深度学习集成的SERS平台,用于准确识别各种甲酸亚型

科学领域:

• 分析化学 分析化学
• 材料科学 材料科学 材料科学
• 计算科学 计算科学

背景情况:

• 甲酸 (PAE) 是常见的增塑剂,可以从聚合物中出,造成环境和健康风险,包括内分泌干扰.
• 目前对PAE的检测方法可能耗时,并且缺乏监管合规所需的灵敏度.
• 需要快速,准确和现场部署的分析工具来识别和量化PAE.

研究的目的:

• 开发基于表面增强拉曼光谱 (SERS) 的分析平台,以快速准确地识别和分类七种代表性的PAE.
• 将深度学习算法与SERS集成,以增强检测能力.
• 验证平台在真实世界消费品中检测PAE的性能.

主要方法:

• 工程化等离子金纳米柱 (AuNP) 基板具有纳米间隙结构,以创建用于SERS信号放大的强烈电磁热点.
• 使用便携式拉曼光谱仪收集了全面的SERS光谱数据集.
• 在PAE分类的光谱数据上训练深度神经网络 (DNN) 模型,并利用SHapley添加式扩展 (SHAP) 进行模型解释性.

主要成果:

• 对于所有七种PAE物种,SERS平台实现了99.4%的强大的分类准确率.
• SHAP分析确定了关键的拉曼光谱特征,这些特征对于准确的PAE预测至关重要.
• 该平台在商业消费产品中成功检测出接近0.1% (w/w) 监管门的PAE度.

结论:

• 纳米结构增强的SERS和深度学习的集成为可靠的PAE检测提供了强大,高吞吐量和现场部署的方法.
• 这种方法为环境监测,消费者产品安全评估和监管合规性提供了重大潜力.
• 开发的平台展示了危险化学品检测分析技术的有希望的进步.