機器學習（ML）和深度學習（DL）技術(shù)正在迅速推動傳感技術(shù)的發(fā)展，顯著提升了其準確性、靈敏度和適應(yīng)性。這些進步正在對包括工業(yè)自動化、機器人、生物醫(yī)學工程和民用基礎(chǔ)設(shè)施監(jiān)測等在內(nèi)的諸多領(lǐng)域產(chǎn)生重大影響。這種變革性轉(zhuǎn)變的核心在于人工智能（AI）與傳感器技術(shù)的緊密融合，著重于開發(fā)高效算法，以推動器件性能的提升并在各類生物醫(yī)學和工程領(lǐng)域加速新應(yīng)用場景的落地。機器學習/深度學習技術(shù)對傳感技術(shù)的貢獻主要分為四個方面：傳感器設(shè)計、校準和補償、目標識別和分類、行為預測。

據(jù)麥姆斯咨詢報道，近日，浙江大學的科研團隊深入研究了機器學習/深度學習算法與傳感器技術(shù)的融合，揭示了它們對傳感器設(shè)計、校準和補償、目標識別以及行為預測所產(chǎn)生的深遠影響。通過一系列示例應(yīng)用，這項研究展示了人工智能算法在顯著升級傳感器功能和擴大其應(yīng)用范圍方面的潛力。此外，該研究還探討了在利用這些技術(shù)進行傳感應(yīng)用時所面臨的挑戰(zhàn)，并對未來趨勢和潛在進展提出了見解。這篇綜述以“AI-Driven Sensing Technology: Review”為主題發(fā)表在Sensors期刊上。Long Chen和Chenbin Xia為該論文的共同第一作者，付浩然特聘研究員為通訊作者。

機器學習/深度學習輔助傳感器設(shè)計

機器學習/深度學習主要通過兩個方面輔助傳感器設(shè)計。首先，開發(fā)了如人工神經(jīng)網(wǎng)絡(luò)等逆向工程模型，以根據(jù)所需性能結(jié)果來設(shè)計目標傳感器的幾何架構(gòu)。其次，在設(shè)計過程中，利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）等算法優(yōu)化傳感器性能，解決諸如測量范圍小、信噪比低以及精度不足等問題。

將人工智能方法融入傳感器的設(shè)計過程，可以縮短設(shè)計時間、降低計算成本，同時最大限度地減少迭代，從而快速開發(fā)出滿足特定環(huán)境或功能需求的架構(gòu)。此外，將機器學習/深度學習算法集成到信號處理階段可以顯著改善關(guān)鍵參數(shù)。然而，人工智能在傳感器設(shè)計中的作用面臨著挑戰(zhàn)，包括為促進設(shè)計的人工智能算法需要大量訓練。此外，由于算法無法解釋器件的多場響應(yīng)的復雜相互作用，導致其無法預測性能隨時間發(fā)生的變化，例如老化，因此預先訓練的模型有過時的風險。這凸顯了人工智能驅(qū)動的傳感器設(shè)計在通用性方面的局限性。

校準和補償

在工作過程中，傳感器經(jīng)常會因電壓波動、溫度變化或其它環(huán)境因素而出現(xiàn)信號漂移，從而導致測量結(jié)果失真。為了解決這一問題，機器學習/深度學習算法采用了兩種策略：首先，在校準過程中采用極限學習機（ELM）和多層感知機（MLP）等算法來考慮各種環(huán)境因素的影響，從而減少重復校準測試的需求，縮短校準時間，并提高精度；其次，在使用過程中引入多層感知機和卷積神經(jīng)網(wǎng)絡(luò)等算法，自動補償環(huán)境中遇到的各種干擾。

人工智能算法可以在傳感器校準過程中減少因環(huán)境變化、電壓波動和其他因素造成的誤差，或者在傳感器使用過程中自動補償因環(huán)境變化、電壓波動和器件老化等因素造成的誤差。然而，人工智能在校準和自動補償中的應(yīng)用面臨著一些挑戰(zhàn)。機器學習/深度學習模型的本質(zhì)是黑箱模型，難以定量解釋導致器件漂移的各種因素的比例，從而限制了對傳感器設(shè)計改進的指導。此外，機器學習/深度學習模型訓練通常需要大量的數(shù)據(jù)和計算資源，而且模型的有限通用性可能導致其在新環(huán)境中表現(xiàn)不佳。

