Adv. Sci.：柔性人工感觉神经应用于神经形态触觉识别

【导读】

人类的触觉识别是一个极其复杂的过程。皮肤感觉受体接受外部机械刺激后编码输出神经脉冲，并借助于神经元和突触的适应、过滤、放大、记忆等功能进行处理，最终在大脑皮层实现触觉识别和感知学习。该过程允许人类通过触摸和交互等方式感知触觉特征并执行触觉任务，例如精细抓取、纹理辨别、物体识别。

以仿生突触器件为代表的神经形态电子技术的不断发展促进了人工触觉感觉系统的发展，并实现了神经脉冲形式的触觉信号处理。然而，突触电子器件通常需要额外的计算或处理单元，且触觉识别往往借助于离线模拟或机器学习等软件手段。可穿戴传感系统和无线传感网络的未来发展需要边缘端、近传感端的硬件智能，以满足低延迟、高性能、低计算资源的实时传感需求。可以预见，具备神经形态触觉感知和智能识别功能的人工感觉神经，将有利于实现类人触觉感知, 并可在电子皮肤、智能交互、先进机器人等系统中实现高级触觉应用。

【成果掠影】

近日，国际著名期刊Advanced Science上发表了题为“A Flexible Artificial Sensory Nerve Enabled by Nanoparticle-Assembled Synaptic Devices for Neuromorphic Tactile Recognition”的文章，南开大学徐文涛教授为通讯作者，蒋程鹏博士为第一作者。该文章报道了一种可穿戴式人工感觉神经系统，通过模仿人类感觉神经中的触觉感知、神经编码和突触处理功能，在不依赖高级算法或计算资源的情况下实现了硬件层面的神经形态触觉识别。利用纳米材料界面自组装技术，可在任意衬底上产生均匀且无缺陷的半导体纳米颗粒薄膜，用于构建柔性突触晶体管。质子门控型突触器件的脉冲易化特性和感觉记忆特性使该系统能够在机器人抓取过程中识别材料硬度，并能够在智能交互过程中识别摩斯电码，显示了神经形态硬件智能。这种可穿戴、便携式的人工感觉神经可有效集成于先进机器人和智能人机界面，有望在面向机器人和可穿戴应用的神经形态电子系统中实现人类水平的触觉认知。

03【核心创新】
1. 首次利用纳米颗粒自组装方法构建了柔性突触晶体管，该工艺兼容半导体材料与柔性电子制造

2. 模拟了人类感觉神经中触觉信息的神经编码和神经处理，实现了实时高效的触觉信息识别

04【图文概览】

图 1.生物触觉感觉系统与柔性人工感觉神经的对比。

图2.柔性突触晶体管的性能。

（a）柔性突触晶体管的结构。（b）纳米颗粒界面自组装的机制。自组装半导体沟道的（c）光学显微照片、（d）SEM 图像、（e）AFM 图像、（f）XRD 图案。（g）柔性突触晶体管阵列的实物图。柔性突触晶体管的（h）转移曲线、（i）双脉冲响应、（j）双脉冲易化特性、（k）脉冲时间依赖可塑性、（l）脉冲频率依赖可塑性、（m）脉冲数目依赖可塑性、（n）弯曲稳定性。

图3.柔性触觉传感器的性能。

（a）触觉传感器的结构。（b）由多臂碳纳米管和室温硫化胶乳制成的压敏弹性层照片。（c）柔性触觉传感器阵列的实物图。触觉传感器的（d）分段线性灵敏度、（e） 静态压力响应、（f) 动态压力响应、（g）抗弯折灵敏度。尖峰脉冲编码的（h）电路连接图、（i）编码策略、（j）输入信号、（k）输出脉冲。

图4.面向机械手智能抓取的材料硬度识别。

（a）柔性人工感觉神经的实物图。材料硬度识别的（b）过程示意图和（c）系统实物图。（d）机械手抓取过程中触觉信号的脉冲编码。（e）硫化橡胶、PDMS、纤维泡沫、清洁海绵四种不同材料进行测试时，器件的突触后电流响应。材料硬度识别的（f）器件输出参数（突触后电流、脉冲发放数目、突触权重）、（g）感觉记忆特性、（h）分类结果。

图5.面向可穿戴触觉交互的摩斯电码识别。

摩斯电码识别的（a）过程示意图和（b）实验设置。连续按压对应的（c）传感器响应和（d）尖峰脉冲序列。不同摩斯电码（e）字母“I”、（f）字母“N”、（g）字母“A”、（h）字母“M”敲击时，器件的突触后电流响应。摩斯电码识别的（i）器件输出参数、（j）分类方法、（k）分类结果。（l) 柔性人工感觉神经穿戴于人手的实物图。

05【成果启示】
本工作开发了一种应用于神经形态触觉识别的柔性人工感觉神经系统。通过集成柔性触觉传感器、柔性突触器件和脉冲编码电路，该系统模拟了由感觉受体、感觉神经元和突触组成的生物感觉系统，并模拟了神经突触的神经编码和神经处理功能。突触晶体管的半导体薄膜由纳米材料界面自组装技术制造，该技术可实现规模化制造且兼容柔性衬底。突触器件的突触易化、感觉记忆的时间常数与生物突触中对应的时间常数相当。通过使用脉冲发放数目、突触权重、突触后电流峰值等输出参数作为分类标准，该系统实现了机器人抓取过程中材料硬度的识别和触觉交互过程中摩斯电码的识别。值得注意的是，触觉识别任务是在不使用计算资源或高级算法的情况下实时实现的。该系统提升了类脑感知与仿生传感系统的性能，有望在可穿戴电子、先进机器人等需要实时感知和高效识别的领域中得到应用。