Un sensor portátil sin batería permite reconocer actividad para monitorización de la salud

Las versiones portátiles podrían permitir la monitorización de pacientes de bajo consumo energético, pero muchos diseños existentes siguen dependiendo de fuentes de alimentación externas, lo que limita su practicidad en sistemas flexibles y llevados sobre el cuerpo.

Para superar esta barrera, los investigadores han desarrollado una plataforma de detección neuromórfica sin batería que convierte el movimiento mecánico en actividad eléctrica sináptica.

La tecnología consiste en un transistor autoalimentado, flexible y con canal de grafeno controlado por gel iónico, o g-IGT, impulsado por un nanogenerador triboeléctrico. El trabajo fue dirigido por la Universidad Dongguk (Seúl, Corea del Sur). El dispositivo está diseñado para reproducir procesos de detección táctil en los que los estímulos mecánicos se convierten en señales eléctricas. Integra funciones de captación de energía, detección, memoria y aprendizaje en una plataforma flexible.

El sistema utiliza dos nanogeneradores triboeléctricos conectados a un único g-IGT. Uno suministra pulsos presinápticos a la compuerta, mientras que el otro aporta pulsos postsinápticos al lado del drenaje. Cuando se detectan estímulos mecánicos, como el tacto, los nanogeneradores producen pulsos de voltaje que regulan la respuesta sináptica. El circuito funciona sin una fuente de alimentación externa al captar energía directamente de los estímulos mecánicos.

El dispositivo demostró un comportamiento de memoria jerárquica. Mostró memoria sensorial con un tiempo de decaimiento de unos 70 milisegundos y memoria a corto plazo con tiempos de decaimiento de 0,2 a 0,45 segundos. La estimulación repetida desplazó la memoria a corto plazo hacia la memoria a largo plazo, con un tiempo de decaimiento superior a 2 segundos. El dispositivo también demostró plasticidad dependiente de la tasa de disparo, y esta función se mantuvo estable bajo flexión.

Los investigadores también evaluaron la capacidad de aprendizaje aplicando el comportamiento sináptico medido experimentalmente en una red neuronal artificial de una sola capa para reconocer actividades humanas. Utilizando datos públicos de movimiento humano, el sistema clasificó caminar, sentarse, estar de pie, estar acostado, subir escaleras y bajar escaleras. Alcanzó una precisión del 88,05 % utilizando el comportamiento sináptico impulsado por TENG durante la flexión. En condiciones de alto ruido, la precisión se mantuvo por encima del 75 %, aunque el rendimiento disminuyó con una distorsión extrema de la seña

El estudio se publicó en Advanced Materials. Las posibles aplicaciones incluyen dispositivos portátiles autoalimentados de monitorización de la salud, piel electrónica, prótesis inteligentes, interfaces hombre-máquina y sistemas inteligentes de monitorización del movimiento.

“En la percepción táctil humana, los mecanorreceptores detectan incluso perturbaciones mecánicas mínimas y las convierten en picos neuronales. Para replicar este proceso electrónicamente, integramos un nanogenerador triboeléctrico con un g-IGT que convierte los estímulos mecánicos en señales eléctricas que regulan directamente el comportamiento sináptico artificial sin necesidad de energía externa”, dijo el profesor Sejoon Lee, Departamento de Semiconductores de Sistemas, Universidad Dongguk. 

“Nuestra investigación podría contribuir a una nueva generación de sistemas de inteligencia artificial portátiles que funcionen con una dependencia mínima de las baterías o de recursos informáticos externos. En términos más generales, nuestro trabajo apunta hacia una electrónica neuromórfica autoalimentada con detección, memoria, aprendizaje y procesamiento de información integrados en una sola plataforma flexible”, añadió el profesor Lee.

Enlaces relacionados
Universidad Dongguk