基于差分吸收几何不变量与卷积神经网络的新型光学传感器实现ppb级呼气一氧化氮无创检测

本文推荐一种结合差分吸收几何不变量（DAGIs）与卷积神经网络（CNN）的光学传感器，通过紫外差分吸收光谱（UV-DOAS）技术解决呼气一氧化氮（NO）检测中基线漂移和超低浓度（0.85 ppb）测量难题。创新性提出几何三角形特征参数作为DAGIs，并开发Geometric-CNN模型融合光谱与几何特征，为呼吸系统疾病（如肺炎、哮喘）的无创诊断提供高精度工具。

　　

Highlight

本研究亮点在于提出差分吸收几何不变量（DAGIs）概念，通过构建NO吸收峰几何三角形（边长/周长/面积等不变参数），有效克服紫外光谱基线漂移问题。结合创新的Geometric-CNN模型，融合几何特征与全局光谱数据，将呼气NO检测灵敏度提升至0.85 ppb（基于Allan方差），较传统光学方法显著优化。

Geometric-CNN精度分析

如图5所示，Geometric-CNN在测试集中表现卓越：相较传统CNN（未融合DAGIs）、DPSRNN模型和支持向量回归（SVR），其均方根误差降低42%，相关系数达0.998。特别在<5 ppb超低浓度区间，几何特征增强使预测偏差小于±0.3 ppb，证实DAGIs对微弱吸收信号的放大作用。

Conclusion

该传感器通过DAGIs-CNN协同机制，首次实现呼气NO的实时、稳定、抗干扰检测。临床测试显示其可精准捕获肺炎患者呼气中10-20 ppb的NO波动，为呼吸感染早期筛查提供革新性工具。未来可拓展至其他痕量气体标志物的多路检测。

（注：翻译严格保留UV-DOAS、ppb等术语格式，省略文献引用标记及图表标识）