传统笔迹识别主要依赖人工比对，存在实时性差、效率低、成本高等问题；而基于AI图像识别的方法虽实现了自动处理，却在抗伪能力与准确率方面仍存在不足，难以满足高安全场景的需求。近日，西安电子科技大学张维强副教授、吕晓洲教授联合北京纳米能源与系统研究所王中林院士和兰州理工大学邓林峰教授，提出了一种融合摩擦电传感器阵列与深度学习技术的高精度笔迹识别方案，显著增强了对临摹、描摹签名的判别能力，为信息安全提供了全新解决路径。该研究构建了一套基于摩擦纳米发电机（TENG）和深度学习算法的自驱动笔迹识别系统（HWIS）。系统由摩擦电传感器阵列构成的自供能手写信号采集装置、深度学习特征提取模块以及单类支持向量机分类器组成，可实现对签名行为全过程的高精度记录与真伪判断。
签名作为一种常见的行为生物识别方式，与指纹一样具有高度个体唯一性。由于具备法律效力，签名广泛应用于商业交易、政务系统以及刑事司法等多个重要领域。然而，随着技术的发展，签名伪造手段日益多样，如临摹、描摹等方式屡见不鲜，真假难辨，严重威胁信息安全。
传统笔迹识别主要依赖人工比对，存在实时性差、效率低、成本高等问题；而基于AI图像识别的方法虽实现了自动处理，却在抗伪能力与准确率方面仍存在不足，难以满足高安全场景的需求。近日，西安电子科技大学张维强副教授、吕晓洲教授联合北京纳米能源与系统研究所王中林院士和兰州理工大学邓林峰教授，提出了一种融合摩擦电传感器阵列与深度学习技术的高精度笔迹识别方案，显著增强了对临摹、描摹签名的判别能力，为信息安全提供了全新解决路径。该研究构建了一套基于摩擦纳米发电机（TENG）和深度学习算法的自驱动笔迹识别系统（HWIS）。系统由摩擦电传感器阵列构成的自供能手写信号采集装置、深度学习特征提取模块以及单类支持向量机分类器组成，可实现对签名行为全过程的高精度记录与真伪判断。
在实际应用中，签名者在采集装置上书写时，由于摩擦起电效应，TENG阵列能同步产生电信号，不依赖外部电源即可精确记录书写动态过程。这些原始信号蕴含丰富的个体行为特征，经过深度学习模型提取后，输入至支持向量机分类器，最终完成笔迹真伪识别。得益于TENG的高灵敏度和深度学习算法的强大特征提取能力，该系统在保持超低功耗的前提下显著提升识别准确率，展现出在高安全级别的行为生物识别与身份认证场景中的广阔应用前景。
图1. 笔迹识别概览。（A）典型笔迹识别应用场景。（B）传统的笔迹识别方法。（C）由深度学习方法实现的 HWIS 和基于摩擦电传感器阵列的自供电手写信号采集装置的示意图。（D）真迹样本和伪造者笔迹样本分类过程的示意图。（E）摩擦电传感器阵列实物图。（F）完全封装的摩擦电传感器单元结构示意图。
摩擦电传感器在运行过程中会受到多种外部因素的影响。为全面评估其性能，研究团队系统测试了传感器在不同工况下的响应特性，包括激励频率、施加力以及触点间分离间隙等关键参数，构建了完整的性能表征体系。在本研究中，输出电压的幅值与频率可有效映射书写者的笔迹行为特征，成为个体识别的重要依据，显著增强了识别的准确性与可靠性。另一方面，器件的耐用性也是其实际应用的关键指标。如图2F所示，在施加2 N驱动力、2 Hz工作频率的条件下，传感器经历连续25,000次循环后仍保持稳定的电输出，展现出优异的结构稳定性与电学可靠性。这一结果表明该器件具备良好的耐久性，可满足长时间连续运行的应用需求，进一步推动其在智能识别与信息安全领域的落地应用。
图2. 摩擦电传感器的工作原理和输出特性。（A）摩擦电传感器的工作原理。（B）不同频率下的开路电压。（C）不同驱动力下的开路电压。（D）不同接触分离距离下的开路电压。（E） 不同相对湿度下全封装摩擦电传感器的开路电压。（F）全封装摩擦电传感器的稳定性和耐久性测试。
