仿生六边形精细纹理的触感深度阈值研究

　　六边形纹理是自然界中动物体表常见的一种纹理形式，具有良好的摩擦学性能。本文中利用认知行为学、摩擦学和脑电图法从皮肤的“感”到大脑的“知”，系统研究了微米级仿生六边形纹理深度和方向特征对触觉感知深度阈值的影响，利用单通道触感神经元群模型初步验证了纹理刺激强度和神经元兴奋性对触觉感知的影响。研究结果表明：随着纹理深度的增大，六边形纹理的主观纹理感和识别率提高、黏着摩擦分量减小、形变摩擦分量增大、振动信号频谱主频和主频最大振幅增大，当纹理深度达到触感阈值时，形变摩擦比例和振动信号主频振幅显著增大;纹理深度达到触感阈值深度后才能激发脑电事件相关电位(Event-related potentials, ERP)的P100和P200早期成分。从平端方向触摸产生的形变摩擦力分量和振动信号的主频幅值大于尖端方向触摸，平端方向触摸更容易感知到纹理。平端方向触摸激发触感脑电ERP曲线的P300成分幅值较沿尖端触摸更高，潜伏期更短。单通道神经元模型结果显示沿平端方向触摸的仿真脑电信号输入函数均值和信号幅值均高于沿尖端方向触摸，说明平端触摸产生的触感机械刺激增强是脑电信号主频幅值增大的原因之一。

　　关键词：触感阈值;六边形纹理;摩擦振动;脑电;单通道神经元群模型

　　论文《仿生六边形精细纹理的触感深度阈值研究》发表在《摩擦学学报(中英文)》，版权归《摩擦学学报(中英文)》所有。本文来自网络平台，仅供参考。

　　一、引言

　　触觉被称为感觉之母，是人类与外界交流的重要通道。人类具有敏锐的触感，可以感知到微米级精细的表面纹理，这主要得益于人体手指的特殊结构[1]。在每平方厘米的指尖皮肤上大约分布着2500个机械感受器，同时手指皮肤表面则分布着形貌复杂的乳突纹，俗称指纹[2-3]。手指内部的机械感受器和表面指纹极大提高了手指的触觉敏感性，在纹理尤其是精细纹理的触觉感知中起到重要作用。

　　研究发现皮肤内的帕西尼小体(Pacinian corpuscle)对100~300 Hz的微小振动特别敏感[4-5]，精细纹理的触觉感知已被证实主要来源于手指触摸摩擦表面时产生的皮肤振动[4,6-7]，其作用机制主要是通过摩擦振动激活广泛分布在皮肤上的触觉感受器[8]，触觉感受器将机械能量信号转化为神经电位信号，传入到大脑的触觉感知皮层进行加工，形成触感认知[9-10]。同时，研究人员发现指纹可以放大手指触摸物体表面时产生的摩擦振动频率，增强触觉感受器受到的触觉刺激强度，进一步提升了手指在精细纹理感知中的触觉敏感性[11-13]。此外，触摸速度和方向等摩擦变量也是影响触觉敏感性的关键因素，其主要通过改变界面摩擦机制进而直接影响触觉感知的主观判断及纹理感知率[14]，可以为人体提供更为丰富的触感刺激信号。

　　合理的表面纹理设计有助于提高触摸的灵敏性、可靠性和舒适性，仿生学研究发现[15]，许多生物体表皮并不是非常光滑，而是具有一定形状、分布和尺度的微观结构[16-17]。自然界中六边形纹理是动物体表常见的一种纹理形式，例如蜂巢、树蛙脚蹼和蛇体表鳞片等[18]。研究发现这种特殊的纹理结构除了展现出良好的耐磨减阻特性，还能起到增强界面黏着的作用[19]，对仿生科学研究具有重要的借鉴意义。

