基于主成分分析的光纤表面等离子体共振传感器性能优化研究

本研究针对光纤表面等离子体共振（SPR）传感器在高折射率（RI）测量中存在的共振谷展宽和光谱失真问题，创新性地提出采用主成分分析（PCA）算法进行信号解调。通过实验对比传统波长追踪法与PCA方法，证实PCA可将检测限（LOD）提升一个数量级，有效扩展测量范围并提高精度，为SPR传感器在生化检测领域的应用提供了新思路。

　　

光纤表面等离子体共振（Surface Plasmon Resonance, SPR）技术因其免标记、高灵敏度和抗电磁干扰等优势，已成为生化传感领域的重要工具。然而，传统SPR传感器在高折射率（RI）测量时面临共振谷全宽半高（FWHM）增大和光谱波形失真的挑战，导致检测精度下降和测量范围受限。这些问题严重制约了其在复杂样本（如高浓度生物溶液）中的应用。

为解决这一难题，中国计量大学的研究团队创新性地将主成分分析（Principal Component Analysis, PCA）算法引入SPR信号处理领域。研究采用银（Ag）涂层单模光纤（SMF）夹嵌于双多模光纤（MMF）的传感器结构，通过对比传统共振谷追踪法与PCA解调法的性能差异，发现PCA能有效过滤系统噪声和环境干扰，从失真光谱中提取微弱的RI关联信号。实验结果表明，PCA不仅将传感器检测限（Limit of Detection, LOD）提升一个数量级，还显著改善了高RI区间的测量准确性。该成果发表于《Optics》期刊，为SPR传感器的信号处理开辟了新路径。

关键技术方法包括：1）构建MMF-SMF-MMF光纤结构实现高效SPR激发；2）采用波长/强度双参数解调法作为传统方法对照；3）应用PCA算法提取光谱主成分特征；4）通过折射率梯度实验验证性能提升效果。

结果与讨论
扩展SPR传感器测量范围的PCA方法
通过对比原始光谱与PCA处理后的绝对光谱发现，传统方法在高RI（1.40-1.45）区间出现明显波形畸变，而PCA能保持线性响应。实验数据显示，PCA将传感器线性测量范围扩展了23%，且RI灵敏度达到4,852 nm/RIU。

与传统算法的对比分析
相较于人工神经网络（ANN）等复杂算法，PCA无需预训练即可实现实时处理，计算效率提升40%。在1.42 RI条件下，PCA的均方根误差（RMSE）比波长追踪法降低68%。

结论与意义
该研究首次证实PCA算法可有效克服SPR传感器在高RI测量时的物理局限性。通过抑制FWHM展宽和波形失真效应，PCA不仅将LOD从10^-4 RIU提升至10^-5 RIU量级，还显著增强了系统抗干扰能力。这一突破为开发新一代智能SPR传感系统提供了理论支撑，尤其在实时体液检测和环境污染监测等领域具有重要应用前景。研究团队特别指出，PCA的通用性使其可兼容多种光纤SPR结构，未来通过结合微型光谱仪有望实现便携式设备开发。