针对高灵敏度多通道SPR-PCF生物传感器的优化时序动态图神经网络预测方法

《Knowledge-Based Systems》：Optimized Temporal Dynamic Graph Neural Network Prediction Approach for a Highly Sensitive Multi-channel SPR-PCF based Biosensor

提出基于光子晶体光纤（PCF）和表面等离子体共振（SPR）的多通道生物传感器优化预测模型TDGNN-HSSPR-PCFBS，结合MOFKF数据预处理和Hiking优化算法（HOA）优化超参数，显著提升灵敏度（17.20%降低MSE）、准确率（5.32%-6.46%提高）和波长灵敏度（21.22%-23.16%提高），适用于环境与生物医学检测。

　　

乌莎·拉尼·H|阿鲁纳查拉佩鲁马尔·C

电子与通信工程，RAMCO理工学院，拉贾帕拉亚姆，泰米尔纳德邦，印度。

摘要

光子晶体光纤和表面等离子体共振技术的结合显著提高了高灵敏度多通道SPR-PCF生物传感器中光与物质的相互作用。这使得该传感器能够进行多分析检测、实时检测，并在环境和生物医学应用中具有高灵敏度。由于传统生物传感器的显著限制损失、低灵敏度以及有限的多通道检测能力，准确有效地预测生物分子非常困难。本文提出了一种基于优化时域动态图神经网络预测方法的高灵敏度多通道SPR-PCF生物传感器（TDGNN-HSSPR-PCFBS）。输入数据来自基于机器学习的PCF-SPR传感器数据集，然后使用MOFKF对数据进行预处理以标准化数据。预处理后的数据通过TDGNN进行预测，以评估生物传感器的限制损失和振幅灵敏度。通过执行Hiking优化算法（HOA）来优化TDGNN的超参数。TDGNN-HSSPR-PCFBS的性能显示了预测结果的准确性。所提出的方法已实施，并使用性能指标（如振幅灵敏度、波长灵敏度、准确性、均方误差、精确度、限制损失和计算时间）对其效率进行了评估。与现有的方法（高灵敏度多通道SPR-PCF生物传感器结合深度学习预测方法HSM-SPR-PCF-DL、超灵敏度可见-红外范围光纤依赖型等离子体传感器：有限元分析结合深度学习方法进行RI预测US-IRRF-PS-DL，以及用于光子晶体光纤依赖型SPR传感器设计的AI算法AI-MC-PCF-SPR）相比，TDGNN-HSSPR-PCFBS分别实现了5.32%、6.46%、4.64%更高的准确性；6.35%、5.45%和8.46%更高的精确度；以及21.20%、23.16%、19.14%更低的均方误差。

引言

无标记光学生物传感器（称为SPR生物传感器）可以检测样本中的特定生物分子[1]。这些生物传感器通过监测金属表面附近材料折射率的变化来预测生物分子，这种变化是由于光照射到金属表面时导致传导电子与光同步移动而产生的表面等离子体共振[2]。用于传感器的等离子体材料的特性可能会影响其性能[3,4]。在表面等离子体共振传感器中使用的等离子体材料必须具有比周围材料更高的电子密度（RI），以维持强烈的等离子体并产生强烈的SPR[5]。等离子体层的厚度和粗糙度也会影响SPR传感器的功能[6]。最常见的两种材料是金（Au）和银（Ag）。尽管金和银都具有较高的电子密度，能够维持强烈的等离子体，但它们的差异可能会限制其在某些应用中的适用性[7]。由于电子密度高，金和银适合用于等离子体应用；然而，它们的导电性和吸收系数有所不同[8]。金的高吸收系数使其非常适合需要强烈等离子体共振的应用，而银的高导电性则使其更适合用于等离子体电子学[9]。由于其性能和化学稳定性，金是最广泛使用的等离子体材料[10]。根据SPR光子晶体光纤传感器的感测方式，可以将传感器分为内部感测和外部感测类型[11]。虽然内部感测具有较高的灵敏度，但其复杂的结构和金属覆盖层会导致显著的损耗[12]。然而，外部感测的制造过程更简单，损耗较小。通过调整光学参数（如金属层厚度、分析RI、入射光角度、金属层与感测介质之间的距离），研究人员改进了SPR传感器[13]。这些因素会影响SPR传感器的灵敏度和选择性。最近，已经提出了一些调整SPR传感器光学参数的技术。其中一种技术是使用具有特殊光学特性的等离子体金属材料。SPR传感器的工作频率被调谐到这些材料的共振频率[14]。使用这种技术，SPR传感器的灵敏度和选择性提高了几个数量级。机器学习方法在教育、土木工程和医学领域被广泛用于增强光学性能。这些算法可以通过分析大型传感器响应数据集来确定理想的灵敏度和选择性设置。利用这种技术优化各种应用的表面等离子体共振传感器设计已被证明是成功的[15]。使用生物传感器和不同类型的数据，研究了多种机器学习方法，以评估它们预测早期乳腺癌的能力[16]。在另一项研究中，机器学习也被用于提高用于疟疾血红蛋白浓度和红细胞检测的生物传感器的灵敏度[17]。作者使用机器学习（ML）创建了模型，以预测之前描述分析中的光学传感器特性。首先，提出了一种基于圆形PCF的SPR传感器，该传感器使用不同的双通道进行多分析检测[18]。其次，该团队利用机器学习技术准确有效地计算了PCF的特性。此外，他们还确定了在最短时间内最准确预测属性的机器学习方法[19,20]。

