1.一种基于柔性传感器的手写字母信号识别系统的手写字母信号识别方法，手写字母信号识别系统包括手写应变信号采集装置和信号处理器，手写应变信号采集装置和信号处理器电连接；手写应变信号采集装置包括柔性传感器和4200半导体特征分析仪，柔性传感器电连接4200半导体特征分析仪，4200半导体特征分析仪电连接信号处理器；包括柔性传感器布置于手指关节处，柔性传感器在手写字母的过程中感知手指关节处弯曲下的应变产生的电压变化，并发送到4200半导体特征分析仪；4200半导体特征分析仪接收来自柔性传感器的电压变化并得出柔性传感器的实时电阻信号，并传输至信号处理器；包括信号处理器内置有多流卷积神经网络，接收4200半导体特征分析仪的信号，进而通过多流卷积神经网络分析处理获得输出手写应变信号对应的手写字母的分类结果，其特征在于：包括以下步骤：

1) 制备柔性传感器；

2) 将柔性传感器布置于手指关节处，并将柔性传感器电连接4200半导体特征分析仪；

3) 用手拿笔手写若干字母，每个字母均重复手写若干相同次数，通过4200半导体特征分析仪接收柔性传感器在手写时的弯曲应变变化，并计算出手写每个字母时的应变电阻信号作为手写应变信号，进而获得每个手写字母对应的若干手写应变信号，各个手写字母对应的若干手写应变信号组成信号数据集；

4) 将信号数据集进行标准化处理，并选取出其中若干手写应变信号作为训练集；

5) 搭建多流卷积神经网络，并内置于信号处理器中；将训练集输入信号处理器中的多流卷积神经网络进行训练；

6) 重复步骤3)，重新获取若干手写应变信号组成目标信号数据集，将目标信号数据集输入训练完成的多流卷积神经网络中进行处理，获取目标信号数据集中每个手写应变信号对应的手写字母的分类结果；

多流卷积神经网络是主要由依次进行的多流分解阶段和融合阶段构成；

多流分解阶段中包括四个依次排列的相同的分解部分，每个分解部分包括32卷积核卷积层、64卷积核卷积层、128卷积核卷积层和128卷积核局部连接层；融合阶段包括512卷积核全连接层、256卷积核全连接层、128卷积核全连接层和64卷积核全连接层。

2.根据权利要求1所述的一种基于柔性传感器的手写字母信号识别系统的手写字母信号识别方法，其特征在于：所述的步骤1)中，制备柔性传感器包括如下步骤：

1.1) 将丙烯酰胺和丙烯酸加入去离子水中溶解，然后依次加入八水氯氧化锆和光引发剂2‑羟基‑4’‑(2‑羟乙氧基)‑2‑甲基苯丙酮，获得混合溶液；

1.2) 将混合溶液置于磁力搅拌器上搅拌，直至变为无色透明液体，然后通入氩气，获得透明溶液；

1.3) 将透明溶液注射至预先准备的一个水凝胶模具中，置于紫外线灯下进行光照聚合5 min，获得半聚合聚（丙烯酰胺‑co‑丙烯酸）/锆离子水凝胶；将一半的半聚合聚（丙烯酰胺‑co‑丙烯酸）/锆离子水凝胶置于去离子水中浸泡7天，获得聚（丙烯酰胺‑co‑丙烯酸）/锆离子水凝胶基底；

1.4) 将聚（丙烯酰胺‑co‑丙烯酸）/锆离子水凝胶基底置于玻璃皿中，使用3D打印机在聚（丙烯酰胺‑co‑丙烯酸）/锆离子水凝胶基底上打印液态金属导电电路，在液态金属导电电路的两端分别粘接并电连接两个铜电极的一端；将玻璃皿中的聚（丙烯酰胺‑co‑丙烯酸）/锆离子水凝胶基底、液态金属导电电路和两个铜电极同时转移至预先准备的另一个水凝胶模具中，将另一半的半聚合聚（丙烯酰胺‑co‑丙烯酸）/锆离子水凝胶涂覆在铜电极和液态金属导电电路上层，直至半聚合聚（丙烯酰胺‑co‑丙烯酸）/锆离子水凝胶完全包裹住液态金属导电电路和两个铜电极，获得半聚合的导电水凝胶应变传感器；

1.5) 将半聚合的导电水凝胶应变传感器置于紫外线灯下进行光照聚合，获得液态金属/水凝胶应变传感器，即柔性传感器。

3.根据权利要求2所述的一种基于柔性传感器的手写字母信号识别系统的手写字母信号识别方法，其特征在于：所述的步骤1.1)中，以质量计，加入0.11‑3.73 g的丙烯酰胺、0.54‑6.81 g的丙烯酸、

0.48‑4.83 g的八水氯氧化锆和0.03‑0.24 g的光引发剂。

4.根据权利要求2所述的一种基于柔性传感器的手写字母信号识别系统的手写字母信号识别方法，其特征在于：所述的步骤1.4)中，两个铜电极的另一端均凸出柔性传感器；

所述的步骤2)中，两个电极凸出的另一端分别电连接4200半导体特征分析仪的红黑导线。

5.根据权利要求1所述的一种基于柔性传感器的手写字母信号识别系统的手写字母信号识别方法，其特征在于：所述的步骤4)中，针对信号数据集中的每个手写应变信号，均进行以下操作：

将手写应变信号进行标准化处理，将手写应变信号的原始数据缩放到0和1之间，保留手写应变信号的原始数据的分布。

6.根据权利要求1所述的一种基于柔性传感器的手写字母信号识别系统的手写字母信号识别方法，其特征在于：所述的步骤5)中，多流卷积神经网络的输入被平均分为长度相等的四个输入部分，并分别对应多流分解阶段中依次排列的四个相同的分解部分，四个输入部分分别对应输入到四个分解部分中；针对每个输入部分和对应的分解部分，均进行以下操作：输入部分依次输入到分解部分的32卷积核卷积层、64卷积核卷积层、128卷积核卷积层和128卷积核局部连接层中进行处理，32卷积核卷积层和64卷积核卷积层之间、64卷积核卷积层和128卷积核卷积层之间、128卷积核卷积层和128卷积核局部连接层之间、128卷积核局部连接层之后均连接有依次进行的一个线性整流函数和一个BN算法；

32卷积核卷积层、64卷积核卷积层、128卷积核卷积层和128卷积核局部连接层的输出均先输入到一个线性整流函数中进行处理，线性整流函数的输出再经过BN算法处理后的结果，分别作为64卷积核卷积层、128卷积核卷积层、128卷积核局部连接层的输入以及该分解部分的最终输出；

512卷积核全连接层和256卷积核全连接层之间、256卷积核全连接层和128卷积核全连接层之间、128卷积核全连接层和64卷积核全连接层之间均连接有一个线性整流函数，64卷积核全连接层之后连接有一个SoftMax分类器；

各个分解部分的最终输出在融合阶段进行特征融合，融合结果依次经512卷积核全连接层、256卷积核全连接层、128卷积核全连接层和64卷积核全连接层处理，512卷积核全连接层、256卷积核全连接层、128卷积核全连接层的输出均先输入到一个线性整流函数中进行处理后的结果，分别作为256卷积核全连接层、128卷积核全连接层和64卷积核全连接层的输入，64卷积核全连接层的输出最后经SoftMax分类器处理输出分类结果。