Abstract The human perception system's information processing is intricately linked to the nonlinear response and gating effect of neurons. While piezoionics holds potential in emulating the pressure sensing capability of biological skin, the incorporation of information processing functions seems neglected. Here, ionic gating behavior in piezoionic hydrogels is uncovered as a notable extension beyond the previously observed linear responses. The hydrogel can generate remarkably high voltages (700 mV) and currents (7 mA) when indentation forces surpass the threshold. Through a comprehensive analysis involving simulations and experimental investigations, it is proposed that the gating behavior emerges due to significant diffusion differences between cations and anions. To showcase the practical implications of this breakthrough, the piezoionic hydrogels are successfully integrated with prostheses and robot hands, demonstrating that the gating effect enables accurate discrimination between gentle and harsh touch. The advancement in neuromimetic tactile sensing has significant potential for emerging applications such as humanoid robotics and biomedical engineering, offering valuable opportunities for further development of embodied neuromorphic intelligence.

ABSTRACT Arrhythmia is a marked symptom of many cardiovascular diseases (CVDs). The accurate and timely detection of heart rate can greatly reduce the harm of arrhythmia to people. However, it is still a challenge to robustly and remotely measure heart rate in daily life due to the changing environmental conditions during measurement, such as the varying light intensity, the movement of people, and the uncertain distance between the sensor to people. In this study, we propose a method to accurately measure human heart rate within a distance of 4.5 meters under different light intensities by simply using a surveillance camera. After a 20-second color video of a person’s hand is captured by the camera, a method based on the Fast Fourier Transform (FFT) algorithm is designed to extract the blood volume pulse wave to calculate the heart rate. According to the comparison between the real heart rate and results measured by electrocardiography (ECG), the proposed method achieves an accuracy of 95.8% when the measurement is performed within a distance of 4.5 meters and 90% when within 5.0 meters. Our experiments show that when the illuminance varies between 100-1000 lux (lighting level indoor), we still get the correct results. Our experiments also demonstrate that the proposed method accurately obtain heart rate even when the light intensity is below 32 lux (300-500 lux in a workplace environment). The method’s strong adaptability to changing environmental conditions makes it applicable to many scenarios, such as homes of the elderly, classrooms, and other public spaces.

The statistics of damaged buildings after natural disasters are crucial for rescue operations, especially for damaged buildings that are extremely challenging for object detection. There are unique spatial distribution problems in the existing damaged building datasets, and different categories of building targets show obvious imbalance, especially when the proportion of damaged buildings is less than 0.15%. To address the issues of extreme class distribution imbalance and spatial distribution uniqueness, this article proposes a new data augmentation method called the geospatial enhancement sampling (GES) algorithm. The GES algorithm performs precise data enhancement work by positioning the spatial information of the data. To enhance the robustness of the dataset for object-level detection tasks, the xFBD dataset is reconstructed into the xFBD TWC dataset in this article. The xFBD TWC dataset, featuring balanced samples and cloud occlusion, has demonstrated its excellence through experimental results. The experimental research on the proposed algorithm is conducted using the mainstream object detection models. The experimental results show that, at the object level, the detection accuracy of severely damaged buildings is 0.56, and the detection accuracy of damaged buildings is 0.65. Compared with the original detection accuracy, this method improves it by 39% and 22%, respectively. The outstanding experimental results demonstrate the effectiveness of the GES algorithm, which is crucial for the accuracy and reliability of postdisaster assessments, thereby promoting more efficient and effective disaster response and resource allocation.

Artificial intelligence and human-computer interaction advances demand bioinspired sensing modalities capable of comprehending human affective states and speech. However, endowing skin-like interfaces with such intricate perception abilities remains challenging. Here, we have developed a flexible piezoresistive artificial ear (AE) sensor based on gold nanoparticles, which can convert sound signals into electrical signals through changes in resistance. By testing the sensor's performance at both frequency and sound pressure level (SPL), the AE has a frequency response range of 20 Hz to 12 kHz and can sense sound signals from up to 5 m away at a frequency of 1 kHz and an SPL of 126 dB. Furthermore, through deep learning, the device achieves up to 96.9% and 95.0% accuracy in classification and recognition applications for seven emotional and eight urban environmental noises, respectively. Hence, on one hand, our device can monitor the patient's emotional state by their speech, such as sudden yelling and screaming, which can help healthcare workers understand patients' condition in time. On the other hand, the device could also be used for real-time monitoring of noise levels in aircraft, ships, factories, and other high-decibel equipment and environments.

Motion sensing technology is widely used in healthcare, sports, consumer electronics, etc. On the other hand, Artificial intelligence (AI) enables the development of wearable sensors that can recognize and analyze human motions. In this study, we developed a wearable wireless motion sensing system with AI-embedded inertial measurement units (AIMUs), combined with visual analysis, to evaluate and optimize athletes' performance in sports such as gymnastics. In the experiment, a gymnast performed an entire vaulting routine while wearing 11 AIMUs, and the motion data were transmitted to a cloud server through Bluetooth gateways. This system can achieve the segmentation of vaulting phases and the evaluation of detailed movements. The experimental results showed a 4.57% estimation error in flight height. This AI-embedded motion sensor system has the potential to provide an intuitive and easy-to-understand way to present athlete performance to coaches and athletes themselves. Furthermore, its continued development could assist athletes' training, provide quantitative sports performance indicators, significantly improve elite athletes' training efficiency, and monitor their health regularly.