機器學習輔助手寫識別對于下一代生物識別技術的發展至關重要。然而，目前報道的大多數手寫識別系統都缺乏靈活的傳感和機器學習能力，這兩者都是智能系統實現所必需的。在此，在機器學習的幫助下，本研究開發了一種新的手寫識別系統，該系統既可以用作書面文本的識別器，也可以用作機密信息的加密器。這種靈活智能的手寫識別系統將印刷電路板與基于氧化石墨烯的水凝膠傳感器相結合。它提供快速響應和良好的靈敏度，并允許高精度識別從單個字母到單詞和簽名的手寫內容。通過分析從7名參與者獲得的690個手寫簽名，本研究成功地證明了快速的識別時間（小于1秒）和高識別率（∼91.30%）。我們開發的手寫識別系統在先進的人機交互、可穿戴通信設備、軟機器人操縱器和增強現實虛擬現實方面具有巨大潛力。
圖1.手寫識別系統的示意圖：（a） 手寫識別系統的示意圖;（b） BiLSTM模型示意圖。
圖2.GO水凝膠的表征和性能：（a）GO納米片的TEM圖像和（b）AFM圖像;（c）GO水凝膠的掃描電子顯微鏡（SEM）形貌;（d） ΔR/R
0值與GO水凝膠傳感器的應變的關系;（e） GO基水凝膠傳感器在1200次循環內的耐久性測試結果（100%應變）。
圖3.字母識別：（a）水凝膠手寫識別系統的數據處理流程，具有訓練和另一個實際識別過程;（b） 響應筆跡的阻力變化 26 個字母;（c） 識別26個字母的準確性和損失曲線;（d） 識別26個字母的混淆矩陣;（e） 使用t-SNE降維的數據集中2600個樣本的結果。
圖4.數字識別：（a）響應筆跡10數字的阻力變化;（b）不同模型運行結果的相關參數雷達圖;（c） 識別10個數字的準確性和損失曲線;（d） 用于識別10個數字的混淆矩陣;（e） 使用t-SNE降維的數據集中955個樣本內的數據。
圖5.手寫識別系統處理的一系列略有不同的單詞的識別結果：（a-d）識別“bare”和“bear”的準確性和損失曲線，（b）識別“forth”和“fourth”，（c）識別“altar”和“alter”，以及（d）識別“file”，“mile”，“nile”和“rile”;（e-h）混淆矩陣，以（e）識別“bare”和“bear”，（f）識別“forth”和“fourth”，（g）識別“altar”和“alter”，以及（h）識別“file”，“mile”，“nile”和“rile”。
圖6.柔性手寫識別系統的演示：（a，b）水凝膠手寫識別系統的組成示意圖及其潛在應用;（c） 簽字承認過程;（d） 精度和損耗曲線;（e） 識別七個人簽名識別的混淆矩陣。
相關研究成果由湖南大學Jian Zhou等人2022年發表在ACS Applied Materials & Interfaces (https://doi.org/10.1021/acsami.2c17943)上。原文：Machine-Learning Assisted Handwriting Recognition Using Graphene Oxide-Based Hydrogel。
轉自《石墨烯研究》公眾號
