用于里约热内卢城市细颗粒物（PM2.5）采样点判别的低成本丝网印刷电极（SPE）伏安电子舌开发

《Electroanalysis》：Development of an Electronic Tongue for the Analysis of Particulate Matter Samples Collected in the City of Rio de Janeiro

　　

本研究提出了一种伏安电子舌，用于判别在巴西里约热内卢三个不同城市地点采集的细颗粒物（PM_2.5）。研究人员采用低成本手工油墨（优化为20% w/w玻璃清漆、40% w/w石墨和40% w/w溶剂，并以PET瓶作为基底）开发了丝网印刷电极（SPE）。通过电化学阻抗谱（EIS）、循环伏安法（CV）、扫描电子显微镜（SEM）和拉曼光谱对电极进行了表征。酸消解后，研究人员对从里约热内卢植物园（RJBG）、Rebou?as隧道（RT）和UFRJ化学研究所采集的PM样品进行了方波伏安法（SWV）分析。采用主成分分析（PCA）和层次聚类分析（HCA）的探索性分析表明，与归一化数据相比，原始伏安数据提供了显著更优的样品分离。时间评估显示，季节因素和干燥天气条件影响了分组行为，导致RJBG和RT样品之间部分重叠。最后，使用原始数据构建的人工神经网络（ANN）分类模型在独立测试集中达到了75%的分类准确率，根据采样点标签对样品进行分类，尽管时间和季节因素也可能对观察到的差异有所贡献。

大气颗粒物（PM）是由PM_2.5和PM₁₀（空气动力学直径分别小于或等于2.5和10 μm的颗粒物）等悬浮颗粒形成的复杂混合物，其组成通常分为有机组分和无机组分，无机组分包括金属和离子物种。吸入这些颗粒可导致其在呼吸系统中沉积，并可能引起死亡率、发病率、呼吸系统和心血管问题增加。因此，监测大气PM尤其是细颗粒物（PM_2.5）对评估环境质量及其对人体健康的影响至关重要。传统上可使用电热原子吸收光谱法（ET-AAS）、电感耦合等离子体发射光谱法（ICP-OES）、电感耦合等离子体质谱法（ICP-MS）、离子色谱和气相色谱-质谱法（GC–MS）等分析，但其高运行成本和对复杂仪器的需求限制了常规和大规模监测。电分析技术将电流、电位等电学性质与目标物种浓度关联，具备快速、简便、可同时分析有机和无机组分、仪器低成本、灵敏度高、样品和试剂消耗低等优势。丝网印刷电极（SPE）进一步提供便携、一次性、低成本传感平台。电化学分析产生的数据量很大，化学计量学和人工智能工具与电化学传感系统结合，可形成电子舌并生成多维响应模式以表征复杂样品；在伏安体系中，不同施加电位可视为伪传感器阵列。监督方法如人工神经网络（ANN）使用样品标签，非监督方法如主成分分析（PCA）和层次聚类分析（HCA）不使用标签。尽管已有一些使用电化学传感器分析颗粒物的研究，但据作者所知，尚无文献报道本文所述方法。基于此，研究人员开发电化学传感器以分析里约热内卢市采集的颗粒物样品，并构建电子舌，用于区分不同采样地点和探讨时间、季节因素对伏安指纹的影响。

研究人员开发了以石墨为导电材料、玻璃清漆为黏结剂、溶剂调节黏度的SPE，并采用三元混合物设计优化油墨，最终优化组成为40% w/w石墨、20% w/w玻璃清漆和40% w/w溶剂，以PET为基底。电极经EIS、CV、SEM-EDX和Raman光谱表征。随后，研究人员对2017年和2018年在RJBG、RT和UFRJ化学研究所采集的PM样品进行酸消解和SWV分析，并采用PCA、HCA和ANN处理数据，比较原始数据与归一化数据。结果表明，原始伏安数据在样品分离和分类中显著优于归一化数据；非监督分析可识别UFRJ为独立簇，而RJBG与RT样品在2017年9月干燥期出现部分重叠；基于原始数据的ANN模型在独立测试集中分类准确率为75%。研究结论强调，样品判别主要受电活性物种绝对电流水平变化支配，而非归一化化学谱差异，所提出的电子舌在环境监测和识别大气颗粒物不同伏安模式方面具有低成本分析潜力。