　　目前，人类触感的主要形成和传导通路已经比较明晰，针对宏观纹理表面的触感研究很多[20-21]，但是针对精细纹理触觉感知过程中皮肤摩擦振动和大脑触觉反馈联系的研究较少，未见针对触感阈值的摩擦和脑电特征对比研究。因此本文中以微米级深度的仿生六边形纹理为研究对象，从触摸过程皮肤的摩擦振动到触觉感知的大脑反应，系统研究了仿生六边形深度和触摸方向对摩擦感知的影响及相应的触觉感知深度阈值。研究成果不仅可为触肤产品精细纹理设计，提高其接触舒适度和抓握可靠性提供技术支持，还可为人类触觉质感的形成机理、触感增强和再现提供理论支撑。

　　二、试验部分

　　(一)纹理试样设计及制备

　　为了研究触觉感知深度识别阈值的差异，设计了一种变深度的微米级凹形仿生六边形纹理，六边形的内接圆直径D和纹理之间的间隔L分别为2.6 mm和2.4 mm，设计了具有不同深度H的纹理试样，H分别为0、5、6、7、8、9和10 μm，六边形纹理的分布和触摸方向如图1所示。采用激光加工方法，在304不锈钢基底材料上进行纹理加工。利用DSX 1000数码显微镜(Olympus，Tokyo，日本)和SM-100光谱共聚焦三维测量系统(THINKFOCUS，上海)对加工完成的纹理试样的深度和表面形貌特征进行测试和表征，结果如图2所示，所加工的六边形纹理的深度参数均达到了设计要求。

　　(二)受试选取

　　为了减少性别、年龄及文化差异对触感试验结果的影响，选取15名年龄在22~28岁之间(平均年龄25±3岁)男性在校大学生参与试验，受试均为手部皮肤完好、右利手的健康志愿者，右手触摸进行试验。所有参与者提前30 min到达实验室，试验前告知受试试验操作流程及注意事项，并签订试验协议。试验在国际伦理标准指导下进行，经徐州市中心医院伦理委员会批准(批准号：XZXY-LJ-20210513-054)。

　　(三)试验方法

　　所有试验均在温度为20℃±5℃，相对湿度为60%±10%的实验室环境下进行。此外，为了减小个体皮肤湿度差异的影响，在试验正式开始前，先用医用酒精清洁受试者的手指皮肤和六边形纹理试样并干燥10 min。

　　1. 认知行为学试验

　　在认知行为学研究中，主要研究受试触摸六边形纹理时，由表面纹路引发的触觉感受及其心理响应，以“纹理感”作为评估指标。按照0~10对纹理感进行评分，分数越高代表受试主观感受到的六边形纹理感越强。同时，计算沿不同方向触摸不同深度试样的识别率，用以表征试样被受试主观正确识别的概率。

　　固定试样方向，将其置于黑暗箱中。志愿者首先触摸基准光滑表面，该试样的纹理感定义为0，随后志愿者将手伸进箱子里，分别沿图1所示的2个方向，每个试样触摸3次，每次触摸时间30 s，试验中志愿者以口头方式给出纹理感评分。

　　基于最小变化法开展六边形纹理的触感深度阈值试验[22]。将所有纹理试样按深度递增和递减分成2个序列。先让受试触摸递增序列每个试样，并口头汇报“是”或“否”能感受到纹理，记录受试汇报从否到是的相邻2个深度，取平均值作为阈值1;再让受试触摸递减序列，记录受试汇报从是到否的相邻2个深度，并计算出阈值2，最后将阈值1和2取平均作为1次触摸的深度阈值。每个序列触摸10次取阈值的平均值作为最终的触感深度阈值，用以表征六边形纹理能被识别的最低深度值。

