机器学习辅助的SERS检测物种使用甲基酸盐/银水凝基板
Ziqi Zhang1, Zhixi Zhao1, Huaqing Ling1
1College of Chemistry and Chemical Engineering, Xinjiang Normal University, Urumqi 830054, China; Xinjiang Key Laboratory of Energy Storage and Photoelectroctalytic Materials, Urumqi 830054, China; Technical Research Center for Environmental Geotechnical Engineering Restoration and Resource Utilization, Xinjiang Normal University, Urumqi 830054, China.
Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
|February 19, 2026
概括
研究人员开发了一种基于水凝的新型传感平台,用于快速准确地分析环境样本中的物种化. 这种方法将表面增强拉曼散射 (SERS) 与机器学习相结合,可靠地检测 (IV) 和 (VI).
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:
- (Se) 是一种必不可少的微量元素,在营养需求和毒性之间有一个狭窄的窗口.
- 准确和快速检测环境矩阵中的物种化对于风险评估至关重要.
- 现有的物种化方法可能耗时且缺乏可移植性.
研究的目的:
- 开发一个便携式,稳定和高度灵敏的传感平台,用于快速定性和定量分析物种.
- 为表面增强拉曼散射 (SERS) 合成和表征酸盐/银纳米颗粒 (SA/Ag NPs) 水凝基底.
- 评估机器学习算法在真实样本中识别和量化物种的性能.
主要方法:
- 通过Ca2+离子交联合成SA/Ag NPs水凝基质.
- 水凝性质的表征,包括均性,可重复性,稳定性和增强因子 (EF).
- 应用SERS来检测Se(IV) 和Se(VI),然后使用机器学习模型进行分析 (PLS-DA,PCA-DA,KNN,SVM,PLSR,SVR).
主要成果:
- 该SA/Ag NPs水凝基体表现出优异的均性,可重复性和稳定性,EF为109.
- 达到Se(IV) (3.35微克/升) 和Se(VI) (3.37微克/升) 的低检测极限.
- 支持矢量机 (SVM) 模型显示分类准确率为90.0%,支持矢量回归 (SVR) 模型实现了定量化R2>0.8958.
结论:
- 建立了一个可靠的框架,集成水凝SERS基板和机器学习算法,用于特异化分析.
- 开发的传感平台为在复杂的环境样本中快速准确地在现场监测提供了一个有希望的解决方案.
- 这项研究强调了基于SERS的水凝基材与化学测量相结合的环境微量元素分析的潜力.
