使用循环神经网络、感知器网络和指数方法建模与评估柔性力传感器以补偿弯曲条件下的力测量误差

可穿戴技术的广泛应用需要获取身体上承受的力和压力信息，这些力可能来自设备（如感应主动佩戴时段或为加压治疗等力敏感疗法提供反馈）或来自其他物体或身体部位（如预防压疮或基于力的步态监测）。然而，典型的力传感机制往往难以移植到可穿戴环境中，因为身体组织的几何形状和力学特性会引入传感器误差。之前的研究表明，柔性力传感器明显受到变形影响导致力测量错误，但目前尚无研究纠正变形条件下纺织基柔性传感器估计的力数据。本研究使用指数模型、循环神经网络（RNN）和多层感知器（MLP）网络对三种低成本纺织基传感器和一种现成的力敏电阻进行建模。结果表明，RNN在建模滞后现象方面表现最优，RMSE为4.2%。此外，我们还在类人体曲率条件下评估传感器性能，并通过融合曲率程度对模型进行优化。结果显示，优化后的模型可将测量误差从46%降低到6.8%，在某些情况下可从26.33%降低到1.06%。