快速迭代神经网络结合碳复合电极用于新兴水污染物的选择性检测

本综述提出了一种结合快速迭代神经网络（FINN）与碳复合电极（CCE）的创新传感系统，用于实时检测水体中新兴污染物（如药物残留、农药等）。该系统通过混合还原氧化石墨烯（rGO）、羧基化多壁碳纳米管（COOH-MWCNTs）和Nafion制备高导电性电极，并利用FINN模型迭代优化电化学信号解析，在纳摩尔浓度范围内实现高精度（96.3%）、低延迟（12.5 ms）检测，显著优于传统CNN、SVR等方法，为动态水质监测提供了高效解决方案。

　　

亮点 (Highlights)

• •

  设计并制备了一种结合rGO和生物相容性聚合物分散剂的碳复合电极（CCE），可增强电化学表面积并改善结构稳定性以防止团聚。该电极通过循环伏安法（CV）和差分脉冲伏安法（DPV）在一系列模型污染物中进行了优化。

• •

  实现了一种新颖的快速迭代神经网络（FINN）模型，即使标记数据有限，也能学习电化学信号中的时空关系。该模型采用快速迭代反馈循环与残差注意力机制，专注于与特定污染物相关的判别性特征。

文献综述 (Literature review)

近期文献表明，碳基复合电极在检测多种水污染物方面取得了显著进展。

提出的方法 (Proposed method)

FINN-CCE框架结合纳米材料电极增强与迭代机器学习，用于检测水中痕量污染物（图1）。CCE作为高响应传感器平台，捕获与污染物电化学氧化/还原对应的循环伏安（CV）信号。这些信号被传输至快速迭代神经网络（FINN）——一种轻量级深度模型，旨在利用CV序列中的时间和关系数据迭代优化预测置信度。

结果与讨论 (Results and discussion)

实验和计算分析在双模式环境中进行，包括实验室电化学测试和通过仿真进行的AI驱动信号分类。

结论 (Conclusion)

FINN框架凭借其电化学传感架构，为在不同浓度范围内检测污染物提供了强大而高效的解决方案。该模型在分类和回归精度、低浓度下的鲁棒性以及计算效率方面持续超越传统AI方法（包括CNN、SVR和YOLOv8n）。其能够在最小化平均绝对误差（MAE）的同时保持高准确率和F1分数，突显了其对噪声和信号重叠的韧性。