DOI: 10.1002/admt.202000779

本研究采用近场静电纺丝法制备了一种具有多孔纳米纤维基压电纳米发电机的新型堆叠结构。3D堆叠多孔纳米纤维结构增强了应力集中效应，使得PVDF-TrFE纳米纤维具有更高的电输出性能。通过模拟近场静电纺丝（NFES）装置中的增材制造，结构简单且具有压电效果的制造工艺能够将堆叠的多孔PVDF-TrFE纳米纤维转化为高性能传感器。与原始PVDF-TrFE纳米纤维相比，其电压输出性能提高了2.7倍以上。此外，还开发了一种自供电足部压力识别统计系统和一种个人步态生物识别系统，以提供步态识别和一种新的生物识别技术。深度学习BiLSTM模型可实现高达86％的个人步态压电信号识别率。此外，这项工作除了将自供电系统的应用领域扩展到智能可穿戴设备监测之外，还促进了智能医疗大数据分析的发展。

图1.a）由近场静电纺丝法在FPCB基板上制备的基于层层堆叠PVDF-TrFE纳米纤维的SPPN传感器的示意图。b）三种纳米结构的表面形态，即原始NFs、石墨烯和油改性纳米多孔NFs。c）油改性多孔PVDF-TrFE纳米纤维的横截面。

图2.a）SPPN传感器压电驱动机构的工作原理。b）SPPN传感器的相应电压-时间输出曲线。c）SPPN传感器在不同PVDF-TrFE浓度下的输出电压和电流。d）SPPN传感器输出电压和电流与石墨烯浓度的关系。e）SPPN传感器输出电压和电流与橄榄油浓度的关系。

图3.a）脚底测量位置的示意图。红色虚线表示带有相应传感器信号的传感区域（分别为传感器1-8）。b）智能步态传感垫的实际照片。c）前两个对象的足部压力传感数据频谱。

图4.采用足部压力分布统计系统分析了来自十个对象的传感数据，以通过主成分分析来区分步态分布的异常情况。a）足部压力分布统计系统的方案图。b）通过PCA测定特征参数和主题分布的权重。c）预计在前两个组成部分上分布十个主题。d）通过PCA绘制特征值陡坡图。

图5.个人步态判断系统通过深度学习BiLSTM识别出个人时间序列步态信号。a）基于自供电智能步态传感垫的个人步态判断系统的方案图。b）个人步态判断系统的BiLSTM模型框架。c）从十名受试者的随机部分提取的足部压力训练集的时间序列信号之一。d）训练模型精度趋势图。e）测试集判别精度的混淆矩阵和判别预测时序图。