深度学习辅助的便携式光装置用于动态监测大米中的吸收

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:

• (Hg²⁺) 构成重大环境风险,特别是在中国的米饭等食物通路中.
• 精确和动态监测Hg²⁺水平对于评估暴露和减轻健康风险至关重要.
• 现有的检测方法可能缺乏可移植性或现场适用于实时环境监测.

研究的目的:

• 开发一种灵敏且便携的光检测方法来检测离子 (Hg2+).
• 使用智能手机和3D打印设备创建一个集成的系统,用于定量,基于现场的Hg²⁺监测.
• 在各种环境样本中验证系统的性能,并评估大米中Hg2+的吸收.

主要方法:

• 通过一步式热水方法合成添加碳点 (N-CDs).
• 开发一种基于光的检测试验,用于Hg²⁺与N-CDs.
• 整合N-CD与3D打印设备和智能手机进行图像采集.
• 卷积神经网络 (CNN) 的应用,用于从光图像中进行定量Hg²⁺分析.

主要成果:

• 合成的N-CDs表现出高量子产量 (20.92%) 和对Hg²⁺ (DL:85 nM) 的高灵敏度.
• 便携式设备在Hg²⁺度从1-50μM到DL为0.2μM之间实现了高定量准确性 (R² = 0.998).
• 该设备在现实水样 (水龙头,河流,废水) 中显示出优异的回收率 (96.33%-113.67%).
• 对大米样本的分析表明,在适应后,Hg²⁺的吸收得到了增强.

结论:

• 成功开发了一种基于光的新型便携式系统,用于敏感和定量检测Hg²⁺.
• 集成设备为环境监测提供了一个简单,有效和现场部署的策略.
• 这项技术对农业和水生环境中管理暴露风险具有重大影响.