CEJ：用于运动训练的基于扭转结构石墨烯纤维的高性能压力传感器

背景介绍

随着可穿戴电子设备、人机交互系统及智能运动训练技术的飞速发展，柔性压力传感器在人体生理信号监测、动作识别及训练矫正等领域展现出巨大的应用价值。特别是在涉及精细动作分析和技能提升的场景中，传感器不仅需要对微小压力变化保持高灵敏度，还需在较宽的压力范围内维持稳定的输出，同时具备快速响应和长期的循环稳定性。然而，在压阻式柔性压力传感系统中，高灵敏度与宽检测范围往往难以兼得：增强对微小形变的响应通常会导致传感器在低压区迅速达到饱和；而通过增加结构致密性来扩展检测范围，则往往会牺牲低压区的灵敏度。因此，如何通过可控的结构设计实现高灵敏度与宽测量范围的协同优化，仍是柔性压力传感材料领域亟待解决的关键问题。

作为一种典型的二维碳材料，石墨烯兼具优异的导电性、机械强度和柔韧性，在压阻式压力传感领域备受关注。基于石墨烯构建的压力传感器已发展出多种结构形式，包括气凝胶、薄膜和纤维。Chen 等人利用冷冻铸造技术制备了一种竹纤维/石墨烯气凝胶压力传感器，其检测范围高达 300 kPa，但最大灵敏度仅为 0.59 kPa⁻¹。这主要归因于气凝胶骨架整体致密化的形变机制，导致单位压力下的电阻变化有限。此外，此类气凝胶结构体积相对较大，在与弯曲人体表面实现共形接触以及轻量化可穿戴应用方面存在一定局限性。He 等人制备了一种基于石墨烯/PDMS 的薄膜型压力传感器。尽管实现了 1875.5 kPa⁻¹ 的高灵敏度，但其工作范围仅限于 40 kPa。虽然薄膜结构便于器件制造与集成，但其响应范围往往受限于有限的可压缩变形空间。相比之下，纤维结构兼具一维连续导电网络与易于加工成型的优势。它们不仅能便捷地集成到纺织系统中，还能在多节点接触网络内实现应力传递与电信号放大，从而成为构建高性能柔性传感器的理想选择。

迄今为止报道的大多数石墨烯纤维（GF）均采用湿法纺丝制备。在以轴向拉伸为主导的流场作用下，氧化石墨烯（GO）片层倾向于沿纤维轴向高度取向排列，并形成高度有序的层状堆叠结构。尽管这种高度有序的层间堆叠有利于提高导电性和抗拉强度，但过于规则的结构增加了纤维的整体刚度，降低了其形变顺应性。在反复压缩过程中，材料更容易出现局部应力集中和微裂纹扩展，从而损害其耐久性和循环稳定性。因此，仅依赖传统的轴向取向层状堆叠模式，难以同时实现高导电性和可压缩的结构冗余度。为了提升传感性能，研究人员探索了多种策略，包括化学掺杂、多组分复合、构建多孔结构以及聚合物辅助的导电架构设计。例如，Zhu等人通过同轴湿法纺丝将TPU和TiO2引入GO中，以增强GF的耐久性。然而，关于纯GF用于压力传感的研究仍然相对有限。现有工作主要依赖掺杂或复合手段来提升性能，而对纺丝过程中GO片层的本征组装行为的调控关注不足。虽然这些方法在一定程度上能增加结构可压缩性或调节接触界面，但往往伴随着导电性下降、力学性能减弱或结构可控性受限等问题。此外，大多数方法涉及制备后的结构改性，难以从根本上控制组装过程中石墨烯片层的空间排列。相比之下，通过调控湿法纺丝过程中的流场来直接引导GO液晶的可控重排，为多尺度结构设计提供了一种更具本征性且可调控的途径。与我们之前基于扁平致密化或非均匀致密化架构（主要优化宏观导电接触构型）的GF压力传感器不同，本工作侧重于通过流场工程调控湿法纺丝过程中GO液晶的本征组装行为。通过利用静态混合喷丝头引入旋转剪切力，在纤维成型过程中直接构建连续扭转的导电架构，从而实现压缩过程中导电网络的渐进式演变，在不牺牲本征导电性的前提下增强了压力响应性能。