关键技术方法概述：研究所用PM样品来源于2017年和2018年使用大体积采样器在巴西里约热内卢三个地点采集的14个玻璃纤维滤膜样品，分别为RJBG、RT和UFRJ化学研究所，属于先前采样活动中的归档样品，采样细节见Junior et al.所述，因样品为归档样本，未能对所有地点同时采样。方法上，以石墨、玻璃清漆和溶剂组成的三元混合物设计优化手工油墨，并通过丝网印刷在PET基底上制备SPE。采用CV、EIS、SEM-EDX和Raman光谱表征电极。PM样品经酸消解后以SWV分析，并进行预富集。数据处理采用PCA和HCA进行非监督探索，采用ANN进行监督分类，比较原始与归一化数据；14个独立PM滤膜按70%训练和30%独立测试划分，同一滤膜的三个伏安重复归入同一子集，训练子集内采用分组交叉验证。

研究结果如下。

3.1 电极制备与表征：通过三元混合物设计考察石墨、玻璃清漆和溶剂不同比例，共设计7种配方。以K₃Fe(CN)₆溶液进行CV分析，结果显示配方a和e具有最合适的电化学响应，二者石墨含量均高于清漆含量；尽管配方a石墨含量最高，但其油墨易脆、电极机械稳定性差，因此选择配方e（40% S、20% V、40% G）用于后续实验。EIS分析表明，自制电极的电荷转移电阻（R_ct）为355 ± 69 Ω，商业电极为178 ± 31 Ω；自制电极R_ct较高符合实验室规模制备的局限，但自制电极和商业电极的相对标准偏差（RSD）分别为19%和17%，说明自制电极的变异性与商业电极相当。SEM-EDX和Raman光谱结果与石墨基电极的预期特征一致：电极表面显示非均匀分布、孔隙率高的碳碎片；I_D/I_G比例为0.392 ± 0.140，符合石墨基电极中存在结构缺陷，G带占优提示石墨sp²结构域得到保留。

3.2 样品分析：所有样品均通过SWV进行电化学分析，代表性地显示了RT、RJBG和UFRJ三个研究地点的伏安曲线。预富集步骤可改善所生成峰的可见性，表明存在低浓度且具有可逆氧化还原行为的物种。三个地点的伏安图总体轮廓相似，说明不同采样点存在共同电活性物种；观察到的峰可能与电活性金属物种一致，但确定性的元素鉴定需要通过标准加入或独立元素技术确认。信号强度和形状存在差异，尤其在约?0.3至0.3 V区域；部分样品还出现独特峰，如RJBG样品在0.8 V的峰在RT样品中略有位移。PM质量浓度与峰电流强度之间未观察到明确关系：UFRJ-04的PM质量浓度低于RT-02，但UFRJ-04在约0.25 V的峰电流高于RT-02。

3.2.1 化学计量学分析：研究人员采用PCA和HCA处理各样品的伏安数据，并比较原始数据和归一化数据。归一化数据未能有效分离样品：PCA图中样品随机分布，PC1对PC2和PC1对PC3分析均未形成清晰组群；HCA中虽观察到一些样品簇，但组间重叠明显。使用原始数据后获得显著更好的结果，说明采样点之间的分离更强烈地受绝对电流水平，即电活性物种浓度的影响，而非归一化化学谱差异。原始数据的PCA（PC1对PC3）显示三个不同组：所有UFRJ样品位于PC1负象限，RJBG组数据分散较大，RT样品与部分RJBG样品形成一组。HCA显示三个较明确组：仅含UFRJ样品、仅含RJBG样品以及含RJBG和RT样品的混合组。由于RJBG采样器位于公园内，树木可作为大气污染物汇，RT样品PM含量预期高于RJBG，因此这一结果初看似乎意外，但特定气象条件可使两个地点的剖面更相似。载荷图显示，右上象限变量（PC1和PC3正载荷）对应?1.1至?0.9 V和0.4至1.0 V电位范围，分别与初始氢放电区域和无明显伏安峰区域以及一个明确电活性峰区域相关；该信号的最大电流和峰电位随样品来源移动，位于PCA得分图右上象限的样品如RJBG-01、RJBG-03、RJBG-05和RT-04受这些电位区域强烈影响，RT-04和RJBG-01在0.4 V以上伏安轮廓非常相似。右下象限中PC3负载荷变量对应?0.9至0.4 V以及1.0至1.1 V，涵盖伏安图中心电活性信号，对分离其余RJBG样品和部分RT-02起关键作用；HCA还显示RJBG-02与RT-04归为一类，强化了这些样品相似的电活性行为。UFRJ位于里约热内卢北部，受校园周边主要道路交通排放、本地交通排放、海风循环以及来自里约热内卢大都市区北部石化工业污染物传输影响；RT和RJBG位于城市南部。UFRJ样品采集于2017年3月至4月雨季，而RT和RJBG样品采集于2017年9月至2018年3月，因此观察到的差异可能不仅由采样地点解释，也反映季节变化。按采样日期重复HCA后，观察到三个不同组：一组含2017年3月和4月分析样品，一组含2017年11月至2018年1月样品，第三组数据更分散。UFRJ样品仍按采样日期聚集，对应2017年3月至4月夏季雨季；RJBG中形成独立簇的样品对应2017年11月至2018年1月，即春季向夏季过渡、温度变化和湿度增加时期。中间簇含RT和RJBG样品，尤其与2017年9月相关；RJBG样品采集于9月，巴西该月通常降水较低，且2017年9月里约热内卢市异常干燥，可能有利于再悬浮颗粒影响，使不同采样地点样品剖面相似并向RT组移动。由于样品采集点没有政府环境参数监测，缺乏温度、风向和降水等气象数据，限制了与这些因素的直接关联。