　　2. 触感摩擦试验

　　试验台结构如图3所示，为了保持手指在摩擦纹理时接触角度统一，设计了一个具有旋转和垂直移动功能的手指托架，通过调节该装置的角度和位置，使得手指在触摸过程中的接触角度保持恒定。手指通过触摸台上16 mm×26 mm的椭圆孔触摸试样表面，以保证每次试验中手指与试样表面的接触面积一致。采用被动触摸方法，固定手指并将纹理试样固定在三轴力传感器上，通过调整手指与试样间的接触距离进而保证接触载荷达到设定值0.5 N，并通过三轴力传感器在试验过程中对接触载荷进行实时监测以保证载荷的稳定性，同时采集触摸过程中的摩擦力。三轴力传感器的量程为50 N、精度误差为0.5%、输出阻抗为350 Ω±3 Ω、灵敏度为1 mV/V。利用固定于手指顶部的加速度传感器采集触摸过程中的振动信号，加速度传感器的测量范围为±250 m/s²，测量范围为250 g，频率为1~10000 Hz。在开展不同触摸压力的试验时，触摸压力分别为0.5、1.0、1.5、2.0和2.5 N。试样与手指的相对速度为8 mm/s，行程为20 mm，每个试样触摸3次，每次触摸休息5 min。

　　3. 脑电试验

　　采用Eegomylab 56通道脑电采集系统(ANT Neuron，Hengelo，NLD)在自主设计的试验台上进行触觉感知脑电试验。试验中采取被动触摸方法，即手指固定不动，通过单片机程序控制步进电机带动滚珠丝杠运动，实现纹理试样的往复运动。按照设定好的程序使用STM32单片机控制触摸台进行运动，触摸速度8 mm/s，行程为20 mm，触摸压力为0.5 N左右。

　　为了提取与触感相关的ERP(event-related potentials)脑电信号成分，试验中选用Oddball范式。光滑试样作为非靶刺激，不同深度的六边形纹理试样被用作靶刺激，在一个试验序列中共有100次刺激，靶刺激和非靶刺激随机出现，其中非靶刺激出现概率为80%，靶刺激出现概率为20%。刺激的呈现时间为2 s，每2个刺激之间间隔2 s。每组试验重复2次，时间间隔10 min。

　　大脑是一个高度复杂的动态非线性系统，由众多互联的神经元网络所驱动[23]。脑电信号是由大脑中兴奋性和抑制性神经元群共同作用产生的[24]，因此，通过建立单通道神经元群模型模拟精细纹理触觉感知过程中大脑神经元的动态活动，其原理如图4所示[25]。

　　大脑的神经元群包含两个不同的神经细胞子群。子群1代表锥体细胞群，主要处理来自子群2的兴奋性或抑制性反馈信息。子群2由位于网络中的中间神经元组成，处理从子群1传递来的激活型信号。模型设定了用Gauss函数表示的(I(t))以量化外界刺激的强度，(V_1)、(V_2)、(V_3)和(V_4)代表神经元间平均突触连接数，反映了不同类型和激活状态下的神经细胞间的连接强度。(y_0)表示子群1的输出信号，(y_1)和(y_2)分别表示模型的兴奋性和抑制性输出信号，(y_{out})表示模型的总输出信号。

　　单通道神经元群模型对神经元内部信号的处理转换主要包含线性动态转换和非线性静态转换。线性动态变换模块主要作用是在神经元突触上进行电位转换，其公式如下[26]：

　　[H_{e}(t)= egin{cases}Aate^{-at}, & t geq 0 \ 0, & t<0end{cases}]

　　[H_{i}(t)= egin{cases}Bbte^{-bt}, & t geq 0 \ 0, & t<0end{cases}]

　　在该模型中，(H_e(t))与(H_i(t))代表兴奋性和抑制性线性模块的脉冲响应函数。参数a和b与神经细胞的膜平均时间常数相关，决定了细胞对输入信号的响应速度和持续时间。A和B表示分别对应于兴奋性和抑制性突触增益系数，反映了突触在接收到输入信号时的放大能力。

　　非线性静态转换(S(v))指的是神经元将兴奋或抑制性的平均膜电压变换为平均脉冲密度[27]：

　　[S(v)=frac{2e_0}{1+e^{r_0(v_0 - v)}}]

