文章导读

基于物联网大数据的机器学习算法增加了规模化智能感知系统的需求。当前，传感系统需要周期性更换电源，这不但会造成严重的资源浪费还会带来环境污染。同时，与更换相关的人力配置成本也加重了经济负担。为了解决这些问题，摩擦纳米发电机 (TENG) 通过丰富的材料选择既提供了高效的分布式低熵能量收集方案，也成为收集复杂多样数据的自供能传感绝佳方式。随着TENG收集的数据越来越多且复杂，研究者们提出了不同的机器学习 (ML) 和深度学习 (DL) 算法来高效地处理输出信号。基于此，北京纳米能源与系统研究所魏迪团队在 Nanomaterials 期刊发表了综述文章。该文章以样本规模和数据复杂性为主要线索，综述了ML算法辅助固体–固体TENG (S-S TENG) 和固体–液体TENG (L-S TENG) 传感器的最新进展。通过比较各种算法的优势与局限，总结了更适宜与其协同的TENG传感系统的多种应用场景。最后，文章还针对在复杂环境下协同硬件 (TENG传感器) 和软件 (ML算法) 的前景及其未来发展面临的主要挑战做出了讨论。

文章内容与讨论

根据TENG采集到的不同信号特征，选择合适的ML方法进行数据处理和目标识别是一个挑战。ML的应用具有很强的数据集特异性。在为S-S TENG和L-S TENG选择适宜的ML算法进行协同时，需要同时考虑相互作用介质的具体物理化学特性、产生的信号类型以及预期的感知任务。本文总结了ML算法辅助S-S TENG和L-S TENG传感器的最新进展，发现样本量和数据特征的差异极大影响了构建自供能传感系统时算法的选择。因此，随着数据复杂度的增加，出现了不同ML模型辅助的智能自供能感知系统。它们可能不是唯一的选择，但可以为研究者提供参考。基于不同的数据特征和目标任务需求，作者讨论了各种ML算法辅助的自供电传感器的最新研究进展和应用，如图1所示。

图1. ML算法辅助的TENG传感器 (a) 用于物体识别的TENG传感器；(b) 用于用户识别的TENG传感器；(c) 用于液体泄漏监测的TENG传感器；(d) 用于语音分类的TENG传感器；(e) 用于实时压力可视化的TENG传感器；(f) 用于人工突触的TENG传感器；(g) 用于海洋环境监测的TENG传感器；(h) 用于图像识别的TENG传感器；(i) 用于材料识别的TENG传感器；(j) 用于味觉传感的TENG传感器；(k) 用于唇形解码的TENG传感器；(l) 用于血压监测的TENG传感器。

为了提高海量传感数据的分析和处理能力以及传感精度，ML已被广泛用作辅助TENG传感器的工具。传统的ML方法包括支持向量机 (SVM)、K近邻 (KNN)、随机森林 (RF) 等，可用于处理小规模数据集。DL作为ML的子领域，包括卷积神经网络 (CNN)、递归神经网络 (RNN)、人工神经网络 (ANN) 等，更适用于大规模数据集。文章总结了各类算法的优缺点与适宜工作场景 (图2)。在面对只能采集少量样本数据的TENG传感器时，SVM和KNN模型等传统ML方法表现出更优越的性能。具体来说，在处理具有高度特异性的样本数据时，SVM被证明可以有效地提高感知精度。此外，如果信号和感知任务之间存在复杂的非线性关系，SVM可以通过核函数灵活地处理非线性映射，增强其对复杂关系的建模能力。然而，当摩擦电信号在空间上呈现不规则分布时，SVM难以建立合适的决策面。该情况下，KNN通常被研究人员选择。KNN是一种惰性学习算法，在训练阶段只存储数据，在预测阶段进行实时计算。如果实时处理是感知任务的重要需求， KNN是一个可行的选择。

传统的ML方法需要人工设计和提取特征，将原始数据转换成适合模型的格式。它依靠设计人员的先验知识和参数调整经验，很难发挥大数据的优势。DL可以通过网络自动学习特征，减少了人工干预的需要。因此，DL已成为辅助TENG实现目标检测、图像识别、多功能传感的优先选择。ANN是一种通用的神经网络，在辅助TENG传感系统整合多模态数据方面发挥着举足轻重的作用。当摩擦电信号中包含图像或时间序列数据等复杂数据结构时，CNN和RNN更受研究者关注。CNN可以通过卷积操作自动学习和提取局部特征。如果TENG传感器的性能受到特定局部环境的影响，则能够很好地捕捉局部特征。此外，当数据为时序数据时，RNN擅长捕捉时序数据中的时序关系。为了克服梯度消失问题，可引入门控递归单元 (GRU) 和长短期记忆网络 (LSTM) 对RNN进行改进。

图2. ML针对TENGs的ML算法随着数据集复杂程度的变化。

除此之外，文章还评估了ML算法在一些TENG传感器中的关键参数，如训练数据 (训练集数据样本数)、训练历元数、精度等，为不同的自供电传感器给出建议。为了更直观地显示它们，构建了一个比较表1。对于小样本采集的TENG传感器，传统的ML算法如SVM、KNN等可以实现高精度的传感。当TENG传感器可以获得更大的样本数据时，在以往的研究中更多地选择神经网络算法。

表1. TENG传感器中ML算法关键参数的比较。

文章总结

随着收集的数据变得越来越复杂，ML算法和DL算法的不同方法被提出来，以有效地处理自供能TENG传感系统的输出信号。在选择基于S-S TENG或L-S TENG的ML算法来提高传感器精度时，必须考虑数据特征和系统需求，以确保算法模型与任务需求相匹配。本综述旨在帮助未来对基于TENG的传感器的研究，指导在选择ML算法时做出更快、更有效的选择。展望未来，该工作有利于促进软硬件协同的设计、测试和部署，提高智能感知系统的效率。

本研究是魏迪教授近期关于离子电子学研究的最新进展之一，其聚焦纳米限域空间内离子–电子耦合关系，为新能源和类脑计算等前沿领域提供了全新研究范式。以离子为信号载体的离子电子学 (Iontronics) 是研究纳米尺度下离子行为的交叉学科。魏迪教授课题组介绍请登录http://iontronics.group/。课题组长期招聘博士后和科研助理，有意者欢迎登录课题组网站联系。

原文出自 Nanomaterials 期刊

Li, R.; Wei, D.; Wang, Z. Synergizing Machine Learning Algorithm with Triboelectric Nanogenerators for Advanced Self-Powered Sensing Systems. Nanomaterials 2024, 14, 165.

DOI: 10.3390/nano14020165

Nanomaterials 期刊介绍

期刊主题涵盖纳米材料 (纳米粒子、薄膜、涂层、有机/无机纳米复合材料、量子点、石墨烯、碳纳米管等)、纳米技术 (合成、表征、模拟等) 以及纳米材料在各个领域的应用 (生物医药、能源、环境、电子信息等) 等。

2023 Impact Factor: 4.4

2023 CiteScore: 8.5