何亞奇 / 工研院機械所
前言
IEEE SENSORS 研討會是一個具有高度國際聲譽的盛會，專注於感測器技術及其應用領域的最新進展。該研討會由IEEE感測器理事會(IEEE Sensors Council)主辦，吸引來自全球的研究人員、工程師及業界專業人士，共同討論感測器系統、感測器網絡及其在各領域中的應用。研討會的議題涵蓋感測器設計、訊號處理、感測器網絡等領域，並探討其在醫療保健、環境監測、汽車工業及自動化等領域的應用。會議包括：主題演講、技術報告、專題討論和展覽，為與會者提供分享先進研究、交流創新想法及促進合作的寶貴平台。
研討會精摘
一、A flexible and self-powered chitosan-BaTiO₃ composite pressure sensor for e-skin applications
發表單位：University of Glasgow, Scotland, UK
在本議程中提出一種新型的柔性自供電壓力感測器，專為電子皮膚(e-skin)應用設計，採用甲殼素-鈦酸鋇(BaTiO₃)奈米粒子製成的有機-無機混成複合材料。隨著可穿戴設備和柔性電子技術的迅速發展，電子皮膚作為一種具備模擬人類皮膚觸覺感知能力的技術，已成為未來智慧型義肢、機器人及人機交互系統中極為重要的組件。
為了實現電子皮膚的高靈敏度、柔韌性以及自供電能力，研究者探索多種新型材料，這款感測器就是基於甲殼素與鈦酸鋇的有機-無機複合材料。該複合材料的優勢在於，它能顯著提升壓力感測器的靈敏度與柔韌性，並在應用中表現出比現有技術更優越的性能。與傳統的壓力感測器相比，這款新型感測器展現顯著 的改進，尤其是在靈敏度和耐用性方面。感測器的靈敏度達到238 mV/kPa和1,705mV/Hz，這意味著它能夠準確感應極微小的壓力變化，並且在不同頻率下也能保持穩定的響應性能。此外……
二、Gas recognition based on Deep-Convolutional Neural Network: Portable Impedance Analyzer
發表單位：LICAM School of Engineering, France
本研究提出一種基於深度卷積神經網路(D-CNN)的便攜式阻抗分析儀，專門用於氣體識別。氣體檢測技術在許多需要維持安全和環境標準的應用中具有重要意義，例如在化工、製藥、環境監測等領域。傳統的氣體檢測方法往往需要較複雜的設備和高成本的感測器，而本研究所提出的系統，通過結合阻抗光譜技術和深度學習算法，實現一個高效且便攜的氣體識別平台。
本系統利用15個導電細胞來進行氣體識別。每個細胞中使用滴鑄導電聚合物poly(3-hexylthiophene)與14種不同的三氟化物鹽進行調整，這些材料的組合能夠對氣體的阻抗進行有效的變化，使得系統能夠檢測到不同氣體的特徵信號。這些導電細胞不僅能夠提供高靈敏度的測量，還能在不同濃度下準確識別多種氣體，包括：丙酮、甲醇、異丙醇、乙醇和水等。另外，統利用基於深度卷積神經網絡(D-CNN)的模型，該神經網絡包含……
圖二、氣體檢測實驗架構
四、Enhancing Bioimpedance Tissue Classification with Elastography Sensor Data via Multimodal Learning
發表單位：Institute for System Dynamics, University of Stuttgart, Germany; Institute for Applied Physics, University of Tubingen, Germany
本研究探討了通過結合多模態感測器數據來提升生物阻抗組織分類的準確性，特別是在將彈性成像數據與生物阻抗技術相融合的背景下進行分析。隨著醫學領域對於精確診斷與治療需求的增加，融合多種感測器數據在手術過程中可以顯著提升決策準確性，為醫療人員提供更可靠的信息來輔助治療。然而，儘管在電學與機械學領域中已有令人鼓舞的單模態研究成果，將多種感測器數據進行有效融合仍然是一大挑戰，尤其是在推理階段，並非所有感測器模態都能同時可用的情況下，這對感測器數據融合方法的實用性提出了更高的要求。
因此，本研究提出一個靈活且高效的框架，旨在通過多模態訓練來改善單模態分類精度。這一框架充分發揮各類感測器數據的優勢，並且能夠根據具體情況選擇不同的感測器進行數據融合，克服傳統單一模態方法在特定情況下的侷限性。 其核心方法是使用水流彈性成像(WaFE)感測器對組織進行 ---以上為部分節錄資料，完整內容請見下方附檔。
圖四、多模態學習方法檢測結果和結論