　　式中，(e_0)表示神经元的最大点燃率，(r_0)表示变换函数的陡峭度，(v_0)表示当神经元的点燃率为(e_0)时的突触后电位，v表示平均膜电压。

　　三、结果与分析

　　(一)六边形纹理的触感深度阈值

　　受试分别从平端和尖端方向触摸六边形纹理进行主观认知试验，结果列于表1中。结果显示，随着六边形纹理深度的增大，受试从2种方向触摸产生的纹理感均不断上升，从平端和尖端方向触摸，纹理深度分别达到8和9 μm时，纹理识别率达到100%，纹理感达到较大值;当平端和尖端方向纹理深度分别低于6和7 μm时，受试的纹理感和识别率都较低。

　　进一步通过最小变化法计算深度触感阈值，结果显示，从平端方向触摸，纹理深度递增序列和递减序列的阈值分别为7.43和7.37 μm，对2个阈值进行取平均得出最终触感阈值深度为7.40 μm;从尖端方向触摸，递增序列和递减序列得出的平均深度阈值分别为8.67和9.13 μm，从而得出沿尖端方向触摸平均触感阈值深度约为8.90 μm。结果显示从尖端方向触摸六边形纹理的触感阈值深度8.90 μm大于从平端方向触摸的触感阈值深度7.40 μm，说明从平端方向进行触摸时，受试感受到的纹理感更强，对纹理的识别率更高。

　　(二)六边形纹理触觉感知的摩擦特征分析

　　触摸六边形纹理过程中，手指皮肤表面与纹理接触表面的摩擦主要由黏着摩擦和形变摩擦组成[28-29]。黏着摩擦由界面的微观的分子间作用力产生，形变摩擦是由接触形变产生的机械自锁导致的。

　　皮肤摩擦力F、摩擦系数μ和载荷W满足以下关系[30-31]：

　　[mu=frac{F}{W}=kW^{n-1}]

　　式中，n为载荷指数(一般黏着摩擦成分的该系数为2/3，形变摩擦成分的该系数为4/3)，k为载荷系数。

　　为了探究手指皮肤与精细纹理触摸过程中的摩擦机制，根据公式分别对沿平端方向和尖端方向触摸纹理的载荷和摩擦系数进行曲线拟合，结果如图5所示。结果显示，沿平端和尖端方向触摸时，随着触摸载荷增大，摩擦系数呈下降趋势，说明此时黏着摩擦在手指皮肤与纹理界面起主导作用。

　　此外，如图5所示，沿平端和尖端方向触摸，载荷指数n随着纹理深度增加呈增大趋势，利用皮尔逊相关性分析对载荷指数n与纹理深度进行相关性分析，其中，相关系数r表示两个变量之间的线性相关程度，p值为相关系数的统计显著性，结果发现载荷指数n与纹理深度呈显著正相关(r=0.871，p=0.011;r=0.894，p=0.014)。这一结果表明，虽然手指皮肤与纹理表面的摩擦以黏着摩擦为主，但随着纹理深度的增加，黏着摩擦成分减小，指纹与六边形纹理间的机械互锁作用引起的形变摩擦力成分逐渐增加。触摸机理图如图6所示，手指皮肤触摸六边形纹理试样过程中受挤压产生的形变随纹理深度的增大而增大，导致指纹与六边形纹理间的机械互锁作用增强，因此，形变摩擦力成分增加。

