基于自混合干涉信号与机器学习微流控技术的微粒尺寸高精度分类研究

这篇研究创新性地将机器学习（ML）与自混合干涉技术（SMI）结合，构建了针对2/4/10 μm聚苯乙烯微粒的高精度分类系统。通过特征工程、时频分析（STFT）和1D-CNN三种数据表征方法，实现了98%的分类准确率，为无标记流式细胞术（flow cytometry）提供了可嵌入式部署的低功耗解决方案。

　　

自混合干涉技术原理与挑战

自混合干涉（SMI）是一种基于激光反馈效应的光学传感技术，当微粒穿过激光束时，背向散射光与腔内光干涉会产生多普勒频移（f_D=2Vsinθ/λ）。该技术虽具备非接触、低成本优势，但实际应用中面临信噪比（SNR）低、信号瞬变性强等挑战。尤其对于2 μm微粒，其SNR较10 μm微粒降低约60%，传统频域分析方法难以稳定提取特征。

微流控与光学系统设计

研究团队搭建了集成PDMS微流控芯片与1550 nm分布式反馈（DFB）激光器的实验平台。通过鞘流聚焦（hydrodynamic focusing）技术实现单微粒定位，激光束以80°入射角聚焦至80 μm光斑，配合500 kHz采样率的DAQ系统捕获信号。COMSOL仿真显示微粒速度范围对应多普勒频率5-100 kHz，为后续算法设计提供依据。

机器学习三大技术路线

特征工程模型：提取信号幅度（Hilbert变换）、通过时间（高斯拟合）、频谱功率（∑|STFT(t,f)|²）等6维特征，经128-256神经元全连接网络分类，验证集准确率达97.8%。t-SNE可视化显示三类微粒在特征空间呈明显聚类。

时频分析模型：采用128点Hamming窗STFT生成63×65像素谱图，配合64-8神经元网络结构。研究发现nperseg=128时在保持1 kHz频率分辨率的同时，可有效捕捉1.6 ms瞬态信号，模型测试准确率97.7%。

原始信号1D-CNN：三层卷积核（尺寸5，通道64-128-256）直接处理2500点时间序列，结合BatchNorm和20% Dropout防止过拟合。该端到端模型以98.9%准确率成为最优方案，量化至INT8后模型体积仅2.16 MB，推理延迟1.8 ms，满足实时性需求。

性能验证与临床潜力

混淆矩阵显示三类微粒的F1-score均高于0.94，其中10 μm分类精确度达99%。该系统在模拟血细胞分析中展现出应用潜力，未来可通过VCSEL光源优化和3D鞘流设计进一步提升性能。研究证实，即使对于SNR仅5 dB的2 μm微粒，机器学习仍能保持95%召回率，显著优于传统阈值检测方法。

技术拓展方向

当前工作局限在于使用单一材质微粒，下一步将验证异质混合物（如癌细胞/红细胞）分类效果。研究者建议整合FPGA硬件加速，并探索时频-原始信号的多模态融合架构，以应对更复杂的生物颗粒检测场景。