此外，压力传感器阵列被制造成电子皮肤，并使用机器学习对输出进行信号处理。通过该系统，电子皮肤还可以监测其拉伸状态，因此无论拉伸程度如何，都可以计算触觉压力。借助机器学习辅助的电子皮肤，可以成功地以皮肤的方式识别拍打、滑动和抓取等动作。

　　图4、a) 未充气时电子皮肤的示意图、b) 照片和 c) 压力分布图。d) 充入80毫升空气后电子皮肤的示意图、e) 照片和 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（平坦状态）的传感器输出、目标输出以及手势和充气的预测输出。d) 动作和 e) 充气的混淆矩阵。f) 传感器输入、ESN 预测输出和动画演示。

　　综上所述，通过对结构和材料的优化设计，可拉伸压敏电子皮肤即使在拉伸情况下也能表现出良好的耐用性。该压力传感器对施加的压力表现出稳定的电阻变化和较小的滞后，在至少10000次循环中具有较高的稳定性。此外，压力传感器可拉伸 200% 以上，同时保持稳定的电阻变化和灵敏度。为了防止这种情况，我们选用了相对较厚的 ecoflex 弹性聚合物。此外，由于 ecoflex 具有弹性，即使传感器的 LIG 部分被切断，传感器在受损后仍能保持稳定输出至少八周。

　　最后，作为概念验证，演示了充气和不充气的电子皮肤，并开发了一个使用机器学习的动作识别系统。在平整和充气状态下，都能正确检测到触觉压力映射。更重要的是，根据时间映射结果，使用开发的 ESN 和逻辑回归算法，可以像识别人类皮肤一样，以相对较高的准确率成功识别拍打、滑动和抓取动作。作为电子皮肤的实际应用，设备成本非常重要，尤其是 GaInSn，价格相对昂贵（约3美元/克，本研究中展示的电子皮肤使用了约7 克）。不过，由于 GaInSn的电导率远高于 LIG，因此可以使用较少的 GaInSn 制作更窄更薄的电极图案，从而降低设备成本。我们相信，这一成果将促进人机交互和电子皮肤的发展。