论文部分内容阅读
传统的生物化学传感器需要在材料表面进行修饰实现传感器的特异性,这使得传感器往往只能够实现对某一种目标物的具有特异性,而不能够对多种分子同时具有特异性。针对这一问题,本文采用模式识别算法的方法,对生物化学传感器的时域响应曲线进行特征识别,实现了单一传感器对多种目标分子的特异性识别。基本工作原理是通过检测电路获取传感器对目标分子响应的时域信号,根据传感器对不同分子的响应曲线不同,提取各响应曲线特征,并利用计算机人工智能的方法来实现对不同时域曲线的精确识别分类,从而最终实现了单一传感器对不同目标分子的的特异性识别。本文基于模式识别算法的生物化学传感器的思路,设计了两种基于模式识别算法的生物化学传感器,即基于支持向量机(Support Vector Machine,SVM)的无修饰泡沫石墨烯化学传感器以及基于主要成分分析法(Principal Component Analysis,PCA)和反向传播神经网络(Back Propagation Neural Network,BPNN)的无修饰石墨烯化学传感器。这两种人工智能化的化学传感器,不仅能够实现传感器对某一种分子的特异性,而且还能够实现对多种有机分子的精确识别分类。此外,这两种传感器的表面都不要修饰任何的分子来实现传感器的特异性,大大减少了传感器的制作的复杂度和成本,并且都有较长的使用寿命。这两种传感器都是由一个实时时域电阻测量电路,一个泡沫石墨烯作为敏感元件的传感器和一个模式识别算法模块组成。在整个传感器系统工作的过程中,首先通过实时时域电阻测量电路测量出不同有机分子与石墨烯相互作用时产生的电阻时域动力学曲线,然后通过数据预处理(Data Preprocessing DPP)的方法提取出这些曲线的特征,最后利用模式识别的算法实现对这些分子的特异性识别。这两个传感器的最大的区别在于模式识别算法模块,即前者直接把DPP产生的特征输入支持向量机对有机分子进行分类,而后者则先利用PCA对DPP产生的特征进行降维,再把降维后的特征矩阵输入BPNN对有机分子进行分类。通过多次的验证试验,测得两种传感器对有机分子的准确识别率均可达到90%以上。该传感器除了具备识别精度高和可以实现对多种分子进行特异性识别外,还具有测量速度快,制作简易,花费少,常温测量,使用寿命长等一系列的优点。此外,基于模式识别算法的传感器还为生物化学传感器在人工智能领域的研究和应用提供了一个有价值的全新策略。