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。