基于机器学习增强型表面等离子体共振（SPR）生物传感器与BK7/Ag/WS2/石墨烯多层结构用于超灵敏结核病生物标志物检测

本研究提出一种基于银（Ag）、二硫化钨（WS2）和石墨烯多层结构的表面等离子体共振（SPR）生物传感器，用于高灵敏度检测结核病（TB）生物标志物。该传感器通过优化层厚（Ag: 45–70?nm，石墨烯: 1.6–3.4?nm，WS2: 1–3?nm）实现300°/RIU灵敏度、38 RIU?1的优值因子（FoM）和低至0.031的检测限，并集成XGBoost机器学习算法，显著提升预测准确性，为资源有限地区的即时检测（POCT）提供突破性解决方案。

　　

Numerical simulation and modeling

所提出的表面等离子体共振（SPR）传感器结构采用多层配置，旨在增强光与物质相互作用。该装置基底为BK7玻璃棱镜，具有优异的光学透明性和稳定的折射率特性。棱镜顶部沉积一层薄银（Ag）膜，作为主要等离子体介质，因其在可见光和近红外区域具有优异的导电性和强等离子体支持特性。

Electromagnetic Analysis of the proposed sensor design

在每一均匀、各向同性层j中，具有厚度d_j、相对介电常数ε_j(ω)和磁导率μ_j≈1，时间谐波麦克斯韦方程组结合e^?iωt依赖性给出亥姆霍兹方程。对于沿x方向传播的TM波（非零H_y、E_x、E_z），其面内波数为k_x：

?×E = iωμ₀H,

?×H = ?iωε₀ε_jE,

k_x = n₀k₀sinθ,

k₀ = ω/c,

k_zj = √(ε_jk₀² ? k_x²), Im(k_zj) ≥ 0

层j中的场相量可表示为前向/后向TM平面波的叠加：

H_y^(j)(z) = A_je^+ik_zjz + B_je^?ik_zjz,

E_x^(j)(z) = k_zj/(ωε₀ε_j) (A_je^+ik_zjz ? B_je^?ik_zjz)

Results and discussion

为获得优化传感器设计，在COMSOL Multiphysics中系统优化所提出结构的各关键层厚度，特别关注其对共振特性和反射率调制的影响。COMSOL Multiphysics模拟采用2D轴对称几何结构，在Kretschmann配置下进行。完美匹配层（PML）应用于外部边界以吸收出射波并最小化反射。

Extreme gradient boosting (XGBoost)

XGBoost是一种属于梯度提升算法的机器学习技术。它依次构建一系列决策树，每棵后续树学习纠正先前树的错误，通过梯度下降方法优化所选损失函数。XGBoost通过添加正则化控制、并发处理能力和树修剪策略改进标准梯度提升，从而提高预测性能和计算效率。

Conclusion

所开发的多层SPR生物传感器代表了结核病检测技术的重大进展，结合银、WS₂和石墨烯的优异光学特性实现卓越传感性能。系统优化方法产生了高灵敏度平台，具有300°/RIU灵敏度、有竞争力的优值因子（38 RIU^?1）和超低检测限（0.031），超越许多现有棱镜基传感器。共振角与分析物折射率之间的强线性关系进一步增强了其定量检测可靠性。集成XGBoost机器学习显著提高了预测精度，吸收预测在不同层厚度下达到96%相关性，折射率变化预测达到91%相关性。总体而言，该传感器为资源有限环境中的即时应用提供了快速、无标记检测，优于传统TB诊断方法。