无预处理的SERS微塑料的感知,使用基于自我注意的神经网络在等级多孔的Ag泡上进行感知
Olga Guselnikova1,2, Andrii Trelin3, Yunqing Kang4,5
1National Institute for Materials Science (NIMS), Tsukuba, Ibaraki, Japan. guselnikovaoa@tpu.ru.
Nature communications
|May 28, 2024
概括
这项研究引入了一种新的传感平台,用于在没有预处理的情况下在环境样本中识别微塑料 (MP). 神经网络算法SpecATNet分析了表面增强的拉曼光谱数据,以快速检测MP.
科学领域:
- 环境科学 环境科学
- 分析化学 分析化学
- 材料科学 材料科学 材料科学
背景情况:
- 在环境样本中检测微塑料 (MP) 是至关重要的,但往往需要复杂,耗时的隔离和预处理步骤.
- 现有的方法阻碍了对国会议员的快速和低成本识别,限制了广泛的环境监测.
研究的目的:
- 开发一个全面的传感平台,用于在环境样本中直接识别MP,消除分离或预处理的需要.
- 创建一个先进的算法来分析复杂的光谱数据,同时准确识别多个MP类型.
主要方法:
- 采用以自我组装的聚合物微粒为模板的巨性-中性银 (Ag) 基板,通过表面增强拉曼光谱 (SERS) 进行并发的MP分离和分析.
- 开发了SpecATNet,一个具有自我注意机制的神经网络 (NN) 算法,用于解释复杂的SERS模式并识别六种常见的MP类型.
- 在SpecATNet中使用多标签分类来分析在干扰剂的存在下多成分MP混合物.
主要成果:
- Ag基板有效地稳定了纳米结构,减少了生物污染,促进了现场分析.
- 在复杂的混合物中,SpecATNet准确地确定了六种常见的微塑料类型 (聚烯,聚乙烯,聚甲基甲酸,聚四乙烯,尼龙和聚乙烯四甲酸).
- 该平台展示了能够解决重叠的光谱图案和分析样本而不需要先前隔离或预处理的能力.
结论:
- Ag基板和SpecATNet的综合系统为低成本,现场部署的微塑料监测提供了一个有希望的方法.
- 这项技术可以生成可解释的数据集用于机器分析,进步环境微塑料检测领域.
