机器学习辅助手写识别对于下一代生物识别技术的发展至关重要。然而，目前报道的大多数手写识别系统都缺乏灵活的传感和机器学习能力，这两者都是智能系统实现所必需的。在此，在机器学习的帮助下，本研究开发了一种新的手写识别系统，该系统既可以用作书面文本的识别器，也可以用作机密信息的加密器。这种灵活智能的手写识别系统将印刷电路板与基于氧化石墨烯的水凝胶传感器相结合。它提供快速响应和良好的灵敏度，并允许高精度识别从单个字母到单词和签名的手写内容。通过分析从7名参与者获得的690个手写签名，本研究成功地证明了快速的识别时间（小于1秒）和高识别率（∼91.30%）。我们开发的手写识别系统在先进的人机交互、可穿戴通信设备、软机器人操纵器和增强现实虚拟现实方面具有巨大潜力。
 
图1.手写识别系统的示意图：（a） 手写识别系统的示意图;（b） BiLSTM模型示意图。
 
图2.GO水凝胶的表征和性能：（a）GO纳米片的TEM图像和（b）AFM图像;（c）GO水凝胶的扫描电子显微镜（SEM）形貌;（d） ΔR/R₀值与GO水凝胶传感器的应变的关系;（e） GO基水凝胶传感器在1200次循环内的耐久性测试结果（100%应变）。
 
图3.字母识别：（a）水凝胶手写识别系统的数据处理流程，具有训练和另一个实际识别过程;（b） 响应笔迹的阻力变化 26 个字母;（c） 识别26个字母的准确性和损失曲线;（d） 识别26个字母的混淆矩阵;（e） 使用t-SNE降维的数据集中2600个样本的结果。
 
图4.数字识别：（a）响应笔迹10数字的阻力变化;（b）不同模型运行结果的相关参数雷达图;（c） 识别10个数字的准确性和损失曲线;（d） 用于识别10个数字的混淆矩阵;（e） 使用t-SNE降维的数据集中955个样本内的数据。
 
图5.手写识别系统处理的一系列略有不同的单词的识别结果：（a-d）识别“bare”和“bear”的准确性和损失曲线，（b）识别“forth”和“fourth”，（c）识别“altar”和“alter”，以及（d）识别“file”，“mile”，“nile”和“rile”;（e-h）混淆矩阵，以（e）识别“bare”和“bear”，（f）识别“forth”和“fourth”，（g）识别“altar”和“alter”，以及（h）识别“file”，“mile”，“nile”和“rile”。
 
图6.柔性手写识别系统的演示：（a，b）水凝胶手写识别系统的组成示意图及其潜在应用;（c） 签字承认过程;（d） 精度和损耗曲线;（e） 识别七个人签名识别的混淆矩阵。
  
      相关研究成果由湖南大学Jian Zhou等人2022年发表在ACS Applied Materials & Interfaces (https://doi.org/10.1021/acsami.2c17943)上。原文：Machine-Learning Assisted Handwriting Recognition Using Graphene Oxide-Based Hydrogel。

转自《石墨烯研究》公众号