机器学习辅助的碳量子点增强光探头用于检测汗水中的2+

科学领域:

• 生物技术是生物技术.
• 材料科学 材料科学 材料科学
• 分析化学 分析化学

背景情况:

• (Zn2+) 对人类健康至关重要,但其检测具有挑战性.
• 现有的Zn2+检测方法需要复杂的设备和大量的样品准备.

研究的目的:

• 开发一种高度选择性和敏感的光生物传感器,用于在汗水中检测Zn2+.
• 为了利用从生物废物中获得的碳量子点 (CQD).
• 整合一个机器学习框架,以提高检测准确性和实时分析.

主要方法:

• 合成的光碳量子点 (CQDs) 使用生物废物的微晶纤维素.
• 利用CQDs的聚合诱导排放 (AIE) 特性用于Zn²⁺检测.
• 开发了一个机器学习检测框架,结合了光谱特征集群和MobileViT架构.

主要成果:

• 基于CQD的传感器证明了选择性和稳定的光检测Zn2+在汗水中,即使有干扰物质.
• 机器学习系统通过对光谱的自动分析来识别Zn²⁺,达到82.4%的准确率.
• 在复杂的汗水矩阵中,优化的工作流实现了0.17μM的低检测极限 (LOD).

结论:

• 这项研究提出了一种基于CQD的新,环保的生物传感方法,用于微量Zn2+检测.
• 机器学习的整合提供了一个变革性的,实时的,准确的方法来监测基本的微量元素.
• 这项技术对下一代可穿戴健康监测设备具有前景.