識別和分類

在傳感器應(yīng)用中，人工智能不僅僅局限于信號收集，還能夠?qū)δ繕撕蛻?yīng)用場景進行識別和分類。人工智能輔助識別和分類流程通常包括傳感器的數(shù)據(jù)收集、特征提取、特征匹配和識別。通過采用隨機森林（RF）、K-最近鄰（KNN）、支持向量機（SVM）和深度信念網(wǎng)絡(luò)（DBN）等算法，可以縮短識別中的決策時間，提高準確性，降低人工識別成本，并且最大限度地減少環(huán)境干擾，從而實現(xiàn)更精確的特征提取。應(yīng)用場景的復雜性決定了對傳感器信息的需求；例如，語音識別可以僅通過振動信號實現(xiàn)，而運動識別通常需要結(jié)合視覺和壓力傳感器的信號。

機器學習/深度學習算法在識別和分類中的應(yīng)用范圍很廣，包括機器人感知、目標識別、行為識別、健康監(jiān)測、身份驗證和機械故障檢測。

在人類行為識別、目標識別或故障監(jiān)測等實際應(yīng)用中，僅依靠單一類型的信號數(shù)據(jù)進行分析可能會導致準確性問題或適用性受限。利用人工智能融合和分析來自傳感器的各種信號類型的數(shù)據(jù)，可以提高識別的準確性。

將人工智能用于識別和分類中可以提高準確率，減少環(huán)境因素造成的誤差，即使在處理復雜任務(wù)時也能保持較高的響應(yīng)速度。然而，機器學習/深度學習模型需要大量的訓練數(shù)據(jù)，但是從傳感器數(shù)據(jù)中獲取的樣本有限，可能導致模型過度擬合。此外，樣本的稀缺性使得確定最合適的模型架構(gòu)（如最佳層數(shù)和參數(shù)）變得更加復雜。

行為預測

利用傳感器收集的數(shù)據(jù)來預測未來行為是人工智能在傳感技術(shù)中的重要應(yīng)用。將行為預測與預警系統(tǒng)相結(jié)合，可以顯著降低事故發(fā)生的可能性。

將人工智能與傳感器相結(jié)合來進行預測，可以提高預測的準確性和實時性，即使在復雜、非線性的情況下也是如此。然而，這些預測都是基于監(jiān)測數(shù)據(jù)而非機理分析模型。因此，針對未知數(shù)據(jù)或場景進行預測時，模型的準確性和靈敏度無法保證，這對機器學習/深度學習模型的通用性和穩(wěn)定性提出了很高的要求。

綜上所述，這項研究全面概述了機器學習/深度學習算法輔助傳感技術(shù)的增強和工程應(yīng)用。這顯著提高了傳感器的準確性和對環(huán)境變化的適應(yīng)性。盡管，機器學習/深度學習輔助的傳感技術(shù)取得了重大進展，但仍然存在一些挑戰(zhàn)，這為未來研究提供了機遇。為了解決這些問題，有必要在數(shù)據(jù)收集過程中采用數(shù)據(jù)增強（data augmentation）和對抗性訓練等技術(shù)，以優(yōu)化數(shù)據(jù)集的質(zhì)量和數(shù)量。此外，在模型訓練過程中引入噪聲和干擾可以提高模型對未知數(shù)據(jù)的通用性。此外，開發(fā)多場耦合模擬方法對于提高數(shù)值數(shù)據(jù)的全面性和準確性，同時增強機器學習/深度學習模型的可解釋性來說至關(guān)重要。最后，需要通過推進模型壓縮和邊緣計算技術(shù)的發(fā)展來降低模型復雜性，并將某些模型計算任務(wù)從傳感器端卸載，從而降低傳感器功耗。

論文鏈接：
https://doi.org/10.3390/s24102958

審核編輯：劉清