本文亮点

1. 本工作在湿法纺丝过程中引入静态混合管式喷丝头以调控剪切流场，诱导氧化石墨烯（GO）液晶发生扭转组装，从而构建出具有连续扭转导电结构的石墨烯纤维（GF）。

2. 所制备的纤维保持了 1.04 × 10⁴ S/m 的高电导率，同时具备 204.8 MPa 的机械强度和良好的柔韧性。

3. 以该 GF 织物作为传感层构建的柔性压力传感器，实现了 93.98 kPa⁻¹ 的高灵敏度和 300 kPa 的宽检测范围，并具有 63 ms 的快速响应特性以及超过 10,000 次循环的优异稳定性。

4. 该传感器被应用于乒乓球训练系统，可实时监测运动信号及球体撞击位置。结合 XGBoost 机器学习算法，其多手势识别的平均准确率达到 98.33%。

图文解析

图1. GF的设计与应用。(a) GF制备示意图。(b) 静态混合管喷丝头内GO流动示意图。(c) GF传感器制备示意图。(d) 传感机理示意图。(e) GF传感器的应用。

图2. (a) GF-5、GF-15、GF-25和GFY-15的表面XRM图像（从左至右；比例尺分别为200、200、250和200 μm）。(b) 不同GF的横截面SEM图像。(c) 不同入口流速下的压力分布（单位：Pa）。(d) 流速为15 mL/h时，静态混合管喷丝头通道横截面上的剪切速率分布（单位：1/s）。(e) 不同入口流速下出口处的剪切速率分布（单位：1/s）。(f) GF的实物照片（比例尺：80 mm）。(g) 扭曲和弯曲状态下GF的实物照片（比例尺：5、12 mm）。(h) GF的可加工性（比例尺：15 mm）。(i) GF的柔韧性（比例尺：15 mm）。

图3. GF的结构表征。(a) 还原前后GF-15的XPS光谱。(b) 还原前后GF-15的C1s XPS光谱。(c) 还原前的拉曼光谱。(d) 还原后的拉曼光谱。(e) 还原前的二维XRD图谱。(f) 还原后的二维XRD图谱。(g) 电导率。(h) 力学性能。(i) 模量与韧性。

图4. GF压力传感器的传感性能。(a) 不同经纱中心间距的GF传感器的结构示意图及相对电流变化与压力关系曲线。(b) GF传感器的灵敏度曲线。(c) 不同压力载荷下的I-V曲线。 (d) 响应与恢复时间。(e) 不同压力载荷下的电流响应。(f) 不同压缩速率下的电流响应。(g) 长期耐久性。(h) 灵敏度及检测范围与既往报道压力传感器的对比。

图5. GF 传感器在体育训练中的应用。(a) 乒乓球推挡动作示意图。推挡训练期间：(b) 肘部监测。(c) 腕部监测。(d) 膝部监测。(e) 手指按压力监测。(f) 脚趾发力监测。(g) 用于指导乒乓球训练的 GF 传感器阵列示意图。(h) 一位受过训练的乒乓球爱好者 100 次击球点的分布图。(i) 一位未经训练的初学者 100 次击球点的分布图。

图6. 基于 GF 传感器的机器学习手势识别。(a) 传感器对手指弯曲动作的识别结果。(b) 传感器对不同手势的识别结果。(c) XGBoost 机器学习算法的架构流程。(d) t-SNE 降维可视化。(e) XGBoost 分类器的混淆矩阵。(f) 在同一数据集上测试的四种机器学习算法（XGB、RF、Lasso 和 SVR）的分类准确率结果。

文献信息

High-performance pressure sensors based on twisted-structure graphene fibers for motiontraining

第一作者：Yifan Zhi

通讯作者：Huanxia Zhang，Wei Li，Qianqian Li

通讯单位：东华大学，嘉兴大学

DOI: 10.1016/j.cej.2026.179567