此外，压力传感器阵列被制造成电子皮肤，并运用机器学习对输出进行信号处理。经过该体系，电子皮肤还能够监测其拉伸状况，因而不管拉伸程度怎么，都能够核算触觉压力。凭借机器学习辅佐的电子皮肤，能够成功地以人体皮肤的方法辨认敲打、滑动和抓取等动作。

  图4、a) 未充气时电子皮肤的示意图、b) 相片和 c) 压力分布图。d) 充入80毫升空气后电子皮肤的示意图、e) 相片和 f) 压力分布图。

  图5、a) 机器学习算法示意图。b) 充气时和 c) 不充气时（平坦状况）的传感器输出、方针输出以及手势和充气的猜测输出。d) 动作和 e) 充气的混杂矩阵。f) 传感器输入、ESN 猜测输出和动画演示。

  综上所述，经过对结构和资料的优化规划，可拉伸压敏电子皮肤即便在拉伸状况下也能表现出杰出的耐用性。该压力传感器对施加的压力表现出安稳的电阻改变和较小的滞后，在至少10000次循环中具有较高的安稳性。此外，压力传感器可拉伸 200% 以上，一起保持安稳的电阻改变和灵敏度。为防止这样的一种状况，咱们选用了相对较厚的 ecoflex 弹性聚合物。此外，因为 ecoflex 具有弹性，即便传感器的 LIG 部分被堵截，传感器在受损后仍能保持安稳输出至少八周。

  最终，作为概念验证，演示了充气和不充气的电子皮肤，并开发了一个运用机器学习的动作辨认体系。在平坦和充气状况下，都能正确检测到触觉压力映射。更重要的是，依据时刻映射效果，运用开发的 ESN 和逻辑回归算法，能够像辨认人类皮肤相同，以比较来说较高的准确率成功辨认敲打、滑动和抓取动作。作为电子皮肤的实践运用，设备本钱很重要，尤其是 GaInSn，价格相对贵重（约3美元/克，本研讨中展现的电子皮肤运用了约7 克）。不过，因为 GaInSn的电导率远高于 LIG，因而能运用较少的 GaInSn 制造更窄更薄的电极图画，以此来下降设备本钱。咱们一直信任，这一效果将促进人机交互和电子皮肤的开展。