基于XGBoost方法的大肠杆菌-NC膜复合电极阻抗模型研究

将机器学习方法用于分析大批量大肠杆菌菌液浓度以及临界低阈值抗生素抑菌效果评价。采用XGBoost机器学习算法,构建金电极上大肠杆菌-NC膜贴附模型,用于检测不同浓度大肠杆菌的电化学阻抗谱。在此基础上,分析不同浓度抗生素硫酸阿米卡星作用于标准浓度大肠杆菌所对应的阻抗谱变化。根据Randles等效电路,使用ZView软件拟合阻抗曲线得到所对应的7个电化学参数,通过主成分分析法,依据选取信息量前90%的原则,提取Rs、CPE-P、CPE-T、R1等4个参数作为XGBoost预测模型输入,分别以菌液浓度、抗生素浓度为预测值,建立大肠杆菌菌液浓度预测模型和抗生素浓度预测模型。两组实验预测结果均与实际结果吻合,菌液预测浓度平均均方根误差(RMSE)为2.18×10^(-3)lg CFU/mL,每组样本预测浓度最大上下限差值在1.49×10^(7)CFU/mL之内;抗生素预测浓度平均均方根误差(RMSE)为7.45×10^(-3)μL/mL,回归精度达0.01μL/mL,实现了大肠杆菌浓度及抗生素含量快速准确预测。因此,基于XGBoost的大肠杆菌-NC膜阻抗模型可定量分析菌液浓度以及临界低阈值抗生素抑菌效果评价,从而可对电极表面的微量蛋白质和细菌等生物膜贴附后造成的长时程阻抗变化进行定量检测评估,在食品安全领域电化快速检测中具有较大的应用价值。

基于机器学习的低浓度多巴胺快速电化学检测方法研究

针对便携式恒电位仪精度较低、易受试验条件影响的问题,结合纳米材料修饰电极与机器学习算法,提出一种低浓度多巴胺(DA)电化学检测分析方法,以期在多个实验干扰因素存在的情况下实现DA的快速准确检测。利用计时电流法(CA)在玻碳电极(GCE)表面电沉积金纳米粒子制备AuNPs/GCE电极,采用循环伏安法(CV)验证其对DA的氧化还原具有良好的电催化活性。在不同底液pH和扫速下,基于AuNPs/GCE电极对不同浓度DA溶液进行重复性循环伏安检测,对检测数据进行峰高、峰电位、基线斜率、峰面积和起始氧化还原电位等重要特征参数的提取,并结合极端梯度提升树(XGBoost)和随机森林(RF)构建两阶段浓度预测模型。结果表明,对于不同pH和扫速干扰下的DA检测数据,相较于传统SVR模型,XGBoost-RF浓度预测模型的MAE、RMSE和MAPE%分别降低53.9%、39.7%和2.7%,RF预测模型的训练时间降低23%,预测准确度提升7%,预测值和真实值间的拟合度(R-Squared)为0.943。所提出方法有效降低了DA测定过程中不同实验干扰因素的影响,在提高检测精度的同时降低了实验的复杂度,对实现微量特征物的电化学现场快速检测具有重要意义。