Sensor de presión capacitivo portátil para la recogida de señales fisiológicas humanas
Sensor de presión capacitivo portátil para la recogida de señales fisiológicas humanas
En los últimos años, los sensores de presión de alta sensibilidad con flexibilidad, biocompatibilidad y capacidad de estiramiento han atraído una atención generalizada en los campos de los dispositivos electrónicos portátiles y las pieles inteligentes. Sin embargo, es un desafío considerable lograr una alta sensibilidad y un bajo costo del sensor, y obtener la mejor estabilidad mecánica y el límite de detección ultrabajo para su uso en equipos delicados de monitoreo de señales fisiológicas. En respuesta a los problemas anteriores, este artículo informa sobre un método de preparación simple de un sensor de presión capacitivo (CPS) de alta sensibilidad y alta confiabilidad para la medición de presión ultrabaja. TrFE) andamio compuesto de nanofibras (CNS) intercalado entre electrodos biocompatibles de poli (3,4-etilendioxitiofeno) poliestireno sulfónico (PEDOT: PSS) / polidimetilsiloxano (PDMS) como una capa dieléctrica. El sensor preparado tiene una alta sensibilidad de 0.51 kPa-1 y un límite de detección mínimo de 1.5 Pa. Además, también puede lograr una detección lineal en un amplio rango de presión (0-400 kPa) y lograr una alta confiabilidad durante 10,000 ciclos incluso a presión ultra alta (superior a 167 kPa). En comparación con el andamio de nanofibras PVDF-TrFE original, la sensibilidad del sensor basado en nanofibras se puede mejorar cargando con MXene, aumentando así la constante dieléctrica a 40 y reduciendo el módulo de compresión al 58%. Este sensor puede determinar la salud de los pacientes mediante la monitorización de señales fisiológicas (frecuencia del pulso, respiración, movimiento muscular y contracciones oculares) y es un buen candidato para la próxima generación de dispositivos de interfaz hombre-máquina. También puede lograr una detección lineal en un amplio rango de presión (0-400 kPa) y lograr una alta confiabilidad durante 10,000 ciclos incluso a una presión ultra alta (superior a 167 kPa). En comparación con el andamio de nanofibras PVDF-TrFE original, la sensibilidad del sensor basado en nanofibras se puede mejorar cargando con MXene, aumentando así la constante dieléctrica a 40 y reduciendo el módulo de compresión al 58%. Este sensor puede determinar la salud de los pacientes mediante la monitorización de señales fisiológicas (frecuencia del pulso, respiración, movimiento muscular y contracciones oculares) y es un buen candidato para la próxima generación de dispositivos de interfaz hombre-máquina. También puede lograr una detección lineal en un amplio rango de presión (0-400 kPa) y lograr una alta confiabilidad durante 10,000 ciclos incluso a una presión ultra alta (superior a 167 kPa). En comparación con el andamio de nanofibras PVDF-TrFE original, la sensibilidad del sensor basado en nanofibras se puede mejorar cargando con MXene, aumentando así la constante dieléctrica a 40 y reduciendo el módulo de compresión al 58%. Este sensor puede determinar la salud de los pacientes mediante la monitorización de señales fisiológicas (frecuencia del pulso, respiración, movimiento muscular y contracciones oculares) y es un buen candidato para la próxima generación de dispositivos de interfaz hombre-máquina. En comparación con el andamio de nanofibras PVDF-TrFE original, la sensibilidad del sensor basado en nanofibras se puede mejorar cargando con MXene, aumentando así la constante dieléctrica a 40 y reduciendo el módulo de compresión al 58%. Este sensor puede determinar la salud de los pacientes mediante la monitorización de señales fisiológicas (frecuencia del pulso, respiración, movimiento muscular y contracciones oculares) y es un buen candidato para la próxima generación de dispositivos de interfaz hombre-máquina. En comparación con el andamio de nanofibras PVDF-TrFE original, la sensibilidad del sensor basado en nanofibras se puede mejorar cargando con MXene, aumentando así la constante dieléctrica a 40 y reduciendo el módulo de compresión al 58%. Este sensor puede determinar la salud de los pacientes mediante la monitorización de señales fisiológicas (frecuencia del pulso, respiración, movimiento muscular y contracciones oculares) y es un buen candidato para la próxima generación de dispositivos de interfaz hombre-máquina.
Figura 1. Proceso de preparación y estructura del sensor de presión basado en CNS. (A) Muestre el diagrama esquemático del proceso de preparación del sensor de presión basado en CNS. (B) Imagen TEM del SNC, que muestra nanoflake de MXene de capa única y multicapa. El recuadro es un TEM de alta resolución que muestra el espaciado entre capas de 0,93 nm correspondiente al plano MXene (002). (C) La foto muestra el SNC de diferentes concentraciones de MXene y el sensor fabricado. (D) Imagen FESEM del SNC. El recuadro muestra la morfología a mayor aumento. (E) El diagrama EDS de las nanofibras compuestas muestra los elementos C, F, O y Ti.
