Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

Los investigadores de NUS desarrollan la alta sensibilidad, sensor inferior de la presión de la histéresis

La supervisión de salud y las capacidades en tiempo real el detectar de robots requieren electrónica suave, pero un reto de usar tales materiales miente en su confiabilidad. A diferencia de los dispositivos rígidos, el ser elástico y plegable hace su funcionamiento menos repetible. La variación en confiabilidad se conoce como histéresis.

Conducido por la teoría de los mecánicos del contacto, las personas de investigadores de la universidad nacional de Singapur (NUS) subieron con un nuevo material del sensor que tiene importante menos histéresis. Esta capacidad habilita una tecnología usable más exacta de la salud y detectar robótico.

El equipo de investigación, llevado por la unión T de Benjamin del profesor adjunto del instituto para la innovación de la salud y de la tecnología en NUS, publicó sus resultados en los procedimientos prestigiosos del gorrón de la National Academy of Sciences el 28 de septiembre de 2020.

Alta sensibilidad, sensor inferior de la presión de la histéresis

Cuando los materiales suaves se utilizan como sensores compresivos, hacen frente generalmente a entregas severas de la histéresis. Las propiedades materiales del sensor suave pueden cambiar entre tactos relanzados, que afecta a la confiabilidad de los datos. Esto lo hace que desafía para conseguir lecturas exactas cada vez, limitando los usos posibles de los sensores.

La ruptura de las personas de NUS es la invención de un material que tenga alta sensibilidad, pero con un funcionamiento casi histéresis-libre. Desarrollaron un proceso para quebrar las películas finas del metal en configuraciones de forma anular deseables en un material flexible llamado el polydimethylsiloxane (PDMS).

Las personas integraron esta película de metal/PDMS con los electrodos y los substratos para un sensor piezorresistivo y caracterizaron su funcionamiento. Conducto relanzaron la prueba mecánica, y verificaron que su innovación del diseño perfeccionó funcionamiento del sensor. Su invención, nombrada Tactile Resistive anular quebró la E-Piel, o el TRAZO, es cinco mejores materiales suaves que convencionales de las épocas.

Con nuestro diseño único, podíamos lograr exactitud y confiabilidad importante perfeccionadas. El sensor del TRAZO podría potencialmente se podía utilizar en robótica para percibir la textura superficial o en dispositivos usables de la tecnología de la salud, por ejemplo para medir el flujo de sangre en las arterias superficiales para los usos de la supervisión de salud.”

Profesor Benjamin Tee, departamento de Asst de NUS de la ciencia material y de la ingeniería

Pasos siguientes

El paso siguiente para las personas de NUS es perfeccionar más lejos el conformability de su material para diversos usos usables, y desarrollar los usos de la inteligencia (AI) artificial basados en los sensores.

“Nuestra meta a largo plazo es predecir salud cardiovascular bajo la forma de remiendo elegante minúsculo que se coloque en piel humana. Este sensor del TRAZO es un paso adelante hacia esa realidad porque los datos que puede capturar para las velocidades del pulso son más exactos, y se pueden también equipar de algoritmos de aprendizaje de máquina para predecir texturas de la superficie más exacto,” profesor explicado Tee de Asst.

Otros usos que las personas de NUS apuntan convertirse incluyen aplicaciones en odontología, donde tener un interfaz seguro de la piel permite una reacción más inteligente.

Source:
Journal reference:

Yao, H., et al. (2020) Near–hysteresis-free soft tactile electronic skins for wearables and reliable machine learning. PNAS. doi.org/10.1073/pnas.2010989117.