Inspired from the human somatosensory system, pressure applied to multiple pressure sensors have been received in parallel and combined into a representative signal pattern, which was subsequently processed using machine learning. The pressure signals were combined using a wireless system, where each sensor was assigned a specific resonant frequency on the reflection coefficient ($S_{11}$) spectrum, and the applied pressure changed the magnitude of the S11 pole with minimal frequency shift. This allowed the differentiation and identification of the pressure applied to each sensor. The pressure sensor consisted of polypyrrole-coated microstructured PDMS placed on top of electrodes, operating as a capacitive sensor. The high dielectric constant of polypyrrole enabled relatively high pressure sensing performance. The coils were vertically stacked to enable the reader to receive the signals from all of the sensors simultaneously at a single location, analogous to the junction between neighboring primary neurons to a secondary neuron. Here, the stacking order was important to minimize the interference between the coils. Furthermore, convolutional neural network-based machine learning was utilized to predict the applied pressure of each sensor from unforeseen $S_{11}$ spectra. With increasing training, the prediction accuracy improved (with mean squared error of 0.12), analogous to humans’ cognitive learning ability.
인간의 체성 신경계에서 영감을 얻어, 여러 개의 압력신호를 병렬적으로 감지하고, 하나의 대표적인 신호 형태로 결합하여 기계학습을 통하여 처리하였다. 압력 신호는 반사 계수($S_{11}$) 스펙트럼 상에서 특정한 공명 주파수를 각각의 센서에 할당하는 방식으로 결합되었고, 압력이 인가되었을 때 공진 주파수의 변화는 최소화 되면서 크기가 변화게 되는 무선통신 시스템으로 처리 되었다. 이는 여러 센서에 가해진 압력 정보를 분화하여 처리할 수 있게 해주었다. 압력 센서는 정전용량 방식으로, 폴리피롤이 도포된 피라미드 미세 구조체 PDMS가 깍지 전극들 위에 놓이는 방식으로 구성되었다. 코일들이 수직적으로 쌓여있는 구조를 통하여 단일 위치에서 하나의 리더로 여러 개의 압력정보를 동시에 받을 수 있게 만들었고, 이는 우리 몸에서 여러 개의 일차 뉴런이 하나의 이차 뉴런으로 연결되는 것을 모사 한 것이다. 이때, 수직적으로 쌓인 코일들의 상호 간섭을 최소화하기 위하여 특별한 디자인으로 쌓는 것이 중요하다. 나아가서 convolutional neural network 기반의 기계학습을 통하여 처음 주어진 $S_{11}$ 스펙트럼을 보고 센서들에 인가된 압력정보를 분석할 수 있게 했다. 인간의 학습능력을 보사한 이 기능을 통하여, 기계학습 학습량이 증가할수록 예측정확도는 증가하여 (mean squared error가 0.12까지 감소하였다).
