Self-powered sensors are crucial in the field of wearable devices and the Internet of Things (IoT). In this paper, an organ-like Ti3C2Tx MXene/metal–organic framework-derived copper oxide (CuO) gas sensor was powered by a triboelectric nanogenerator (TENG) based on latex and polytetrafluoroethylene for the detection of ammonia (NH3) at room temperature. The peak-to-peak value of open-circuit voltage and short-circuit current generated by the prepared TENG can reach up to 810 V and 34 μA, respectively. The TENG can support a maximum peak power density of 10.84 W·m–2 and light at least 480 LEDs. Moreover, a flexible TENG under a single-electrode working mode was demonstrated for human movement stimulation, which exhibits great potential in wearable devices. The self-powered NH3 sensor driven by TENG has an excellent response (Vg/Va = 24.8 @ 100 ppm) at room temperature and exhibits a great potential in monitoring pork quality. Ti3C2Tx MXene and CuO were characterized by SEM, TEM, EDS, XRD, and XPS to analyze the properties of the materials. The NH3 sensing performance of the self-powered sensor based on MXene/CuO was greatly improved, and the mechanism of the enhanced sensing properties was systematically discussed.

Abstract Two-dimensional material has been widely investigated for potential applications in sensor and flexible electronics. In this work, a self-powered flexible humidity sensing device based on poly(vinyl alcohol)/Ti 3 C 2 T x (PVA/MXene) nanofibers film and monolayer molybdenum diselenide (MoSe 2 ) piezoelectric nanogenerator (PENG) was reported for the first time. The monolayer MoSe 2 -based PENG was fabricated by atmospheric pressure chemical vapor deposition techniques, which can generate a peak output of 35 mV and a power density of 42 mW m −2 . The flexible PENG integrated on polyethylene terephthalate (PET) substrate can harvest energy generated by different parts of human body and exhibit great application prospects in wearable devices. The electrospinned PVA/MXene nanofiber-based humidity sensor with flexible PET substrate under the driven of monolayer MoSe 2 PENG, shows high response of ∼40, fast response/recovery time of 0.9/6.3 s, low hysteresis of 1.8% and excellent repeatability. The self-powered flexible humidity sensor yields the capability of detecting human skin moisture and ambient humidity. This work provides a pathway to explore the high-performance humidity sensor integrated with PENG for the self-powered flexible electronic devices.

This paper demonstrates a layer-by-layer self-assembled polyaniline (PANI)/graphene oxide (GO) film on quartz crystal microbalance (QCM) for humidity sensing. The morphological and compositional properties of PANI/GO composite films were examined by means of SEM, XRD and FT-IR. The humidity sensing properties of the PANI/GO nanocomposite-based QCM sensor were investigated by exposing to a broad range of 0–97%RH. The experimental results showed that the presented PANI/GO nanocomposite sensor has a high sensitivity, a good repeatability and fast response/recovery characteristics, which surpasses the previous reported counterparts. Moreover, the underlying humidity sensing mechanism of the PANI/GO-based QCM sensor was discussed by using Langmuir adsorption model. This work highlights the unique advantage of layer-by-layer self-assembled route for QCM sensor fabrication.

Precise identification of multi-component chemical gas poses a significant challenge. In this work, a MXene-based gas sensor array driven by triboelectric nanogenerators (TENGs) was constructed and combined with the neural network model to achieve accurate detection of multi-component chemical gas mixture. The wind-driven TENG array was prepared by Ti3C2Tx MXene and acetate fiber, which was used to powered the gas sensor array. The peak-to-peak value of open-circuit voltage and output power of a single TENG can reach 269 V and 1.2 mW. The gas sensor array was prepared by microelectronic printing and nano-sensing technology. The prepared sensor array exhibited better gas-sensing properties due to the synergistic effect between MXene and metal oxides. The gas-sensing response of MXene/metal oxide nanocomposites is 6.1-9.3 times better than that of the pure MXene. The MXene-based gas sensor array was constructed by integrating the TENG array with the gas sensor array. By combining the signal processing technology of MXene-based gas sensor array and convolutional neural network-gated recurrent unit (CNN-GRU) neural network mode, the composition identification and concentration prediction in NH3-SO2-NO2 three-component chemical gas mixtures were successfully realized with a mean relative error of less than 0.7%, which provides a universal solution for more complex multi-component chemical gas mixture detection.

ABSTRACT Breast cancer remains one of the most significant health threats to women, making precise segmentation of target tumors critical for early clinical intervention and postoperative monitoring. While numerous convolutional neural networks (CNNs) and vision transformers have been developed to segment breast tumors from ultrasound images, both architectures encounter difficulties in effectively modeling long‐range dependencies, which are essential for accurate segmentation. Drawing inspiration from the Mamba architecture, we introduce the Vision Mamba‐CNN U‐Net (VMC‐UNet) for breast tumor segmentation. This innovative hybrid framework merges the long‐range dependency modeling capabilities of Mamba with the detailed local representation power of CNNs. A key feature of our approach is the implementation of a residual connection method within the U‐Net architecture, utilizing the visual state space (VSS) module to extract long‐range dependency features from convolutional feature maps effectively. Additionally, to better integrate texture and structural features, we have designed a bilinear multi‐scale attention module (BMSA), which significantly enhances the network's ability to capture and utilize intricate feature details across multiple scales. Extensive experiments conducted on three public datasets demonstrate that the proposed VMC‐UNet surpasses other state‐of‐the‐art methods in breast tumor segmentation, achieving Dice coefficients of 81.52% for BUSI, 88.00% for BUS, and 88.96% for STU. The source code is accessible at https://github.com/windywindyw/VMC‐UNet .