在基于半导体金属氧化物的呼吸传感器中，将频率依赖的阻抗特性与机器学习技术进行协同整合，以实现高性能的气体识别

《ACS Sensors》：Synergistic Integration of Frequency-Dependent Impedance and Machine Learning in Semiconductor Metal Oxide-Based Breath Sensors for High-Performance Gas Discrimination

气体传感器通过频率依赖阻抗光谱与深度学习结合，可精准识别丙酮-乙醇混合物，湿度环境提升识别率至99%。

　　

频率依赖性阻抗谱结合机器学习是一种强大的策略，可用于利用相互作用的半导体金属氧化物（SMO）气体传感器来区分不同的气体种类。在本研究中，使用了负载了0.3原子百分比铂的SnO₂传感材料进行基于呼吸的疾病检测，重点是通过机器学习辅助区分在干燥和潮湿环境（相对湿度80%）下0.5–2.5 ppm的丙酮和0.5–2.5 ppm的乙醇混合物。从10⁵到10⁴ Hz频率范围内获得的复阻抗的实部、虚部和幅值分量中提取的数据特征，被用于通过监督式深度学习神经网络（DNNs）来提高气体区分性能。即使仅通过结构和成分的修改设计了一个传感器，频率依赖性的阻抗特征也能在潮湿条件下准确识别丙酮混合物中的丙酮浓度：使用单频阻抗数据（即10⁵ Hz）时准确率达到99%，而使用基于直流（电压）的信号时准确率为66%。这种创新策略不仅为检测呼吸中的丙酮提供了有效且可扩展的解决方案，也适用于检测由化学性质相似的气体组成的混合物。