多模态电流卷积神经网络信号处理系统提升了离子敏感场效应晶体管传感器的性能

《IEEE Transactions on Electron Devices》：Multimodal Current-Convolutional Neural Network Signal Processing System Improves Ion-Sensitive Field-Effect Transistor Sensor

基于多模态电流的CNN pH预测系统

　　

摘要：

与传统的基于人类测量数据的电参数提取方法不同，本研究提出了一种创新的多模态电流卷积神经网络（MMC-CNN）信号处理系统，用于实现对离子敏感场效应晶体管（ISFET）传感器的稳健、准确的分析，并能够直接预测pH值。该系统考虑了来自双栅全耗尽绝缘体上硅（FDSOI）FET多个端点的多种电流类型，包括漏源电流（Ids）、液体泄漏电流（lg）和背栅泄漏电流（bg），以及源漏电流（Is）。通过深度学习算法——卷积神经网络（CNN）对这些电流数据进行联合训练，使得该系统无需任何手动校准即可自主预测pH值。研究分析了11种不同的电流配置及其泛化能力，以提高MMC-CNN系统的可解释性和有效性。实验结果表明，该系统具有出色的统计性能：准确率（R2）高达0.9969（优于手动回归方法的0.9672），平均绝对百分比误差（MAPE）低至1.49%，平均绝对误差（MAE）低至0.0775。而仅使用背栅泄漏电流（lg）进行预测时，这些指标显著下降。COMSOL Multiphysics仿真和泄漏电流测量结果进一步证明了源漏电流（Is）、液体泄漏电流（lg）和背栅泄漏电流（bg）与pH值之间的内在关联，从而为MMC-CNN系统的可靠性提供了支持。该技术在多端子FET传感器中具有高度的可扩展性，有望在化学和生物定量分析领域带来重大创新。