柔性器件-用于机器学习生物识别的柔性压电声学传感器

2021-02-13
关注




一、文章概述

在未来的人工智能物联网时代,语音用户界面(VUI)作为更直观的人机交互(HMI)方式而备受关注。声学传感器将模拟声波转换为数字信号,这对于通过机器学习算法实现HMI语音通信至关重要。人类可以使用约15000个毛细胞通道检测共振声音,从而实现远距离和准确的识别。然而,目前的研究工作尚未达到人类水准。
本文通过利用超薄膜进行仿生频带控制,来演示了一种高灵敏度的压电移动声学传感器(PMAS)
(1)、仿真结果证明,通过在超薄聚合物上采用锆钛酸铅(PZT)膜来覆盖整个语音频谱,可以扩大压电膜的谐振带宽。
(2)、集成的声学传感器模块,算法处理器和定制的Android应用程序演示了基于机器学习的生物特征认证。
(3)、最后,与传统的微机电系统麦克风相比,具有少量训练数据的PMAS模块可显着降低扬声器识别中的异常错误率。
相关论文以题为“Biomimetic and flexible piezoelectric mobile acoustic sensors with multiresonant ultrathin structures for machine learning biometrics”发表在国际顶尖期刊Science Advances (IF=13.116)上,通讯作者及单位为:韩国科学技术高等研究院材料科学与工程系的Keon Jae Lee教授。



二、图文导读


【仿生PMAS和移动生物识别】


图1、仿生PMAS和移动生物识别技术的总体概念。

(A)、微型PMAS的仿生多频带控制和移动生物特征识别的示意图:(i)仿生超薄PMAS,模仿人耳蜗基底膜,将多共振频率定位在100Hz至4kHz的声音范围内。(ii)通过使用低Q因子超薄聚合物,应力控制的压电膜和多通道电极,PMAS对全覆盖的电话频谱具有高度敏感的频率响应。(iii)使用由微型PMAS,机器学习处理器和无线发射器组成的集成声学模块进行移动应用的生物识别认证。

(B)漂浮在易碎气泡上的超薄多通道PMAS膜的照片。插图显示了超薄聚合物上PZT薄膜和粘合剂层的横截面扫描电子显微镜图像。

(C)高灵敏度小型化PMAS与先前报道的谐振压电声学传感器之间的灵敏度FOM(FOMsens)比较。


图2、全覆盖语音频谱的频带控制和灵敏度提高。

(A)根据厚度为40μm的PMAS的小型化尺寸,对共振频率的二次行为进行FEM计算。

(B)130mm2有效面积中的共振频率分布,该分布是通过有限元模拟计算得出的PMAS厚度的函数。

(C)比较仅PZT薄膜和超薄聚合物上PZT的谐振带宽。与仅PZT薄膜的尖锐和离散共振谱相比,模拟结果显示在语音频率范围内具有低Q因子的超薄聚合物上PZT的带宽较大。

(D)IDE结构中残余应力(拉伸和压缩)下偶极子对准和面内压电势的示意图和FEM计算。

(E)通过在(110)峰处的Psi取向的d-间距变化计算出的每个压电厚度处的压应力的比较。

(F)通过测量P-E磁滞回线,将饱和度和残余极化值作为PZT膜厚度的函数。底部插图显示了IDE通道的光学显微镜图像。


图3、PMAS的机械和电气特性

(A)通过LDV在100Hz至4kHz的频率扫描下测得的超薄PMAS膜的多共振位移。

(B)通过选择多个通道中的最高灵敏度绘制的PMAS频率响应。插图展示了PMAS与商用Li-button电池的尺寸比较。

(C)在第一,第二和第三谐振和低频时,最敏感通道的压电电压输出。插图显示了单色正弦波声音下峰峰值电压的放大电信号,显示了PMAS优于参考传声器的出色灵敏度。

(D)在单个频率的声波下,每个谐振频率的灵敏度转换为dBV单位。红色,蓝色和青色框线是第一次,第二次和第三次共振的基频,而其他峰值是谐波频率。

(E)通过减去每个谐振频率和噪声基线的灵敏度计算出的SNR。顶部插图显示通过FEM计算模拟的弯曲PMAS膜的多共振位置。

(F)通道2在第一次谐振时的电压随压力的线性变化。插图显示了与正弦输入相同的PMAS信号的同相特性。


图4、PMAS模块基于机器学习的移动生物特征认证。

(A)使用PMAS模块的基于机器学习(ML)的移动生物特征认证的示意图。PMAS的多通道信号被无线传输到算法数据库,以对智能手机进行访问控制。

(B)比较原始声音和PMAS模块信号之间的语音功能。这些图包括时域的电压信号,FFT响应和STFT频谱图。

(C)用于说话人训练和测试程序的GMM算法流程图,包括信号平均、特征提取和层形成。通过将输入的语音信息与预训练的数据集进行比较来执行说话者决策。

(D)在150个数据训练,150个数据测试和7种混合条件下,PMAS模块的扬声器识别错误率优于商用MEMS麦克风。

(E)由PMAS模块和定制的智能手机应用程序演示的实时移动生物识别,用于在五个训练和一个测试字的情况下的访问许可和禁止。



三、结束语

本文开发了一种高度灵敏的小型化PMAS,用于使用仿生超薄压电膜进行多谐振频带控制。使用集成了智能手机的传感器模块(由PMAS、算法处理器和无线发射器组成)演示了基于机器学习的生物特征识别。在150个训练数据和150个测试数据的少量条件下,与商用MEMS麦克风相比,PMAS模块的说话者识别错误率降低了56%。最后,通过定制的Android应用程序,即使使用了五个训练词和一个测试词,也已经成功地实现了用于移动应用程序的实时语音生物识别技术。未来的研究工作将面向用于多通道频率响应平坦度的信号处理,以实现均匀性和无失真的声音输出。



四、论文详情


Biomimetic and flexible piezoelectric mobile acoustic sensors with multiresonant ultrathin structures for machine learning biometrics

Science Advances (IF=13.116)

Pub Date : 2021-02-10

DOI: 10.1126/sciadv.abe5683

Hee Seung Wang, Seong Kwang Hong, Jae Hyun Han, Young Hoon Jung, Hyun Kyu Jeong, Tae Hong Im, Chang Kyu Jeong, Bo-Yeon Lee, Gwangsu Kim, Chang D. Yoo and Keon Jae Lee

Department of Materials Science and Engineering, Korea Advanced Institute of Science and Technology (KAIST), 291 Daehak-ro, Yuseong-gu, Daejeon 34141, Republic of Korea.

...................................................

WEST可穿戴电子微信群开通。欢迎加入、推荐、分享和交流,谢谢!

该平台免费提供相关领域的论文宣传和招生招聘,有兴趣请关注订阅号给小编留言或者邮件联系 E-mail:wonger.west@gmail.com


您觉得本篇内容如何
评分

评论

您需要登录才可以回复|注册

提交评论

WEST可穿戴电子

这家伙很懒,什么描述也没留下

关注

点击进入下一篇

2021年AI将改变制造业的6大应用趋势

提取码
复制提取码
点击跳转至百度网盘