　　沿平端和尖端方向触摸，当纹理深度分别超过7 μm和8 μm，接近触感深度阈值时，载荷指数n显著提升(t=-5.265，p=0.011;t=-6.013，p=0.005，其中，t值反映了样本均值差异的显著性程度，p值用来表示差异的统计显著性)，表明当纹理深度达到深度识别阈值时，触摸产生的形变摩擦比例显著增大。结果还显示，平端方向触摸的载荷系数n大于尖端方向触摸，说明从平端方向触摸纹理时手指皮肤与纹理表面产生的形变摩擦力成分更大，黏着摩擦力成分占比更小。通过ABAQUS对手指沿不同方向触摸纹理进行建模仿真，网格划分尺寸为1 mm，对手指赋予超弹性材料属性，纹理试样设置为刚体，接触属性为全局接触。设置静力学分析步，对手指施加竖直向下的集中力，固定纹理试样的各边界。沿不同方向触摸纹理试样时，手指表面的应变分布如图7所示。沿尖端方向触摸时，手指表面的应变区域主要分布在六边形纹理尖角的两条边，且应变较小。沿平端方向触摸时，手指表面应变及分布区域明显大于沿尖端方向触摸，表明沿平端方向触摸导致的手指形变更大，因此产生的形变摩擦成分更大。

　　(三)六边形纹理触感振动信号频域分析

　　为了减少受试者个体差异以及系统噪声等对振动信号造成的误差，利用经验模态分解(EMD)和独立成分分析(ICA)方法对信号进行去噪预处理，然后对从平端方向和尖端方向触摸不同深度六边形纹理产生的振动信号进行频域分析，得到的振动频谱主频和主频幅值(A_{max})如图8所示。结果表明，沿平端和尖端方向触摸时，振动主频和主频幅值均随着纹理的深度增加呈上升趋势，且纹理深度与主频幅值(A_{max})呈现显著正相关(r=0.821，p=0.023;r=0.812，p=0.026)。当纹理深度分别达到8和9 μm时，频谱主频分别达到103和106 Hz，达到帕西尼小体振动感知范围[4](100~300 Hz)，表明当纹理深度接近深度识别阈值时，触摸产生振动信号的主频达到帕西尼小体的感知范围时，人体可以感知到纹理。

　　结果还显示，从平端方向触摸振动信号的主频幅值明显大于从尖端方向触摸振动信号的主频幅值，且在纹理深度阈值附近时尤为明显。结合摩擦试验结果分析认为，手指从平端方向触摸产生的形变摩擦力成分比从尖端方向触摸大，手指皮肤与纹理表面的互锁作用更强，触摸过程中的振动信号的主频幅值更大，即皮肤感受到的形变和振动更强烈，机械感受器感受到的机械刺激更强，感受器电位会在更浅的纹理深度达到阈值，因此平端方向触摸的平均触感深度识别阈值小。

　　(四)六边形纹理触觉感知脑电特征分析

　　将与触感相关通道的脑电信号进行叠加平均，得到沿2个方向触摸不同深度纹理试样时诱发的触感脑电ERP曲线，并提取ERP曲线P100、P200和P300成分的潜伏期和幅值，结果列于表2中，其中，P100成分和P200成分是在触觉刺激后约80~120 ms、160~240 ms时EEG信号产生的早期躯体感觉诱发电位，P300成分是在触觉刺激后300 ms左右产生的晚期内源性成分。P100成分和P200成分都属于早期外源性成分，均起源于初级躯体感觉皮层，与触觉刺激的表面物理属性以及触觉刺激的强度和频率有关。表2显示，沿平端和尖端方向触摸时，仅当纹理深度高于触感阈值深度时，才激活出ERP曲线的P100和P200成分，结合摩擦振动分析结果说明当纹理达到阈值深度时，与之接触产生的摩擦振动机械刺激显著增强，足以激活皮肤内的触觉感受器，从而触发触觉感觉的初级神经反应并导致相关的早期脑电位成分出现。

