使用机器学习的光学纳米传感器阵列的高时空精度映射
Changyu Tian1, Seyoung Shin1, Youngwook Cho1
1School of Chemical Engineering, Sungkyunkwan University, Suwon 16419, Republic of Korea.
ACS sensors
|September 25, 2024
概括
这项研究引入了一种机器学习技术,以增强光学纳米传感器阵列,提高检测极限和精度. 人工智能模型精确地识别了即使在检测值以下的分析物,克服了环境噪声以获得可靠的传感.
科学领域:
- 纳米技术 纳米技术
- 生物感应是一种生物感应.
- 机器学习 机器学习
背景情况:
- 光学纳米传感器,像单壁碳纳米管 (SWCNTs),提供高灵敏度的实时,单分子检测.
- 环境因素 (流体流动,机械应力) 和低分析剂度往往限制纳米传感器的准确性和检测能力.
- 现有的方法难以达到最佳检测极限 (LOD),并且可能由于噪声误解数据.
研究的目的:
- 为光学纳米传感器阵列开发基于机器学习的单像素映射技术.
- 提高纳米传感器测量的时空精度和灵敏度,特别是对于低于LOD的分析物.
- 为了将真实分析信号与环境噪声区分开来,获得更可靠的数据.
主要方法:
- 利用近红外光SWCNT纳米传感器阵列测量各种分析剂度的空间传感图像.
- 应用机器学习从杂的传感器数据中提取单像素特征 (,拉普拉斯,邻近值).
- 训练了一个AI模型来识别特定的分析反应像素,并将它们与流体动力学或机械调制等噪声源区分开来.
主要成果:
- 与原来的LOD相比,检测灵敏度提高了13倍.
- 报告像素的检测时间减少了一半,F1得分超过0.9.
- 成功地从背景噪声中分离了特定的分析物反应,从而实现了准确的时空报告.
结论:
- 开发的AI驱动的单像素映射技术显著提高了光学纳米传感器的灵敏度和准确性.
- 这种方法克服了环境噪声和低分析剂度带来的局限性,改善了LOD.
- 该方法广泛适用于各种光学纳米传感器材料和分析物,在诊断和分析中推进应用.
