Nature Sensors最新！柔性触觉传感器与忆阻器双剑合璧！

一、研究背景

随着物联网（如可穿戴健康监测、自动驾驶、智能机器人）的快速发展，互联传感器节点数量激增，产生海量数据。传统传感系统采用帧基模式，需将模拟信号转换为数字信号后传输至数字平台处理，存在模数转换、数据传输带来的高能耗和高延迟问题，难以满足边缘端实时数据处理需求。

事件型传感器仅在信号幅度发生显著变化时输出信号，可提升数据稀疏性，但商用事件型传感器仍需将模拟输出转为二进制格式，未能充分发挥模拟传感的潜力。忆阻器因可直接在存储器件中处理模拟信号，成为近传感器计算的理想硬件，但现有研究多局限于图像传感器，缺乏事件型传感与忆阻计算平台的高效融合方案。

二、研究亮点

1. 提出端到端神经形态传感系统，首次整合柔性压电触觉传感器阵列、事件触发预处理电路与忆阻片上系统（SoC），实现从传感信号捕获到模式识别的全流程模拟内存计算，无需离线数据传输。

2. 创新设计了事件触发预处理电路，将传感器的瞬态电压尖峰转为指数衰减波形，构建时间表面以保留时空信息，数据稀疏性显著优于传统帧基系统，从源头降低能耗和延迟。

3. 系统性能优异：模式识别准确率达87%-92%，推理阶段能量延迟积较传统数字平台（Intel Core i9-14900K+AD9002）降低17倍，能效达21.3 TOPS/W，适配边缘低功耗场景。

三、研究内容

 图1：系统架构与传统系统对比

图1a：压电传感器阵列实物，尺寸3cm，可检测动态压力变化并生成尖峰信号。

图1b：传统帧基系统的数据采集流程，需经放大、ADC数字化，固定频率读取所有通道，数据冗余大。

图1c：传统冯·诺依曼架构计算流程，内存与CPU分离，数据传输能耗高（冯·诺依曼瓶颈）。

图1d：事件触发电路工作原理，仅激活含事件的通道，捕获时空信息并转换为衰减波形。

图1e：忆阻SoC结构，含10个VMM计算核心、RISC-V CPU及外围电路，下方为传感器、预处理电路、SoC的实物图。

系统整体架构由三大核心模块组成，形成“传感-预处理-计算”闭环：

柔性压电触觉传感器阵列：基于聚偏氟乙烯（PVDF）薄膜，无电源需求，仅响应动态压力变化（按压、释放、弯曲等），输出异步离散电压尖峰；4×4阵列用于验证可行性，32×32模拟阵列用于 scalability 测试。

事件触发预处理电路：采用传感器像素与预处理单元一对一连接，每个单元含仪表放大器、模拟开关和RC电路；仅当传感器输出尖峰超过阈值时触发开关，电容充电后自然放电形成衰减波形，忠实保留事件的时空序列信息。

忆阻片上系统（TetraMem MX100）：含10个248×256忆阻交叉阵列（用于向量-矩阵乘法VMM）、RISC-V处理器及外围电路，直接对时间表面进行模拟域聚类和分类计算，避免模数转换。

图2：传感器结构与信号转换

图2a：传感器分层结构，从下至上为Au底电极、PVDF传感层、Au顶电极与互连、PDMS封装层。

图2b：16个传感器像素的原始输出信号，显示按压时的正向尖峰和释放时的反向尖峰。

图2c：单个像素信号细节，尖峰持续数十毫秒，反映按压-释放的动态过程。

图2d：传感器与预处理电路的一对一连接示意图，每个电路单元含仪表放大器、模拟开关和RC电路。

图2e：信号转换示例，红色为传感器尖峰信号，蓝色为电路输出的指数衰减波形，t1时刻尖峰超阈值触发开关充电，t2时刻信号低于阈值开关关闭，电容放电形成衰减波形。

图3：时间表面计算实验（3字母识别）

图3a：时间表面生成过程，事件1触发中心像素P3的峰值电压，后续事件触发新峰值与前一事件的残留电压，形成含时空信息的时间表面序列（TS1、TS2、TS3）。

图3b：时间表面聚类流程，聚类中心映射为忆阻阵列电导矩阵，输入时间表面向量与电导矩阵进行VMM，统计各特征出现次数（C1-Cn）。

图3c：SLP分类流程，特征计数向量与SLP权重矩阵进行VMM，输出分类结果。

图3d：“T”“C”“L”的手写按压序列示意图，展示不同字母的事件触发顺序。

图3e：忆阻阵列的聚类中心电导图（左）和SLP权重电导图（右），颜色深浅表示电导值大小（西门子）。

图3f：混淆矩阵，“T”识别准确率100%，“C”与“L”存在少量交叉误判，颜色条表示样本计数。

核心计算方法：时间表面基计算

时间表面构建：以事件发生像素为中心，取3×3（或5×5）邻域的位置信息（x,y）和电压衰减值，形成时间表面向量；边缘像素采用零填充，确保特征完整性。

两阶段计算流程：

  1. 聚类阶段：采用小批量k均值算法（余弦相似度度量），将时间表面向量映射到忆阻交叉阵列，通过VMM计算相似度，统计每个聚类中心的特征出现频次，生成特征分布直方图。

  2. 分类阶段：将特征分布直方图输入预训练的单层感知器（SLP），SLP权重存储于忆阻阵列，通过VMM输出分类结果。

图4：手写数字识别实验

图4a：32×32模拟阵列的数字书写示意图，灰色阴影表示残留电压幅度，浅色为早期事件，深色为晚期事件，每个数字含顺时针（a）和逆时针（c）两种模式。

图4b：聚类中心的忆阻电导图，展示15个聚类中心的权重分布。

图4c：SLP权重的忆阻电导图，用于20类分类任务。

图4d：混淆矩阵，多数类别识别准确，“7c”（7逆时针）与“9a”“9c”（9的两种方向）存在较明显误判。

图4e：准确率对比，软件模拟93.83%，硬件实现91.83%。

图4f：能量延迟积对比，忆阻系统（14.86 pJ·s）较传统数字平台（254.7 pJ·s）降低17倍。

实验验证

实验一：3字母识别（4×4阵列）：识别手写“T”“C”“L”（离散按压序列），配置4个聚类中心，3×3时间表面（11维向量），硬件识别准确率86.67%，“T”识别完全准确，“C”与“L”因局部模式相似存在轻微混淆。

实验二：手写数字方向识别（32×32模拟阵列）：数据集含0-9数字的顺时针/逆时针书写模式（共20类，7500个样本），配置15个聚类中心，5×5时间表面，软件模拟准确率93.83%，硬件实现准确率91.83%，主要混淆集中于“7”和“9”的方向变体。

对比实验：在同一忆阻平台实现CNN方法（基于最终衰减信号的静态快照），3字母识别准确率100%，20类数字识别准确率99.83%，但CNN依赖全局特征，延迟高且对RC参数敏感，而事件型方法更适配实时边缘场景。

四、总结与展望

本研究设计并实现了一种基于事件的神经形态传感系统，通过整合柔性压电触觉传感器、事件触发预处理电路和忆阻SoC，突破了传统数字传感系统的能耗和延迟瓶颈。系统利用时间表面保留事件时空信息，通过忆阻模拟内存计算实现高效聚类与分类，在模式识别任务中达成87%-92%的准确率，能量延迟积较传统数字平台降低17倍，为边缘端低功耗智能传感提供了全新方案。

文献链接：https://www.nature.com/articles/s44460-025-00013-z