郑州大学ACS Nano：基于MXene/丝素蛋白气凝胶的多功能传感器实现机械-热-声学感知

随着柔性电子技术的快速发展，传感技术正朝着多功能与集成化方向迈进。在健康监测、智能穿戴和人机交互等领域，能够同时检测压力、温度和声音的传感器成为研究热点。然而，传统传感器在材料性能和结构设计上面临挑战：常用热电材料难以兼顾低热导率和高电导率，导致温度敏感性与压力感知之间存在矛盾。此外，一维和二维结构无法像三维多孔结构那样维持稳定的温度梯度并提供弹性响应。MXene作为一种新兴二维材料，虽具备高导电性和低热导率，但其纳米片易自堆叠，限制了电子与热传导路径。三维多孔结构通过气体发泡技术可有效抑制堆叠，为高性能传感器提供了新思路。

近日，郑州大学郭海中教授、夏田雨教授、刘伟杰副教授和美国西北大学Cheng Yongfa合作，成功制备出一种基于三维MXene/丝素蛋白气凝胶的柔性多功能传感器。该传感器凭借其高导电性和优异弹性，能够同步监测机械、热和声学信号，实现了103.14 kPa⁻¹的高灵敏度、1.96 Pa的极低检测限、110.92 ms/77.81 ms的快速响应与恢复时间，以及超过10,000次的循环稳定性。此外，该传感器对温度变化表现出出色的重复性与识别能力，并能通过机器学习区分不同语言的声音信号，识别准确率高达96.58%。相关论文以“Mechano-thermo-acoustic Multifunctional Sensor Based on an MXene/Silk Fibroin Aerogel”为题，发表在

ACS Nano

研究人员通过快速气体发泡技术将二维MXene/SF薄膜转化为三维层状多孔气凝胶。图1展示了该气凝胶的结构演变与传感机制：在密封环境中，水合肼蒸气促使薄膜内部产生气体，扩大层间间距，形成多孔结构。扫描电镜图像清晰显示其从紧密层状转变为疏松多孔的横截面。压力传感机制通过等效电路解释：未受压时，传感器内阻由接触电阻和层间电阻构成；受压后，层间接触增加，并联电阻下降，电流响应增强。同时，模拟温度分布图表明，该结构能在温度差下维持稳定梯度，有利于热电信号的产生。

图1：MSA的气体发泡、压力传感与热电生成机制 （a）基于MSA的压力传感器组成及其对压力、温度和声音信号的监测示意图。 （b）MSA结构演变示意图，显示内部气体扩张层间空间。 （c）MSA横截面结构的扫描电镜图像。 （d）压力传感机制的等效电路图。 （e）在温度差ΔT下MSA的模拟温度分布图。

在压力传感性能方面，图2详细记录了传感器的各项特性。当MXene与SF比例为10:1、发泡时间为4.0小时时，传感器灵敏度最高，达103.14 kPa⁻¹。电流随压力增加而上升，电流-电压曲线显示其与电极间形成良好欧姆接触。传感器在110.92毫秒内响应压力，并在77.81毫秒内恢复，能够捕捉不同频率与速度下的压力变化。即使在仅1.96帕的叶片重量下，也能产生明显电信号。经过一万次循环测试，传感器仍保持稳定输出，展现出卓越的机械耐久性。

图2：MSA传感器的压力传感特性 （a）不同MXene与SF比例传感器在发泡4.0小时后的灵敏度。 （b）不同外压下的电流-时间曲线。 （c）不同压力下的电流-电压曲线。 （d）传感器的响应与恢复时间。 （e）在8.63 kPa下的频率响应性能。 （f）在9.25 kPa下的不同速度响应性能。 （g）周期加载-卸载过程中的电流-时间与压力-时间曲线。 （h）叶片（1.96 Pa）上的电流响应。 （i）在9.32 kPa下经过10,000次循环后的稳定性。

热电性能方面，图3显示该传感器在温度梯度下能产生稳定的热电电压。当两端温差增大时，输出电压同步上升，响应与恢复时间分别为17.80秒和15.35秒。研究人员还设计了4×4传感器阵列，成功实现对水温与压力的空间分布监测：热水区域产生较高电压信号，而压力变化则主要影响电流信号，证明传感器能同时独立响应温度与压力刺激。

图3：MSA传感器的热电生成特性 （a）MXene/SF比例为10:1的传感器在不同ΔT下的电压-时间曲线。 （b）输出电压随ΔT增加而上升。 （c）在ΔT=6 K下的温度响应与恢复时间。 （d–l）4×4传感器阵列在温度-压力传感中的应用展示。

在实际应用中，该传感器展现出广泛潜力。图4显示其可区分快速吹气与缓慢呼气，并能实时监测人体多个关节的弯曲动作。通过采集手腕肌肉收缩信号，传感器可控制机械手实现对应手指动作，构建出精准的手势识别系统。在声音感知方面，传感器不仅能识别汉语四声调和不同音量，还能响应音符、英语字母等声学特征，其电流响应与声压级正相关，并在250赫兹处出现共振峰。

图4：MSA传感器在人体活动监测与声音感知中的应用 （a）快速吹气与缓慢呼气的电流信号对比。 （b）中指弯曲引起腕部肌肉收缩的电流信号。 （c）机械手中指弯曲响应。 （d）小指弯曲的电流信号。 （e）机械手小指弯曲响应。 （f）MSA传感器监测示意图。 （g）汉语四声调的识别波形。 （h）不同音量的识别波形。 （i）在不同声压级与频率下的归一化电流响应。 （j）在61.2 dB下的电流响应。 （k）在250 Hz下的电流响应。

为实现更高效的声音识别，研究团队引入了CNN-LSTM混合机器学习模型。图5展示了该模型对中、英、法、日、韩、俄六种语言的识别流程。传感器采集的声信号经卷积神经网络提取特征，再通过长短时记忆网络分析时序，最终在测试集上达到96.58%的平均识别准确率。混淆矩阵显示，即使发音相近的汉语和日语，识别率也高达99.90%，验证了该传感器与算法结合在实际应用中的高可靠性。

图5：基于CNN-LSTM模型的MSA传感器多语言识别 （a）用于声音识别的混合CNN-LSTM模型结构示意图。 （b）六国“hello”发音的电流响应曲线。 （c）使用CNN-LSTM模型进行声音识别的机器学习流程。 （d）混淆矩阵显示模型对不同语言的识别效果。 （e）训练过程中验证集与测试集的损失函数变化。 （f）训练过程中验证集与测试集的准确率变化。

综上所述，这项研究通过快速气体发泡技术成功开发出一种基于MXene/丝素蛋白气凝胶的多功能传感器，能够独立响应压力、温度与声音信号，并展现出高灵敏度、快速响应和优异稳定性。结合先进的机器学习模型，该传感器在智能人机交互、多语言通信系统和可穿戴电子设备中具有广阔应用前景，为未来高性能柔性传感器的发展提供了重要技术路径。