Современная электроника №4/2025

СОВРЕМЕННЫЕ ТЕХНОЛОГИИ 14 WWW.CTA.RU СОВРЕМЕННАЯ ЭЛЕКТРОНИКА • № 4 / 2025 стики с тонкими различиями между ними, и подобные системы (ранее) были весьма восприимчивы к изме- нениям окружающей среды, что при- водило к снижению точности распоз- навания данных. Слияние технологий нового элек- тронного устройства в сочетании с аналитической системой ИИ способ- ствовало развитию технологии дат- чиков давления на примере TENG и в целом интеллектуальной систе- мы, связанной с процессом сбора, обработки/анализа и передачи дан- ных. Поэтому технологии обучения ИИ из-за высокого уровня производи- тельности во многих типах данных становятся весьма предпочтитель- ным вариантом машинного обуче- ния с перспективой для анализа дан- ных от трибоэлектрического датчика для достижения более высокой точ- ности комплексного распознавания. Сверхточная нейронная сеть (CNN) становится ещё одной многообеща- ющей технологией глубокого обуче- ния ИИ для автоматического извле- чения данных от новейших датчиков NENG. Кроме того, одномерный (1D) метод на основе CNN для распозна- вания человеческой деятельности оказался эффективным для общего анализа набора данных, в котором положение признаков в сегменте не сильно коррелирует; таким образом, он подходит для анализа временных последовательностей рассматривае- мых электронных датчиков. В дан- ном случае необработанные данные из электронного устройства, содер- жащие разнофакторную информа- цию о динамическом цикле поход- ки, такую как скорость походки, контактное усилие между стопами и обувью, последовательность срабаты- вания датчиков и индивидуальные манеры (стиль) движения конкретно- го пользователя, интерпретируются для обучающей модели 1D CNN напря- мую без сложных этапов обработки данных [8]. На рис. 16a, b показана иденти- фикация шаблона походки участ- ников, применяющих устройство с одним датчиком, с помощью метода 1D CNN. Набор данных создан из ана- лиза и тестов разных участников экс- перимента (женщина с весом 45 кг; женщина с весом 40 кг, 60 кг; муж- чины соответственно с весом 55, 60 и 70 кг), когда они ходили обычным образом, но равное время по коридо- ру длиной 15 м в течение примерно 600 секунд. Затем средние 500-секунд- ные данные (16 000 точек данных в условиях стабильного стиля ходьбы) были сегментированы и дифференци- рованы. Для каждого участника экс- перимента полученные данные были разделены. Хотя электронное устройство с одним датчиком демонстрирова- ло относительно хорошую точность дифференциации моделей поход- ки участников, точность показаний датчиков может значительно сни- зиться по мере увеличения числа участников, поскольку отсутствует пространственно-временно́е обна- ружение давления стопы каждого. Использование даже небольшого датчика размером 3×3 см для полу- чения и анализа выходных сигналов, полученных в разных точках стопы, показано на рис. 18. Большее напряжение означает луч- шую чувствительность для различе- ния моделей походки разных людей; таким образом, разработчики выбра- ли несколько мест с наибольшим давлением для дальнейшего иссле- дования. При прикреплении много- пиксельной матрицы датчиков (не менее трёх) к интеллектуальному электронному устройству, послед- нее помогает в более сложном анали- зе походки и потенциально повыша- ет точность измерений для большей группы участников. Выходные сигналы датчиков пока- зывают незначительную зависимость ввиду помех от ношения разной обуви, что демонстрирует хоро- шую стабильность и адаптивность интеллектуального устройства при мониторинге походки. Необходимо отметить, что все рассматриваемые исследования проводились неодно- кратно, многомерно и именно в гори- зонтальной плоскости воздействия стопы: без учёта данных, когда поль- зователь бежал в гору или, к приме- ру, вскарабкивался на отвесную стену в формате альпинистского туризма. В последних случаях данные могут быть другими или рекомендованны- ми к уточнению будущими исследо- ваниями. Что касается электронного устрой- ства с тремя датчиками, после при- менения того же метода сбора дан- ных трибоэлектрические сигналы Рис. 17. Иллюстрация изменений состояния датчиков при разных воздействиях стопы на основание Напряжение (В) Напряжение (В) Напряжение (В) Напряжение (В) Считать Считать Бег Бег Ходьба Ходьба Прыжок 3й пиксель 3й пиксель 2й пиксель 2й пиксель 1й пиксель 1й пиксель Прыжок Считать Считать 0 0 0 0 2 2 4 4 0 0 100 100 100 100 200 200 200 200 300 300 300 300 400 400 400 400 2 2 2 2 2 2 4 4 4 4 4 4 0 0 0 0 0 0