　　P300成分属于大脑对触觉刺激处理的晚期内源性成分，一般出现在触觉刺激后300 ms左右，P300的幅值和潜伏期是触觉识别中两个非常重要的因素。P300幅值通常指的是大脑在处理触觉刺激时分配的注意力资源，与大脑对触觉信息的处理和解析能力以及触觉感知的敏感性和精确性有关[32]，P300潜伏期影响的是大脑识别触觉信息的速度[33-34]。表2显示，沿平端和尖端方向触摸，当纹理深度分别达到7和6 μm时，出现明显的P300成分，且纹理深度与P300幅值呈正相关(r=0.972，p=0.006;r=0.983，p=0.004)，与潜伏期呈负相关(r=-0.946，p=0.015;r=-0.935，p=0.011)。对于平端和尖端触摸方向，当手指皮肤分别触摸8和9 μm以上深度的六边形纹理产生的P300成分与其以下深度相比存在显著性差异，表现为P300幅值显著增大(t=-5.43，p=0.012;t=-4.186，p=0.025)，潜伏期显著降低(t=3.827，p=0.031;t=6.223，p=0.008)，表明大脑对达到阈值深度试样触感信息加工强度更高，处理速度也更快。

　　进一步比较沿不同方向触摸六边形纹理诱发的P300潜伏期和幅值，沿平端方向触摸诱发的ERP曲线的P300成分幅值明显高于沿尖端触摸，潜伏期低于尖端触摸。结合认知行为学试验和摩擦学试验结果，沿平端方向触摸产生的形变摩擦力成分高于尖端方向触摸，导致平端方向触摸指纹与纹理表面的互锁作用更强，振动信号幅值更高，皮肤内部机械感受器感受到的机械刺激更强，这使得平端方向触摸纹理激发感受器产生的电位高于沿尖端方向触摸，感受器电位更容易达到电位阈值，动作电位信号更频繁且密集。最后通过神经系统传递到大脑触感区域，使得大脑的神经元激活强度增强和触感识别速度显著提高。因此，沿平端方向触摸的纹理深度感知阈值低于沿尖端方向触摸，且诱发的P300幅值更高、潜伏期更小。

　　(五)单通道神经元建模仿真结果及分析

　　在单通道神经元模型中，兴奋性与抑制性突触增益比值即A/B值可以模拟大脑神经元的兴奋性[27]，模型输入函数的均值()可以模拟外界刺激强度。通过调节A/B及()来模拟沿平端方向和尖端方向触摸不同深度六边形纹理产生的真实触感脑电信号，仿真脑电信号的结果列于表3中。为了验证单通道神经元模型仿真信号的可靠性，对仿真信号和真实脑电信号的频域特征进行相关性分析，结果显示，仿真信号与真实脑电信号在频域上呈显著相关性(r=0.957，p=0.001)，说明模型输出的仿真信号能够模拟真实触感脑电信号。

　　结果显示，沿平端和尖端方向触摸时，纹理深度分别在8和9 μm以上的试样诱发的信号主频显著低于8和9 μm深度以下的纹理试样。结合真实脑电信号特征，发现较大的纹理深度提升了大脑神经元的兴奋性，从而提高大脑对触感信号的识别速度。对于不同触摸方向，结果显示，沿平端方向触摸时，仿真信号的输入函数均值()明显高于沿尖端方向触摸，A/B未发现显著规律。这一结果表明，沿平端方向触摸产生的机械纹理刺激高于尖端方向触摸，其产生外部输入强度()更大，外部机械刺激更强，激发触觉感受器产生的神经电信号越强，大脑的神经元活动以及大脑对触感信息的加工强度也相应增强，从而使得脑电信号的主频幅值更高。综上，单通道神经元群模型可以有效揭示手指沿不同方向触摸不同深度的六边形纹理试样时触感的刺激强度和大脑的神经元活动情况，可以为进一步认知大脑对精细纹理的触觉感知的处理加工机制提供方法和理论支撑。

　　四、结论

　　本文中以仿生六边形纹理为研究对象，基于摩擦学、脑电图法和神经元建模方法从触摸过程中皮肤的摩擦振动到触觉感知的大脑反应，系统研究了六边形精细纹理的深度及触摸方向对触觉感知的影响及相应的触觉感知阈值。主要结论如下：

　　1. 随着纹理深度增大，纹理感和识别率增大，手指皮肤与纹理界面黏着摩擦分量减小，形变摩擦分量增大，振动频谱主频和主频最大振幅增大。纹理深度达到识别阈值时，开始诱发脑电信号ERP曲线的P100和P200成分。纹理深度与P300幅值呈显著正相关，与P300潜伏期呈显著负相关。

