基于阻抗的机器学习框架：利用Pd-In?O?修饰的MXene传感器检测呼吸生物标志物

《Sensors and Actuators B: Chemical》：Immittance-Based Machine Learning Framework for Breath Biomarker Detection Using Pd-In 2O 3-Decorated MXene Sensors

本研究通过热氧化和负载5% Pd-In?O?纳米颗粒将MXene转化为高电阻率复合材料，结合频率依赖的阻抗传感策略与1D CNN深度学习模型，实现了对丙酮和乙醇的高选择性稳定检测，尤其在潮湿条件下仍保持可靠性能，为二维纳米材料在实时呼吸分析中的应用提供了新方法。

　　

作者：崔宇成（Useong Jeong）、姜明铉（Myung Hyun Kang）、申惠洙（Huisu Shin）、徐东旭（Dong-Uk Seo）、金敦奎（Don-Kyu Kim）、黄熙洙（Heesu Hwang）、李明一（Myeong-Ill Lee）、金德胤（Dokyun Kim）、吴奎恩（Youkeun Oh）、金亨澈（Hyoungchul Kim）、成明（Sung Myung）、黄镇河（Jin-Ha Hwang）

韩国首尔弘益大学材料科学与工程系，邮编04066

摘要

基于高电阻率材料的传统气体传感器在直流（DC）模式下通常存在信号稳定性差和可靠性有限的问题。为克服这些限制，本研究提出了一种频率依赖的导纳传感策略，并结合深度学习技术，实现了在潮湿条件下对丙酮和乙醇的选择性和稳定检测。通过热氧化处理以及在MXene表面负载Pd掺杂的In₂O₃纳米颗粒（相对于In₂O₃的质量比为5%），将MXene这种金属导电材料转化为高电阻率复合材料，从而使其能够在交流（AC）模式下可靠工作。研究提取了包括阻抗、导纳、电容和模量在内的复杂导纳参数，并将其作为数值数据和图像格式输入用于神经网络模型。值得注意的是，基于图像格式阻抗数据训练的一维卷积神经网络（1D CNN）的性能显著优于传统深度神经网络（DNN），即使在单频输入的情况下也能实现准确的气体分类。这项工作展示了高频AC传感与图像格式深度学习之间的强大协同作用，为使用高电阻率二维纳米材料进行实际呼吸分析提供了一个稳健且可扩展的平台。

部分内容摘录

引言

基于半导体金属氧化物（SMO）的呼吸生物标志物检测方法因其简单的配置和对目标气体的高灵敏度而受到广泛研究。然而，大多数传统传感器依赖于使用分压电路进行直流（DC）电阻测量[1]、[2]、[3]。这种配置在应用于高电阻率传感材料（MΩ范围）时存在固有局限性，常常导致输出不稳定和信噪比较低。

Ti₃C₂T_x纳米片的制备

为了合成Ti₃C₂T_x纳米片，将1克MAX相粉末（Ti₃AlC₂）分散在由氢氟酸（HF）、盐酸（HCl）和去离子水按3:6:1体积比组成的混合蚀刻溶液中。在25℃下搅拌24小时以选择性蚀刻Al层。蚀刻后，将溶液的pH值调整为6.0，并以12,000 rpm的速度离心10分钟以分离上清液，从而获得Ti₃C₂T_x纳米片。

Pd-In₂O₃纳米颗粒在MXene表面的制备

采用与我们之前工作中报道的In₂O₃/MXene合成方法类似的单步超声方法，在MXene表面制备了Pd-In₂O₃纳米颗粒[30]。在此过程中，MXene、醋酸铟、氯化钯和1-十八烯在超声作用下直接发生反应。反应机制涉及In³⁺离子吸附到MXene的=O或–OH基团上，形成In(OH)₃，随后在高温高压条件下被氧化为In₂O₃。

结论

本研究证明了使用结构、成分和电学性能优化的Pd-In₂O₃（Pd掺杂量为5%）纳米颗粒修饰的MXene材料进行导纳传感的有效性。这些具有高电阻率的二维材料为丙酮和乙醇的呼吸分析提供了可靠的检测平台。从阻抗谱获得的电阻值与传统DC测量结果高度吻合，进一步证实了该方法的有效性。

作者利益声明

作者声明没有任何可能影响本研究结果的竞争性财务利益或个人关系。

作者贡献说明

申惠洙（Shin Heesu）：数据整理。姜明铉（Myung Hyun Kang）：实验研究、数据分析。崔宇成（Useong Jeong）：实验研究、数据分析、数据整理。黄镇河（Jin-Ha Hwang）：初稿撰写、指导、资金申请、概念构思。成明（Sung Myung）：初稿撰写、指导、资金申请、概念构思。金亨澈（Hyoungchul Kim）：数据分析。吴奎恩（Youkeun Oh）：概念构思。金德胤（Dokyun Kim）：概念构思。李明一（Myeong-Ill Lee）：软件开发、方法设计。黄熙洙（Heesu Hwang）：数据分析。徐东旭（Don-Kyu Kim）：

利益冲突声明

作者声明不存在可能影响本文研究结果的已知竞争性财务利益或个人关系。

致谢

本研究得到了韩国国家研究基金会（NRF）的资助（项目编号：NRF-2022R1F1A1074526），以及韩国科学信息通信技术部（MSIT）支持的数字研究创新计划（项目编号：RS-2023-00283902）的资助。同时，我们也感谢韩国化学技术研究院在智能化学材料开发项目中的财务支持。

崔宇成（Useong Jeong）于2025年在韩国首尔弘益大学获得材料科学与工程学士学位，目前是该校材料科学与工程系的硕士研究生。他的主要研究方向包括半导体材料/加工技术、氧化物基功能材料的研究与开发，以及将机器学习应用于传感技术。