尽管生物传感技术取得了进展，但目前的方法在实现高灵敏度和有效分析检测方面仍面临挑战，尤其是在多通道系统中。现有基于SPR-PCF的生物传感器的局限性包括检测范围有限、材料配置不佳以及需要繁琐的建模方法进行优化。准确预测传感器在各种配置下的性能（包括折射率变化和结构差异）至关重要，但计算要求较高。尽管现有的一些方法试图通过解决准确性、振幅灵敏度、波长灵敏度等方面来提高网络性能，但仍需要更全面的方法，包括安全系统。

光子晶体光纤依赖型SPRBS由于其特殊的光导特性和定制的微结构而提供了更高的灵敏度。PCF的集成通过提供对衰减场相互作用的更多控制，改善了生物分子相互作用的检测极限。先进的等离子体材料（如石墨烯或第二代纳米材料）被用于新型设计中，以进一步提高传感器的特异性和性能。这一突破为无标记、极其有效的生物传感应用开辟了新的可能性，例如食品安全、医学诊断和环境监测。

本文的主要贡献包括：

•

开发了一种优化的TDGNN框架，用于预测高灵敏度多通道SPR-PCF生物传感器的限制损失和振幅灵敏度

•

设计了MOFKF模型，用于标准化和融合数据集中的多源数据。

•

该预处理模型有效减少了噪声，处理了不完整的观测数据，并提高了后续预测阶段的输入特征质量。

•

TDGNN模型被用于准确预测多通道SPR-PCF生物传感器的限制损失和振幅灵敏度。通过捕捉时间依赖性和空间关系，TDGNN提高了预测的准确性和稳定性，优于传统的深度学习模型。

•

集成Hiking优化算法（HOA）来优化TDGNN的超参数，如学习率、嵌入大小和时间层数量。该模型确保了更快的收敛速度并提高了模型的整体泛化能力。

剩余的工作安排如下：第2节进行文献综述，第3节介绍所提出的方法，第4节验证结果，第5节给出结论。

章节摘录

文献综述

文献中提出了许多关于基于SPR-PCF的生物传感器的研究；以下是一些最近的研究

Chowdhury等人[21]提出了一种使用深度学习预测方法的高灵敏度多通道SPR-PCFBS。传感器中使用金作为等离子体材料，二氧化钛（TiO2）作为电介质。通过利用波长、振幅测量方法以及间距层变化和金属层变化，所提出的传感器达到了最大

提出的方法

所提出的TDGNN-HSSPR-PCFBS模型包括4个步骤：数据采集、预处理、预测和优化。首先，从基于机器学习的PCF-SPR传感器数据集收集数据，并进行预处理以准备进一步分析。然后，使用TDGNN预测生物传感器的限制损失和振幅灵敏度。接下来，引入Hiking优化算法（HOA）来训练TDGNN。TDGNN-HSSPR-PCFBS的框图如下

结果

这里讨论了TDGNN-HSSPR-PCFBS技术的实验结果。TDGNN-HSSPR-PCFBS方法在Python环境中实现，使用12 GB RAM、Intel ?core (7M) i3-6100CPU @ 3.70 GHz处理器和上述指标。将TDGNN-HSSPR-PCFBS方法的性能与现有的HSM-SPR-PCF-DL、US-IRRF-PS-DL、AI-MC-PCF-SPR模型进行了比较。

表2显示了所提出模型的超参数。包括隐藏单元数量、训练周期数、丢弃率、时间步长窗口、学习率等

结论

在本节中，成功实施了TDGNN-HSSPR-PCFBS。根据实验结果，当TDGNN-HSSPR-PCFBS与Co-training方法结合使用时，其准确性和精确度表现更好。TDGNN-HSSPR-PCFBS方法的准确性提高了5.32%、6.46%、4.64%；精确度提高了6.35%、5.45%、8.46%；波长灵敏度提高了21.22%、23.16%、19.14%

作者贡献声明

乌莎·拉尼·H：撰写——原始草稿。阿鲁纳查拉佩鲁马尔·C：监督。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。