　　2. 沿平端和尖端方向触摸六边形纹理的平均深度识别阈值分别为7.40和8.90 μm。与尖端方向相比，从平端方向触摸时的纹理感和识别率更高，产生的形变摩擦分量和振动信号的主频最大幅值更大，诱发触感脑电信号的P300幅值更高，潜伏期更短。

　　3. 单通道神经元群模型可以有效模拟六边形纹理触觉感知过程中诱发的真实脑电信号。与尖端方向相比，沿平端方向触摸诱发的仿真脑电信号的输入函数均值()和幅值更大，触感机械刺激更强，大脑的神经元活动以及大脑对触感信息的加工强度也相应增强，脑电信号的主频幅值更高。

　　参考文献

　　[1] Zhang Bingyu, Li Wei, Shi Lei, et al. Investigation on perception of fingertip skin under different normal force and texture spacing[J]. Tribology, 2014, 34(4): 452–458.

　　[2] Zhao Xuan, Zhang Zheng, Xu Liangxu, et al. Fingerprint-inspired electronic skin based on triboelectric nanogenerator for fine texture recognition[J]. Nano Energy, 2021, 85: 106001.

　　[3] Si Pengxiang, Zou Jihua, Wu Yun, et al. Rippling colloidal polyelectrolyte complex for customized fingerprints with high tactile perception[J]. Small, 2023, 19(37): 2303304.

　　[4] Scheibert J, Leurent S, Prevost A, et al. The role of fingerprints in the coding of tactile information probed with a biomimetic sensor[J]. Science, 2009, 323(5920): 1503–1506.

　　[5] Chen Si, Yang Zhiheng, Huang Qin, et al. Vibrotactile sensation: a systematic review of the artificial Pacinian corpuscle[J]. Journal of Bionic Engineering, 2023, 20(4): 1401–1416.

　　[6] Camillieri B, Bueno M A. Influence of finger movement direction and fingerprints orientation on friction and induced vibrations with textile fabrics[J]. Tribology Letters, 2021, 69(4): 143.

　　[7] Fagiani R, Massi F, Chatelet E, et al. Tactile perception by friction induced vibrations[J]. Tribology International, 2011, 44(10): 1100–1110.

　　[8] Dallmann C J, Ernst M O, Moscatelli A. The role of vibration in tactile speed perception[J]. Journal of Neurophysiology, 2015, 114(6): 3131–3139.

　　[9] Fagiani R, Barbieri M. A contact mechanics interpretation of the duplex theory of tactile texture perception[J]. Tribology International, 2016, 101: 49–58.

　　[10] Zhang Shousheng, Zhuang Tengfei, Fang Xingxing, et al. Depth recognition thresholds of tactile perception for fine stripe texture of bar shapes[J]. Journal of Tsinghua University (Science and Technology), 2024, 64(1): 135–145.

　　[11] Cramphorn L, Ward-Cherrier B, Lepora N F. Addition of a biomimetic fingerprint on an artificial fingertip enhances tactile spatial acuity[J]. IEEE Robotics and Automation Letters, 2017, 2(3): 1336–1343.

　　[12] Hou Senlin, Huang Qingyun, Zhang Hongyu, et al. Biometric-tuned E-skin sensor with real fingerprints provides insights on tactile perception: Rosa Parks had better surface vibrational sensation than Richard Nixon[J]. Advanced Science, 2024, 11(34): 2400234.

　　[13] Salehi S, Cabibihan J J, Ge S S. Artificial skin ridges enhance local tactile shape discrimination[J]. Sensors, 2011, 11(9): 8626–8642.

　　[14] Zhou Xue, Mo Jiliang, Li Yiyuan, et al. Effect of finger sliding direction on tactile perception, friction and dynamics[J]. Tribology Letters, 2020, 68(3): 85.

