https://journal.hep.com.cn/fese/EN/10.1007/s11783-021-1472-9文章出版:Front. Environ. Sci. Eng. 2022, 16(3): 38题目:
A fast antibiotic detection method for simplified pretreatment through spectra-based machine learning
作者:
Yicai Huang (黄溢才) 1, Jiayuan Chen (陈佳源) 1, Qiannan Duan (段倩囡) 2, Yunjin Feng (封云金) 1, Run Luo (罗润) 1, Wenjing Wang (王雯静) 1, Fenli Liu (刘粉莉) 1, Sifan Bi (毕思凡) 1, Jianchao Lee (李剑超) 1 ( ✉ )
作者单位:
1 Shaanxi Normal University, China
2 Northwest University, China
通讯作者邮箱:
jianchaolee@snnu.edu.cn
关键词:
Antibiotic contamination (抗生素污染) ;
Spectral detection (光谱检测) ;
Machine learning (机器学习)
抗生素广泛应用于医药和畜牧业。然而,由于抗生素对降解的耐药性,大量抗生素进入环境,对生态系统和公众健康构成潜在风险。因此,对环境中抗生素的检测是必要的。然而,传统的检测方法通常涉及复杂的前处理技术和昂贵的仪器,需要相当长的时间和经济成本。本文提出了一种基于光谱机器学习的简化预处理混合抗生素快速检测方法。在改进的光谱仪的帮助下,生成了大量的特征图像来绘制抗生素信息。利用机器学习模型建立特征图像与抗生素浓度之间的关系。采用决定系数和均方根误差来评价机器学习模型的预测性能。结果表明,一个训练良好的机器学习模型可以在几乎没有预处理的情况下,准确地同时预测多种抗生素的浓度。研究结果对促进环境检测技术和数字化环境管理策略的发展具有一定的参考价值。

图1 摘要图1。

图2 摘要图2。
本研究初步探索了一种基于光谱ML的简化前处理的混合抗生素检测方法。该方法利用一种改进的光谱装置在短时间内获取多种抗生素特征光谱图像。通过ML技术,将数千幅特征光谱图像与浓度标签关联,实现对多种抗生素浓度的准确预测。在这一过程中,光谱ML通过对高质量数据的强大计算能力显示出其在成本、检测效率和数据标准化方面的优势。但对于真实环境样品的预测,以及在低浓度范围内提高预测性能仍需进一步研究。值得注意的是,整个实验过程中,除pH调节、过滤等简单的预处理外,对样品进行进一步预处理的工作量很小。这是ML和光谱学相结合的一大优点。因此,在未来的研究中,寻找合适的检测方法与ML相结合,将有效地推动环境检测技术的发展。
任朋,北京工业大学城市建设学部博士研究生,专业方向为土木工程。

由教育部主管、高等教育出版社主办的《前沿》(Frontiers)系列英文学术期刊,于2006年正式创刊,以网络版和印刷版向全球发行。系列期刊包括基础科学、生命科学、工程技术和人文社会科学四个主题,是我国覆盖学科最广泛的英文学术期刊群,其中13种被SCI收录,其他也被A&HCI、Ei、MEDLINE或相应学科国际权威检索系统收录,具有一定的国际学术影响力。系列期刊采用在线优先出版方式,保证文章以最快速度发表。

 | 《前沿》系列英文学术期刊 中国学术前沿期刊网
http://journal.hep.com.cn/ |