전극의 신호 응답
a&b: 6가지 터치 모드에 대한 희소하게 분포된 전극과 밀집하게 분포된 전극의 신호 응답
c&d: 희소하게 분포된 전극과 밀집하게 분포된 전극에 의해 기록된 신호의 차원 축소 결과.
미세구조 형상:지문과 그리드
PDMS 표면의 거친 미세구조는 점도가 신호에 미치는 영향을 줄이고 신호 대 잡음비를 향상시킬 수 있습니다.. 연구진은 지문과 같은 미세 구조와 격자와 같은 미세 구조가 소자 성능에 미치는 영향을 비교한 결과, 지문과 같은 구조의 데이터는 더 집중된 반면, 격자와 같은 구조의 신호는 불안정하다는 것을 발견했습니다.
지문과 같은 구조 신호와 격자와 같은 구조 신호의 정확도, 분리성 및 불연속성은 각각 [96.50%, 4.227, 14.958] 및 [95.056%, 3.725, 11.783]입니다. 정규화 후, 이들은 [1, 1, 1]과 [0, 0, 0]으로 나타나 지문과 같은 미세 구조가 이 실험에 더 적합하다는 것을 나타냅니다.
그림 7: 지문형 미세구조(a)와 격자형 미세구조(b)의 6가지 터치 패턴에 대한 신호 응답
미세구조 분포:채널 간격
지문과 같은 미세 구조에서는 인접 채널 간의 간격도 신호 품질에 영향을 미칩니다.. 연구원들은 채널 간격이 100, 200, 300µm인 장치의 성능을 비교했습니다. 세 가지의 정규화된 지표는 각각 [1, 0.902, 1], [0.042, 1, 0], [0, 0, 0.228]로, 간격이 작을수록 신호 출력에 유리함을 나타냈다.
그림 8: 6가지 터치 모드에 대한 다양한 채널 간격의 신호 응답
a: 지문과 같은 미세 구조 채널 간격의 개략도;
b&c&d: 채널 간격이 각각 300µm, 200µm, 100µm일 때의 신호 응답.
SVM 최적화를 통해 얻은 장치 매개변수는 다음과 같이 요약됩니다.
표 1: SVM 최적화 매개변수 및 결과 요약
실험적 검증:텍스트 인식
SVM 알고리즘으로 최적화된 매개변수 덕분에 TENG 촉각 센서는 6가지 터치 패턴을 정확하게 식별할 수 있습니다. 따라서 전압 측정 모드에서는TENG 촉각 센서는 다양한 문자를 구별하여 텍스트 인식을 실현합니다.
그림 9: 텍스트 인식에 TENG 촉각 센서 적용
a&b: 각각 위, 아래, 왼쪽, 오른쪽으로 슬라이드할 때의 전압 및 전류 출력입니다.
c: 터치를 통한 텍스트 인식 과정의 개략도;
dh: TENG 촉각 센서가 다양한 문장에 반응하는 신호입니다.
생체공학 검증:점자 인식
인간 피부의 촉각 특성을 모방하기 위해, 위에서 언급한 TENG 촉각 센서를 로봇 손에 장착하여 점자 인식 테스트를 실시했습니다. 먼저, 로봇 손이 10개의 점자 숫자에 대한 터치 신호를 수집합니다. 이후, 슬라이딩 과정 중의 약한 신호는 고역통과 필터링을 통해 추출됩니다.
그림 10: 10개 점자 숫자의 터치 신호(왼쪽) 및 차원 축소 분포(오른쪽)
이러한 점자 숫자는 매우 유사하여 인식하기 어렵습니다. 이를 위해 연구진은 CNN을 이용해 특징 학습과 분류를 수행했습니다. CNN의 분류 정확도는 96.12%입니다., 유사도가 높은 세 개의 점자 숫자 0, 3, 8에 대해서만 정확도가 낮습니다.
연구자들은 실제 적용 가능성을 검증하기 위해 로봇 팔을 사용하여 11자리 점자 전화번호를 실시간으로 인식했습니다. 로봇 손은 점자 전화번호를 인쇄한 후, 각 숫자를 차례로 인식하고 실시간 피드백을 제공하며 그래픽 사용자 인터페이스(GUI)에 표시합니다.
그림 11: 점자 전화번호 실시간 인식을 위한 TENG 촉각 센서
위의 결과는 다음을 보여줍니다.SVM에 최적화된 TENG 촉각 센서는 접촉을 통해 텍스트를 효과적으로 인식하고, 기계와 환경 간의 상호 작용을 향상시키며, 장애인 지원을 위한 새로운 솔루션을 제공할 것으로 기대됩니다.
TENG 촉각 센서
최초의 바이오센서는 항원-항체 면역 반응이나 DNA 이중 가닥 반응을 기반으로 했습니다.이러한 센서는 매우 정확하지만, 주로 분자생물학에서 사용되며 대규모 생물학적 모니터링에는 사용하기 어렵습니다.
사물인터넷이라는 개념이 제안된 이후,연구원들은 고처리량, 저비용, 대규모 바이오센서 개발을 시작합니다., 촉각 센서를 포함한 일련의 환경 센서가 탄생했습니다.
그림 12: 바이오센서의 개발 역사
초기 촉각 센서는 저항, 정전용량, 압전 효과, 열전 효과를 기반으로 설계되었습니다.이러한 구성 요소는 센서의 크기를 크게 증가시켜 다양한 시나리오에서의 사용이 제한됩니다..
2012년 TENG가 제안된 이후, 촉각 센서의 연구 개발은 새로운 단계에 접어들었습니다.나노스케일 TENG는 다양한 유연한 기판에 내장되어 착용형 센서를 형성할 수 있으며, 이를 통해 전자 피부와 같은 개념이 탄생할 수 있습니다.
그러나 기존 TENG 촉각 센서의 개발은 주로 연구팀의 경험, 문헌 조사 및 여러 번의 시행착오에 의존합니다. 지금,AI의 도움으로 TENG 촉각 센서의 연구 개발은 경험 중심에서 응용 프로그램 중심으로 전환될 수 있으며, 이를 통해 연구 개발 주기와 비용을 크게 줄이고, 연구 개발 구현을 가속화하고, TENG 촉각 센서가 수요 측면과 결합되도록 돕고, 사람들의 삶에 더 많은 편의성을 제공할 수 있습니다.
참조 링크:
[1]https://www.mdpi.com/1424-8220/17/11/2653
[2]https://onlinelibrary.wiley.com/doi/full/10.1002/adma.202008276