基于PAM/DAS-GW有机水凝胶的电容感应薄膜不仅可以用于转换力或压力，还可以用于手写识别。如图8a所示，当人们在感应薄膜上写不同的字母“w”、“y”和“u”时，可以观察到具有独特波形的电容信号。此外，使用一维卷积神经网络（2D-CNN）的深度学习模型进行手写识别分类训练。典型的波形信号被作为输入数据。CNN模型由三个卷积层、三个最大池化层、一个展平层和一个全连接层组成。在训练过程中，每个字母写了150次，其中120次用于训练，剩余30次用于测试。混淆矩阵显示，2D-CNN深度学习模型的平均分类率为87.3%。值得注意的是，增加训练数据可以实现更高的手写识别精度。这样令人印象深刻的分类精度使得该感应薄膜在防伪方面具有巨大的潜力应用