基于SERS与CNN-GRU-Attention增强模型的痕量农药残留高精度定量检测研究

针对传统农药残留检测方法灵敏度低、耗时长等问题，北京自然科学基金资助项目创新性结合表面增强拉曼光谱(SERS)与增强型CNN-GRU-Attention深度学习模型，实现了水体中溴氰菊酯(deltamethrin)的高精度定量分析。该模型通过门控循环单元(GRU)和注意力机制优化特征提取，预测性能达R2=0.9827，较传统方法准确率提升8%，误差降低40%，为环境污染物监测提供了创新技术路径。

　　

在农业生产和公共卫生领域，溴氰菊酯(deltamethrin)作为高效广谱的拟除虫菊酯类杀虫剂被广泛应用。然而，其在水体中的无色无味特性使得痕量残留检测成为全球性难题。传统色谱、质谱等方法虽精准，却受限于设备昂贵、操作复杂等缺点，难以满足快速监测需求。尤其令人担忧的是，长期暴露于农药残留可能引发神经毒性等健康风险，而现有技术的检测限往往无法捕捉环境中的超低浓度污染物。这一困境催生了新型检测技术的探索——表面增强拉曼光谱(SERS)技术凭借其单分子水平的检测能力和"指纹图谱"特性崭露头角，但信号非线性、基质干扰等问题仍制约着其实际应用。

为突破这一技术瓶颈，北京市自然科学基金资助项目的研究团队在《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》发表了一项突破性研究。他们创造性地将SERS技术与增强型深度学习模型相结合，开发出CNN-GRU-Attention混合神经网络架构，实现了水体中溴氰菊酯的高灵敏度、高精度定量检测。这项研究不仅将预测准确率提升至R²=0.9827，更通过算法创新解决了传统方法40%的误差问题，为环境污染物监测树立了新标杆。

关键技术方法
研究采用银溶胶-凝胶法制备SERS活性基底，采集176个溴氰菊酯样本在400-3000 cm^-1范围的增强光谱。通过多元散射校正(MCX)预处理优化数据质量，构建包含卷积神经网络(CNN)、门控循环单元(GRU)和注意力机制的三模块混合模型。CNN负责局部特征提取，GRU捕捉光谱时序依赖性，注意力机制则聚焦关键峰位信息，最终通过全连接层输出浓度预测值。

研究结果

Comparative analysis of spectral properties
原始光谱显示不同浓度溴氰菊酯在560 cm^-1(C-Br键)、1000 cm^-1(苯环呼吸振动)等特征峰强度呈梯度变化，但受荧光背景干扰显著。经MCX预处理后，特征峰信噪比提升3倍，有效凸显了1000-1600 cm^-1区间的分子振动信息。

Conclusion
最终模型在独立验证集上表现优异，预测R²达0.9809，RMSE仅0.411，较传统PLSR、SVR方法准确率提高8%，误差降低40%。特征重要性分析表明，1000 cm^-1和1300 cm^-1波段对浓度预测贡献度达62%，印证了苯环结构在SERS信号中的核心地位。

重要意义
该研究通过SERS与增强深度学习的协同创新，首次实现了复杂水体基质中痕量溴氰菊酯的快速准确定量。其技术突破主要体现在三方面：一是GRU模块有效捕捉了光谱信号的浓度-强度非线性动力学特征；二是注意力机制使模型能自适应聚焦于1000-1600 cm^-1关键指纹区；三是端到端架构避免了传统方法繁琐的特征工程。这项成果不仅为农药残留监测提供了新范式，其模型设计思路还可拓展至重金属、抗生素等环境污染物检测领域，对保障饮用水安全和精准环境评估具有重要实践价值。