Key points are not available for this paper at this time.
Tragbare Dehnungssensoren, die Veränderungen der Gelenk-/Muskeldehnung erfassen, werden an Mensch-Maschine-Schnittstellen für die Überwachung der Ganzkörperbewegung zunehmend verbreitet. Die meisten tragbaren Geräte bieten jedoch keine anpassbaren Möglichkeiten, um die Sensoreigenschaften mit spezifischen Deformationsbereichen von Gelenken/Muskeln in Einklang zu bringen, was zu suboptimaler Leistung führt. Ein angemessenes Design tragbarer Dehnungssensoren ist erforderlich, um benutzerdefinierte Arbeitsfenster zu erreichen, ohne die hohe Empfindlichkeit zu opfern, begleitet von der Verarbeitung von Echtzeitdaten. Hierbei werden tragbare Ti3C2Tx MXene-Sensormodule mit Modellen des maschinellen Lernens (ML) im Sensor hergestellt, die entweder über kabelloses Streaming oder Edge-Computing funktionieren, um Klassifikationen der Ganzkörperbewegung und die Rekonstruktion von Avataren zu ermöglichen. Durch topografisches Design auf piezoresistiven Nanolayern zeigen die tragbaren Dehnungssensormodule ultrahohe Empfindlichkeiten innerhalb der Arbeitsfenster, die allen Gelenkdeformationsbereichen entsprechen. Durch die Integration der tragbaren Sensoren mit einem ML-Chip wird ein Edge-Sensormodul hergestellt, das die Rekonstruktion hochpräziser Avatar-Animationen im Sensor ermöglicht, die kontinuierliche Ganzkörperbewegungen mit einem durchschnittlichen Fehler bei der Avatarbestimmung von 3,5 cm nachahmen, ohne zusätzliche Rechengeräte.
Yang et al. (Fri,) untersuchten diese Frage.