描摹是笔迹伪造中最常见且最具迷惑性的手段之一。通过在原始签名上直接临摹，伪造者往往能够生成在外观上与真迹极为相似的笔迹图像，给传统静态图像识别方法带来巨大挑战。本研究基于自主开发的HWIS系统，通过采集书写过程中的动态摩擦电信号，可实现对描摹伪造的高效识别。在实验设置中，一名真实签名者提供标准笔迹，多名参与者以伪造者身份对其签名进行描摹模仿。尽管从静态图像上看，这些伪造签名在笔迹形态上与真迹几乎无法区分，但HWIS系统采集到的动态信号为完整的时间序列数据，记录了整个书写过程中的行为特征，如书写速度、加速度、按压力度与笔画节奏等。由于不同个体在书写动态上的差异在摩擦电输出中具有高度区分性，HWIS系统能够基于这些细微但稳定的行为特征，有效判别签名的真伪。实验结果显示，该系统在面对描摹伪造情境时依然保持出色的识别性能，展现出其在高安全性身份验证领域的巨大潜力。
图3.英文字符 “Nature”、汉字 “自然” 和数字字符 “2022.03.24” 的手写笔迹信号及其真伪对比。（A） 使用摩擦电传感器阵列收集手写信号的过程示意图。（B-D）真实书写者L的笔迹图像和笔迹信号。（E-G）伪造者M的描摹笔迹图像和笔迹信号。（H-J） 伪造者S的描摹笔迹图像和笔迹信号。（K-M） 伪造者W的描摹笔迹图像和笔迹信号。（N-O）伪造者W的描摹笔迹图像和笔迹信号。
为提升笔迹识别的准确性，研究团队构建了一种融合图像与动态信号处理的新型机器学习架构，旨在更全面地挖掘签名者的个体化笔迹特征。鉴于在实际应用中较难获取伪造者的大量数据，本研究聚焦于从真实签名者的笔迹中提取深层行为特征，采用单类分类策略实现真伪识别。该架构结合了轻量级神经网络MobileNetV2与单类支持向量机（OC-SVM）分类器：MobileNetV2负责高效提取签名者在图像或动态信号中的个体特征，而OC-SVM则用于训练学习其在特征空间中的独特表征，使OC-SVM具有排他性，从而实现对异常（伪造）样本的识别判断。实验分别基于传统笔迹图像与HWIS系统采集的动态摩擦电信号进行对比测试。结果显示，基于动态信号的识别准确率显著高于图像识别方法，表明HWIS系统所采集的书写过程数据蕴含更加丰富的个体行为特征，具有更强的笔迹识别与安全验证能力，尤其适用于高安全性需求的实际应用场景。
图4. HWIS系统与笔迹识别结果对比分析。（A）基于笔迹图像的识别系统整体架构。（B）用于图像特征提取的二维轻量级神经网络模型（2D-MobileNetV2）结构。（C）真迹作者的笔迹图像和伪造者仿制的英文、中文和数字字符笔迹图像的识别精度。（D）基于动态手写信号的HWIS系统整体结构框架。（E）用于动态信号特征提取的一维轻量级神经网络模型（1D-MobileNetV2）结构。（F）HWIS系统在英文、中文及数字笔迹识别任务中对真实签名与伪造签名的分类准确率。
在此基础上，研究团队进一步构建了一套集手写信号采集、无线传输与智能识别于一体的综合系统。该系统采用基于摩擦电传感器阵列的自供能装置对动态手写过程进行高精度信号记录，并支持多终端实时显示，实现了跨平台的数据同步与访问。为提升数据管理效率与安全性，系统还集成了云端服务功能，能够将采集到的手写信号自动上传至数据云平台，实现数据的远程备份与集中管理。用户可在任意终端便捷调用笔迹数据，完成识别与验证操作，不仅显著提升了签名信息的安全保障能力，也增强了系统在多场景下的实用性与操作灵活性。
图5.手写信号采集、无线传输、上传到数据云并在多终端上显示。（A）系统的流程图，包括手写模拟信号采集、处理/无线传输、人工智能和识别。（B）由摩擦电传感器阵列组成的手写信号采集和无线传输系统的照片。（C）手写信号数据上传到数据云。（D）手写信号数据无线传输到多个终端并显示。
Advanced handwriting identification: Triboelectric sensor array integrating with deep learning toward high information security
Weiqiang Zhang*, Linfeng Deng, Xiaozhou Lü*, Mingxin Liu, Zewei Ren, Sicheng Chen, Yuanjin Zheng, Bin Yao, Weimin Bao, Zhong Lin Wang*
Citation: InfoMat, 2025, e70002
DOI: 10.1002/inf2.70002
声明：此文是出于传递更多信息之目的。部分图片、资料来源于网络，版权归原作者所有，如有侵权请联系后台删除。