Figura 2. Características esquemáticas y superficiales del SNC. (A) Un diagrama esquemático que muestra la sinergia obtenida después de introducir MXene en la matriz de polímero. (B, c) Análisis XRD y FTIR del SNC a diversas concentraciones de MXene. (D) Espectro XPS de la región C 1s del SNC que contiene una concentración de MXene al 5% en peso.
Figura 3. Características eléctricas de diferentes muestras (a) La constante dieléctrica y la tangente de pérdida del SNC en relación con el contenido de MXene (en% en peso). (B) Dependencia de la frecuencia de la constante dieléctrica.
Figura 4. Características electromecánicas de los sensores de presión basados en CNS. (A) Comparación de rendimiento de sensores basados en CNS en función de diferentes tiempos de electrohilado. (B) El rendimiento de tensión-deformación por compresión del sensor bajo una carga estable con una distancia de compresión de hasta 0,4 mm. (C) La capacitancia inicial (C0) y el cambio relativo (ΔC / C0) del sensor basado en CNS depende del contenido de MXene (en% en peso). (D) El cambio de capacitancia relativa (ΔC / C0) de sensores basados en CNS que contienen capas dieléctricas con diferentes concentraciones de MXene (en% en peso) bajo una distancia de compresión constante de 0,4 mm. (E) Un gráfico descriptivo de ΔC / C0, que ilustra la sensibilidad a la presión obtenida cuando la carga de MXene es del 5% en peso. La ilustración muestra la sensibilidad del sensor en el área de baja presión. (F) Para diferentes concentraciones de MXene, la respuesta de capacitancia cíclica (carga / descarga) de sensores basados en CNS a una distancia de compresión constante de 0.3 mm, y (g) A diferentes valores de presión de carga / descarga, la concentración de MXene es 5% en peso de la respuesta de capacitancia cíclica del CNS -sensor basado en. (H) Tiempo de respuesta y relajación en un ciclo de carga / descarga con una presión de 1,5 kPa. (I) En comparación con el informe anterior, el rendimiento del sensor en términos de sensibilidad se informó en límites de detección bajos en el rango de presión baja.
Figura 5. (a) El cambio relativo de la respuesta de capacitancia bajo ciclos de carga y descarga de bajo voltaje. (B) Ilustre el límite inferior de detección (LOD) cargando y descargando secuencialmente aproximadamente 38 mg de arroz de grano largo. (C) Prueba de estabilidad cíclica del sensor de presión basado en el SNC después de 10,000 ciclos de carga y descarga a alta presión de aproximadamente 167 kPa (compresión superior al 40%). El recuadro muestra el ciclo seleccionado al principio y al final de la prueba de estabilidad.
Figura 6. La aplicación de sensores basados en el SNC en el monitoreo continuo y en tiempo real de señales fisiológicas humanas. (A) Monitorización en tiempo real de la onda de pulso arterial. Ilustración: Foto del sensor adherido al área de la piel de la muñeca. (B) Una vista ampliada de una única forma de onda de pulso, que incluye información detallada sobre sus picos característicos. (C) Controle la respiración antes y después del ejercicio. Ilustración: una foto de un sensor conectado a una máscara para controlar la frecuencia respiratoria. (D) El diagrama muestra que el sensor simula el golpeteo de los dedos a una frecuencia de temblor estático de 4.8 Hz para detectar la enfermedad de Parkinson primaria. Ilustración: Una foto que imita un dedo tocando la superficie del sensor a una frecuencia constante. (E) Una imagen ampliada que simula la percusión a una frecuencia de temblor específica de 4,8 Hz. (F) Una pulsación corta y una pulsación larga del sensor puede generar una señal de código Morse internacional. (G) Controle la contracción y expansión del músculo abriendo y cerrando el puño de manera reversible. Ilustración: Foto del sensor adherido a los músculos abdominales de la muñeca. (H) Supervise la señal generada por la vibración de los músculos oculares durante las contracciones oculares. Ilustración: una foto del sensor adherida a la piel del ojo. (I) La capacidad del sensor para reconocer diferentes sonidos con formas de onda repetitivas y diferentes. Ilustración: Foto del sensor adherido a la epidermis de la garganta. (H) Supervise la señal generada por la vibración de los músculos oculares durante las contracciones oculares. Ilustración: una foto del sensor adherida a la piel del ojo. (I) La capacidad del sensor para reconocer diferentes sonidos con formas de onda repetitivas y diferentes. Ilustración: Foto del sensor adherido a la epidermis de la garganta. (H) Supervise la señal generada por la vibración de los músculos oculares durante las contracciones oculares. Ilustración: una foto del sensor adherida a la piel del ojo. (I) La capacidad del sensor para reconocer diferentes sonidos con formas de onda repetitivas y diferentes. Ilustración: Foto del sensor adherido a la epidermis de la garganta.