　　[15] Zhang Siwei. Prospects for the development of biomimetic tribology[J]. Lubrication Engineering, 2018, 43(1): 1–2.

　　[16] Wang Jie, Xu Shaofeng, Wang Zichen, et al. Drag reduction of biomimetic composite surface texture[J/OL]. Tribology, 1–22[2024-12-02].

　　[17] Wang Hujun, Xie Zhengcan, Zhao Xiuyuan, et al. Effect of wettability gradient on tribological behavior of biomimetic textured surfaces[J]. Tribology, 2024, 44(3): 300–311.

　　[18] Gao Yihang. Design and application of bionic flow channel structure based on hexagon[D]. Changchun: Jilin University, 2019.

　　[19] Drotlef D M, Stepien L, Kappl M, et al. Insights into the adhesive mechanisms of tree frogs using artificial mimics[J]. Advanced Functional Materials, 2013, 23(9): 1137–1146.

　　[20] Tang Wei, Zhang Meimei, Yang Lei, et al. Tactile perception of rough surface using friction and electroencephalography methods[J]. Tribology, 2022, 42(4): 764–774.

　　[21] Tang Wei, Zhang Meimei, Liu Rui, et al. Tactile perception of texture shape with different sharpness from finger friction to brain activation[J]. Tribology, 2021, 41(3): 373–381.

　　[22] Fechner G T. Elemente der psychophysik[M]. Beijing: China Renmin University Press, 2015.

　　[23] Thio B J, Grill W M. Relative contributions of different neural sources to the EEG[J]. NeuroImage, 2023, 275: 120179.

　　[24] Al-Hossenat A, Song Bo, Wen Peng, et al. Novel large scale brain network models for EEG epileptic pattern generations[J]. Expert Systems with Applications, 2022, 194: 116477.

　　[25] Yang Chunfeng, Luo Qingbo, Shu Huazhong, et al. Exploration of interictal to ictal transition in epileptic seizures using a neural mass model[J]. Cognitive Neurodynamics, 2024, 18(3): 1215–1225.

　　[26] Cui Dong, Li Han, Shao Hongyuan, et al. Construction and analysis of a new resting-state whole-brain network model[J]. Brain Sciences, 2024, 14(3): 240.

　　[27] Cui Dong, Li Han, Liu Pengxiang, et al. Analysis of the neural mechanism of spectra decrease in MCI by a thalamo-cortical coupled neural mass model[J]. Journal of Neural Engineering, 2022, 19(6): 066043.

　　[28] Adams M J, Briscoe B J, Johnson S A. Friction and lubrication of human skin[J]. Tribology Letters, 2007, 26(3): 239–253.

　　[29] Li Yuanzhe, Zhou Xue, Bai Pengpeng, et al. Experiment and modelling of texture and sliding direction dependence on finger friction behavior[J]. Friction, 2024, 12(9): 1955–1968.

　　[30] Louyot E, Carpentier L, Chatelet E, et al. Influence of the finger inclination on its frictional interaction with micro-textured surfaces[J]. Tribology International, 2024, 197: 109815.

　　[31] Goryacheva I, Makhovskaya Y. Combined effect of surface microgeometry and adhesion in normal and sliding contacts of elastic bodies[J]. Friction, 2017, 5(3): 339–350.

　　[32] Luo Xi, Lin Yanfei, Guo Rongxiao, et al. ERP and pupillometry synchronization analysis on rapid serial visual presentation of words, numbers, pictures[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2023, 31: 1933–1942.

　　[33] Tang Wei, Lu Xiangyong, Chen Si, et al. Tactile perception of skin: research on late positive component of event-related potentials evoked by friction[J]. The Journal of the Textile Institute, 2020, 111(5): 623–629.

　　[34] Muñoz F, Reales J M, Sebastián M Á, et al. An electrophysiological study of haptic roughness: effects of levels of texture and stimulus uncertainty in the P300[J]. Brain Research, 2014, 1562: 59–68.