随着人工智能、人机交互和可穿戴电子设备的蓬勃发展，高性能压力传感器的需求日益迫切。然而，传统气凝胶传感器存在弹性不足、灵敏度低、检测范围有限（0.1–100 kPa⁻¹）、信号稳定性差及依赖高碳排放的石油基原料等问题。尽管压阻式传感器因高响应速度和稳定性被视为下一代压力传感器的理想候选，但其基材弹性不足和接触电阻变化有限仍制约性能突破。
受木材细胞多尺度组装结构的启发，华南理工大学邱学青教授、刘伟峰教授、舒琳高级工程师合作提出一种多尺度微结构调控策略，成功制备出超弹性木质素/纤维素/聚吡咯气凝胶（S-DF-LCEA@PPy）。该材料通过分子网络结构（刚性木质素与柔性纤维素链交联）、定向微孔结构及导电界面结构的协同设计，实现了94.91%的应力保留率（500次压缩循环后），并具备超低检测限（4.6 Pa/0.01%应变）、超高灵敏度（160.93 kPa⁻¹）及毫秒级响应速度（11/38 ms）。结合深度学习算法，该传感器为主动健康监测与人机交互提供了全新平台。
图1 揭示了S-DF-LCEA@PPy的制备流程与应用场景。研究团队以线性分子结构的羟乙基纤维素（HEC）为柔性链段，三维多芳环结构的碱木质素（AL）为刚性交联点，通过环氧氯丙烷的开环反应构建刚柔并济的凝胶网络。随后采用定向冷冻技术形成规整微孔结构（孔壁厚度优化至0.57 μm），并通过静电作用与氢键吸附吡咯单体，原位聚合形成均匀聚吡咯（PPy）导电网络。最后经硅烷化处理提升耐湿性，确保信号稳定性。
图1. S-DF-LCEA@PPy的制备示意图及其应用场景。
图2-3 展示了机械性能优化机制。通过调控木质素含量（HEC:AL=1:1）、交联剂用量（11 V% ECH）及溶胀时间（24小时），气凝胶获得最佳弹性（图2c-e）。有限元模拟（图3f-h）证实：薄孔壁（0.57 μm）与小孔径（50 μm）结构可高效分散应力，避免塑性变形。定向冷冻气凝胶（DF-LCEA）在80%应变下仍保持90%的回复率，500次循环后应力保留率达94.91%，显著优于现有生物质气凝胶（图2i）。
图2. a) LCEA与DF-LCEA的最大应力保留率(MSR)和能量损失率(ELR)对比 b) LCEA与DF-LCEA的孔结构对比 气凝胶的MSR与ELR性能汇总： c) 不同木质素含量 d) 不同环氧氯丙烷含量 e) 不同溶胀时间 f) DF-LCEA在不同应变下的高度恢复率 g) DF-LCEA在50%应变下500次循环的应力-应变曲线 h) DF-LCEA经500次循环的MSR与ELR变化 i) 本工作与海藻酸盐/Mxene/聚二甲基硅氧烷气凝胶、CNF/AL气凝胶、纤维素/壳聚糖/氧化石墨烯气凝胶、生物质基复合气凝胶、CNF/Mxene气凝胶、木材衍生导电气凝胶、CNF基气凝胶的弹性与回弹性对比。
图3. 凝胶网络模型示意图 a) 均匀交联网络（最优） b) 刚性交联点不足（木质素） c) 刚性链过量（木质素） 孔结构模型示意图： d) 均匀分布孔结构（孔壁薄、孔径小，最优） e) 无序大孔结构 圆形结构有限元分析： f) 孔径=50μm，孔壁厚=0.57μm g) 孔径=50μm，孔壁厚=2.39μm h) 孔径=230μm，孔壁厚=0.57μm。
图4 凸显了传感性能的飞跃。定向微孔结构与丰富导电网络的结合，使传感器在4.6–144.2 Pa区间灵敏度高达160.93 kPa⁻¹（图4g），应变检测GF值达3364（0.01–0.19%应变）。超低检测限可响应耳咽管吹气球产生的微小压力（图4i对比数据）。此外，传感器在1000次循环后信号稳定性超90%，响应延迟近乎为零（图4l）。
图4. a) 导电气凝胶在0.1%、0.5%、1%应变梯度下的灵敏度 b) 气凝胶吡咯负载率、电阻及电导率随浸泡时间的变化 c) LCEA@PPy与DF-LCEA@PPy的灵敏度对比 d) 0.5%应变梯度下ΔR/R0随时间变化 e) 不同应变(0.01–5%)下的重复传感响应 f) 不同施压速率下的信号稳定性 g) S-DF-LCEA@PPy在4.6–313.1 Pa压力区间的灵敏度 h) S-DF-LCEA@PPy在0.01–0.19%应变区间的应变系数 i) 本工作与已报道生物质基气凝胶传感器的灵敏度及检测限对比 j) S-DF-LCEA@PPy高灵敏度响应机理 k) 压缩响应时间与回弹响应时间 l) 理论响应时间与实际响应时间的拟合曲线 m) 5%应变下1000次循环的信号稳定性 n) 轴向传感性能。
图5 演示了健康监测应用。S-DF-LCEA@PPy可精准捕获人体细微活动：吞咽时喉部节律性运动（图5a）、语音识别（“Cellulose”音节波形，图5b）、实时脉搏监测（71次/分钟，图5c）及关节大幅度弯曲（肘部0°–90°摆动信号，图5d-g）。其低应变感知能力为心血管疾病早期预警提供可能。
图5. 微幅人体运动检测： a) 咽喉吞咽 b) 语音检测 c) 脉搏检测 大幅人体运动检测： d) 肘部运动 e) 腕部运动 f) 膝部运动 g) 踝部运动 h) 前掌步态 i) 实时心率监测系统。
图6 展现了深度学习赋能的交互应用。搭载传感器的体感手套可无线操控机械手抓取不规则物体（图6a-b）。基于5层MLP神经网络的手语识别系统，对7种美国手语手势（“A”至“F”）的识别准确率达96.33%（图6g），响应时间仅296毫秒（图6h-i）。此外，4×4传感器阵列可重构空间压力分布，精准定位“L”形物体（图6j）。
图6. 基于体感手套的机械手掌无线控制： a) 手指弯曲控制 b) 通过体感手套无线控制机械掌抓取不规则物体 c) 体感手套及其信号采集传输单元 d) 手势识别系统后端 e) 手势识别算法的神经网络结构 f) 基于美国手语的七种手势形态照片及对应电阻波形 g) 手势分类准确率混淆矩阵(%) h) 手语字母"A"识别 i) 手语字母"B"识别 j) "L"形物体（中部张开）的空间应力感知。
未来应用前景广阔
该研究通过仿生多尺度结构设计，为高性能生物质传感器树立了新标杆。S-DF-LCEA@PPy兼具超弹性、超高灵敏度和毫秒级响应能力，在人体健康监测（脉搏、关节活动）、语音识别、人机交互及电子皮肤领域展现巨大潜力。结合深度学习算法，该平台有望推动主动式健康管理和无障碍通信技术的革新。
声明：仅代表作者个人观点，作者水平有限，如有不科学之处，请在下方留言指正！
