一种基于微针的集成三电极系统，利用机器学习技术进行农药检测

《Analyst》：A microneedle-based integrated three-electrode system for pesticide detection using machine learning

农药检测通过3D打印微针阵列结合差分脉冲伏安法与深度学习实现高精度鉴别，金电极经碳纳米管修饰后显著提升传感性能，对六种常见农药分类准确率达100%。

　　

农药有助于提高农业生产力，但过量的农药残留物会对人类健康构成重大风险，因为这些残留物即使在清洗后仍然会存在，因此在作物中检测到它们至关重要。在这项研究中，我们使用了3D打印的微针阵列（MNs），结合差分脉冲伏安法（DPV）和深度学习（DL）算法来捕捉农药分子的电化学特征信号。为了提高传感性能，由金薄膜制成的工作电极进一步经过碳纳米管的修饰，从而增加了表面积并显著改善了电流响应。通过电化学指纹分析，成功地对预定义的未知农药样品（MS222、对硝基苯酚、结晶紫、孔雀石绿、香草醛和硝基呋喃唑）进行了分类和鉴定。实验结果表明，所有算法在解释DPV指纹时的平均准确率均超过了90%，其中卷积神经网络（CNN）的准确率达到100%，这证实了该方法在农药识别方面的有效性。此外，在扩展数据集上的表现也同样令人满意。这种DPV和DL技术的创新集成为农药分类和识别开辟了新的途径，为推进农业安全措施和保障公共卫生提供了巨大潜力。