高灵敏的超疏水性SERS基板与机器学习相结合,用于精确识别和分类纳米塑料
Shuangyun Li1, Lingxi Tu1, Yan Jin1
1School of Physics and Technology, Nantong University, No. 9, Seyuan Road, Nantong, Jiangsu 226019, China.
概括
研究人员开发了一种敏感的表面增强拉曼散射 (SERS) 方法,用于检测水中的纳米塑料. 这种技术结合机器学习,准确地识别和量化纳米塑料,为环境监测提供了一个至关重要的工具.
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:
- 塑料污染,特别是纳米塑料,由于其穿越生物障碍的能力,造成了严重的环境和健康风险.
- 目前的纳米塑料检测方法缺乏有效监测所需的速度,简单性和灵敏性.
- 表面增强拉曼散射 (SERS) 为纳米塑料检测提供了一个有前途的方法,因为它具有很高的灵敏度和分子特异性.
研究的目的:
- 开发一种快速,灵敏和可靠的方法来检测和识别环境样本中的纳米塑料.
- 为增强纳米塑料检测创造一种新的超水性SERS基板.
- 在复杂的矩阵中使用机器学习算法来准确地分类纳米塑料.
主要方法:
- 在表面上使用层次的微步/纳米板结构制造超性SERS基板,然后进行PDMS涂层和银沉积.
- 优化SERS基质,以实现高增强系数 (2.89 × 10^7) 和优异的可重现性 (RSD = 5.02%).
- 应用传统的机器学习和1D卷积神经网络 (1D-CNN) 模型来分析SERS光谱,用于湖水样本中纳米塑料的识别.
主要成果:
- 优化的SERS基板成功地在湖水中识别了单个纳米塑料 (PS,PET,PP) 和复杂混合物.
- 机器学习模型在区分七种类型的纳米塑料方面取得了高精度,其中1D-CNN的精度达到99.88%.
- 与1D-CNN模型集成的基于信任的拒绝策略有效过了环境干扰,保持了高检测准确度.
结论:
- 开发的SERS基板和机器学习方法为纳米塑料监测提供了高度可靠和高通量解决方案.
- 这种综合方法证明了在评估现实环境中纳米塑料污染的实际应用的巨大潜力.
- 该研究强调了将先进的SERS基板与复杂的数据分析相结合的力量,以应对关键的环境挑战.