3.2.2 人工神经网络分析：在非监督PCA和HCA揭示样品分布和分组模式后，研究人员采用监督分类方法ANN，根据采样点对样品分类。ANN参数包括接受者操作特征曲线下面积（AUC）、分类准确率（CA）、F1分数、精确率（Prec）、召回率（Recall）和马修斯相关系数（MCC），取值0至1，越接近1预测性能越好；分析重点关注AUC，以反映模型区分类别的能力。归一化数据的AUC为模型0.678、预测0.611；原始数据的AUC为模型0.946、预测0.800，表明原始伏安数据分类性能更好，进一步支持样品区分更受电活性物种绝对电流水平影响。为比较ANN预测与实际类别，研究人员使用性能最佳的原始数据模型构建混淆矩阵，发现12个测试样品中有3个被误分类，均为RT测量样品被错误分类为RJBG。将ANN结果与PCA和HCA比较，可认为这种混淆可能与2017年9月采集的样品有关，这些样品先前聚集在一起，表明剖面相似，可能与采样期间环境条件相关；因此ANN中的误分类反映了前述分析中识别的相同模式。尽管如此，原始数据模型分类性能显著优于归一化数据模型。

讨论部分总结：综合PCA、HCA和ANN结果，原始伏安数据比归一化数据更能区分采样地点，说明样品差异主要来自电活性物种绝对电流水平变化，而不是归一化化学谱变化。UFRJ被非监督方法识别为独立簇，可能与其北部地理位置、周边道路交通排放、海风循环和石化工业污染物传输有关，同时其样品采集于2017年3月至4月雨季。RJBG和RT样品在2017年9月干燥期出现部分重叠，可能因异常干燥条件有利于再悬浮颗粒影响，使不同地点样品剖面趋同。按采样日期进行的HCA进一步显示时间因素对分组的重要影响。ANN基于原始数据获得较好预测能力，其误分类主要发生在RT与RJBG之间，并与2017年9月样品相似性一致。由于采样点缺乏政府气象监测数据，无法直接关联温度、风向和降水等环境参数。总体而言，所提出的电子舌在区分不同大气颗粒物样品伏安指纹方面具有潜力，但时间和季节因素可影响分类结果。

研究结论翻译：一种一次性、低成本石墨基传感器被成功开发，并作为伏安电子舌应用于分析在里约热内卢采集的颗粒物（PM）样品。其组成由优化油墨配方（40% w/w石墨、20% w/w玻璃清漆和40% w/w溶剂）构成，显示出良好的电化学响应，使电极能够通过EIS、SEM-EDX和Raman光谱表征。当应用于来自三个不同地点（RJBG、RT和UFRJ）的PM样品时，化学计量学分析显示，原始伏安数据在区分采样地点方面优于归一化数据。这一发现强调，样品判别主要受电活性物种绝对电流水平变化支配，而非其归一化化学谱差异。非监督方法（PCA和HCA）有效识别UFRJ地点为独特簇，同时显示2017年9月干燥期采集的RJBG和RT样品部分重叠，突出季节和气象变化对PM特征的影响。此外，基于原始数据的监督分类使用人工神经网络（ANN）表现出良好预测能力（AUC = 0.800），在12个评价样品中正确分类9个。ANN模型中观察到的小误分类直接反映PCA和HCA分析中识别的时间相似性。总体而言，所提出的电子舌显示出作为低成本分析工具用于环境监测以及识别大气颗粒物样品中不同伏安模式的潜力。