食品认证与安全此外,机器学习辅助的石墨烯ISFET技术在食品行业的应用范围已经从pH传感扩展到了食品掺假检测和定量。这项技术能够有效识别口味和外观相似的产品,如不同种类的软饮料、咖啡混合物和牛奶品种,即使这些产品的pH值相近。通过使用人工神经网络和SHAP特征分析,ISFET能够以高分类精度区分这些产品。此外,该技术还成功演示了在低浓度下检测水中的全氟己酸,这对于确保食品安全至关重要。这些结果突出了机器学习辅助的石墨烯ISFET在解决食品工业中的广泛挑战中的应用潜力,并且可以作为一个经济高效的平台,用于食品供应链及其他领域的化学传感应用。 图4 使用机器学习辅助石墨烯ISFET进行食品认证 食物新鲜度监测机器学习辅助的ISFET技术还可被用于评估食品新鲜度,特别是不同果汁的新鲜度。研究中测试了橙子、菠萝、葡萄和西瓜汁在四天内的变质过程。通过多输出神经网络,模型能同时识别果汁种类和新鲜度,准确率高达97.67%。结果表明,该方法能有效区分果汁的身份和新鲜度,即使在涉及多个密切相关类别的复杂化学传感问题中。ANN模型的优势在于能够对多个类别和子类别进行分类,同时补偿传感器的非理想性,而无需了解食品的具体成分或老化机制。 图5 使用机器学习辅助石墨烯ISFET监测食物新鲜度 五、展望总之,这项研究强调了将机器学习算法与石墨烯ISFET相结合在化学传感应用中的变革潜力。使用非功能化石墨烯ISFET阵列生成的数据训练的ANN已表现出对化学变化进行分类和量化的卓越能力,尤其是在食品真实性、掺假、安全和腐败方面。此外,这项研究还提供了对传统上被认为是不透明黑匣子的ANN 的可解释性的见解。通过使用机器学习算法,这项研究克服了在 ISFET 中观察到的传统挑战,例如传感器多变性和需要进行大量校准,从而提高了该技术的可靠性和适用性。 参考文献:Pannone, A., Raj, A., Ravichandran, H. et al. Robust chemical
analysis with graphene chemosensors and machine learning. Nature (2024). https://doi.org/10.1038/s41586-024-08003-w