Der innere Kreis klassifiziert Fasersensoren je nach Faserdimension in “Makroskopische” und “Mikroskopische”. Der äußere Tortendiagramm zeigt die Klassifizierung nach den Arbeitsprinzipien. Die schnelle Entwicklung der künstlichen Intelligenz (KI) im letzten Jahrzehnt hat die Fähigkeit von tragbaren Geräten zur Verarbeitung komplexer Daten erheblich verbessert. Maschinelles Lernen – eine Hauptkategorie von KI-Algorithmen – und sein wichtiger Zweig, Deep Learning, sind der Hauptantrieb dieser Welle von KI.
Maschinelles Lernen eliminiert die Arbeitskosten für die manuelle Extraktion von Dateneigenschaften, und sein Zweig Deep Learning hat mächtige Einsichten in verborgene Merkmale. Ihr großer Bedarf an Daten passt zu der enormen Information, die dieses Informationszeitalter mit sich bringt. Eine kürzlich veröffentlichte Studie fasst alle maschinellen Lernalgorithmen zusammen, die in Verbindung mit Fasersensoren verwendet wurden, und unterteilt sie in zwei Kategorien: traditionelle maschinelle Lernalgorithmen und Deep Learning-Algorithmen. Zu den traditionellen maschinellen Lernalgorithmen gehören lineare Regression (LR), k-Nächste-Nachbarn (KNN), Support-Vektor-Maschine (SVM), Random Forest, XGBoost und K-Means-Clustering.
Die Studie ist im Journal Advanced Devices & Instrumentation erschienen. Nachdem ein allgemeines Verständnis für maschinelle Lernalgorithmen erlangt wurde, klassifiziert und fasst dieser Artikel Fasersensoren basierend auf ihren Arbeitsprinzipien und Fasergrößen zusammen. Die Arbeitsprinzipien sind hauptsächlich in optische und elektrische unterteilt. Optische Methoden umfassen FBG, Fabry-Pérot-Interferometer, Specklegrams und Lichtintensität, während elektrische Methoden piezoresistive, triboelektrische, EMG und Chip-in-Fiber umfassen. Fasersensoren sind eine realistische Alternative zu harten elektronischen Geräten für den täglichen Gebrauch. In Kombination mit maschinellem Lernen können sie als intelligente Kleidung dienen. Es gibt jedoch noch viele Bereiche, die verbessert werden können.
Die meisten aktuellen Fasersensoren, die maschinelles Lernen nutzen, sammeln nur eine Art von Signal, und dieses Signal besteht normalerweise aus mechanischer Kraft und Verformung, wie beispielsweise die gestenbasierte Druckererkennung bei Handschuhen. Andere Informationen wie Lichtintensität, Lichtfarbe, Temperatur, Luftfeuchtigkeit, Oberflächenrauwheit und andere sehr sinnvolle Informationen werden nicht integriert. Maschinelles Lernen verbessert sich von Tag zu Tag. Die neuesten Algorithmen wie Reinforcement Learning, Generative Adversarial Network (GAN), Self-Supervised Learning und Attention Mechanism (GPT) haben nur wenige Anwendungen in diesem Bereich. Es wird angenommen, dass tragbare Geräte auf Fasersensoren und KI basierend intelligenter, komfortabler und effizienter werden und in den Alltag jedes Einzelnen Einzug halten werden.