一种基于机器学习的方法，用于通过Halim介导的氧化锌纳米传感器检测铜

《NATIONAL ACADEMY SCIENCE LETTERS-INDIA》：A Machine Learning Approach for Copper Detection by Halim Mediated Zinc Oxide Nanosensor

Halim介导氧化锌电化学纳米传感器用于铜离子检测，结合差分脉冲伏安法（DPV）和机器学习模型（DT、ANN、kNN、SVM），通过tsne特征提取实现高效分类，kNN表现最优。

　　

摘要

在本研究中，利用Halim介导的氧化锌（H-ZnO）电化学纳米传感器检测水溶液中的铜离子，并结合机器学习（ML）模型对铜离子（Cu²⁺）进行分类。该纳米传感器被滴涂在石墨电极上，通过差分脉冲伏安法（DPV）评估其传感性能。实验结果显示，该传感器对铜离子具有极高的灵敏度，相关系数（R²）达到0.99。所得量化数据进一步用于构建分类用的机器学习算法。在0–1 ppm的已知浓度范围内，每种算法分别收集了约100个DPV数据集。分类前采用了t分布随机邻域嵌入（tsne）进行特征提取。分类方法包括决策树（DT）、人工神经网络（ANN）、k近邻（kNN）和支持向量机（SVM）。结果表明，kNN算法具有最高的准确率。