可穿戴声学传感器通过校准喉部振动并将其转化为合成语音，为语言障碍者提供了有效的沟通解决方案。本文，香港理工大学Zhongqing SU、南方科技大学周利民教授等在《ACS Sens》期刊发表名为“An Aerosol Jet-Printed Wearable Graphene/Cellulose Nanocrystal Acoustic Sensor for Speech Recognition”的论文，研究开发了一种新型压阻式声学传感器，通过气溶胶喷射打印技术，采用聚氨酯（PU）薄膜封装石墨烯/纤维素纳米晶体（CNCs）进行增材制造。该传感器具有高度生物相容性和柔韧性，能够精确测量变化的声音压力水平（SPL）。

实验结果表明，通过调节石墨烯浓度可调控传感器的声学灵敏度。当石墨烯浓度为20%时，传感器展现出9.7×10⁻⁶ dB⁻¹的高灵敏度，工作范围覆盖30至90 dB，声压级变化最小分辨率达10 dB，且声压级与传感器测得的电阻变化呈线性相关。当作为可穿戴设备贴附于受试者喉部时，该传感器能精准捕捉音色、节奏等细微发声特征。结合基于支持向量机（SVM）的机器学习算法，该设备在识别数字（0-9）时达到95.9%的高准确率，助力语言障碍者实现数字化沟通。

本研究采用AJP工艺成功制备了新型压阻式石墨烯/碳纳米管（CNC）声学传感器，并采用聚氨酯薄膜封装以增强柔韧性与贴合皮肤的能力。石墨烯浓度为20%（GC-20%G）的传感器展现出9.7×10⁻⁶ dB⁻¹的最高灵敏度，以及10 dB的最小声压级变化分辨率，从而实现精准声学检测。该传感器在30至90分贝声压级范围内表现出低滞后特性与优异可逆性，并具备卓越的重复测量稳定性：局部最大响应与最小响应的标准差值仅分别为0.035和0.0349。该可穿戴声学设备固定于受试者喉部，能可靠捕捉声带振动，从而精确识别语音模式、音调变化及独特音频信号。基于机器学习训练的SVM模型能以95.9%的准确率识别传感器采集的语音数字信号，证明其解读语音信号语义内容的能力。这些成果彰显了传感器的检测与识别潜力，为语障人士的通信技术应用拓展了广阔前景。

展望未来，通过更大规模、更丰富多样的数据集训练模型，有望实现更复杂语音模式的识别——从数字扩展至完整词汇与短语，从而拓展其在人机交互、医疗健康及无障碍技术领域的应用场景。此外，将运用分子动力学模拟深入探究微尺度隧道效应机制，通过定量分析为新一代高性能声学传感器的理性设计提供指导。

来源“传感器专家网”