无标签SERS平台以机器学习为辅助,用于多目标检测和汗水中的生理状态分类
Banglei Zhu1, Jin Chen2, Bingwei Wang2
1Military Medical Sciences Academy, Academy of Military Sciences, Tianjin 300050, China.
Analytical chemistry
|September 16, 2025
概括
这项研究介绍了一种新的无标签表面增强拉曼光谱 (SERS) 方法与机器学习 (ML) 用于同时检测汗液代谢物和生理状态分类,推进个性化健康监测.
科学领域:
- 生物感知和诊断技术
- 分析化学 分析化学
- 医疗保健中的机器学习
背景情况:
- 汗液代谢物检测对于健康监测至关重要,但在灵敏度,稳定性和多目标分析方面面临挑战.
- 传统方法在低度,复杂矩阵和有限的多重复合能力方面扎.
研究的目的:
- 开发一种创新的,无标签的SERS方法,与ML集成,用于同时定量检测汗液中的葡萄糖,尿酸和乳酸.
- 为了使用汗液代谢物概况对生理状态进行分类.
- 克服传统方法在多目标检测的灵敏度,准确性和可靠性的局限性.
主要方法:
- 使用便携式拉曼光谱仪与纳米结构增强的SERS用于放大信号检测.
- 采用无标签检测来减轻复杂的生物矩阵的干扰.
- 应用了七个机器学习模型 (KNN,SVM,CNN,DNN等). 用于定量分析和生理状态分类.
主要成果:
- 在真实汗水中实现了同时定量检测葡萄糖,尿酸和乳酸.
- 该KNN模型显示了对代谢物检测的最佳性能.
- SVM模型显示了94.7%的准确性和94.5%的F1分数用于生理状态分类.
结论:
- 综合SERS-ML方法显著提高了多目标汗液代谢物检测的灵敏度,准确度和可靠性.
- 这种方法为健康评估,疾病查和个性化健康管理提供了强大的工具.
- 为临床应用和个性化医学推进生物传感技术.
