机器学习辅助的电化学阻抗谱用于微塑料的材料特异性鉴别

《Microchemical Journal》：Machine learning-assisted electrochemical impedance spectroscopy for material-specific discrimination of microplastics

　　

• •
  EIS响应随颗粒类型和浓度呈系统性变化。
• •
  SVM以97.9%的交叉验证准确率对颗粒类型进行了分类。
• •
  浓度预测需要多频率、多组分阻抗特征。

引言

微塑料（MPs）现已被认为是大气、陆地、淡水和海洋环境中广泛存在的污染物，而非仅限于单一环境区室的污染物[1]、[2]。微塑料在不同环境介质中的迁移增加了通过摄入和吸入途径暴露于人体的风险[3]、[4]。因此，微塑料应不仅被视为持久性残留物，更应被视为持续的环境暴露源[5]。微塑料引发了广泛关注，原因在于其广泛的环境分布及其对人类健康和环境系统的潜在影响。近期研究报告称，仅通过摄入途径，人类每年可能暴露于39,000–52,000个微塑料颗粒，若加上吸入途径，估计年总暴露量可达74,000–121,000个颗粒[6]、[7]。空气中暴露也被确认为一个重要途径，有研究指出在特定条件下，吸入暴露每天可能达到数万颗颗粒[8]。微塑料已被发现与肠道损伤、代谢紊乱和呼吸毒性相关，还可能作为有害污染物的载体[9]、[10]、[11]、[12]。因此，可靠地检测和识别微塑料对于评估其环境分布及相关风险至关重要。

微塑料的传统分析方法主要基于光谱技术，如微型傅里叶变换红外光谱（μ-FTIR）和拉曼光谱[13]。这些方法具有高化学特异性和颗粒水平的聚合物识别能力；然而，其在环境样品中的应用仍受分析成本、处理时间和基质干扰的限制。完整的谱图采集和处理往往耗时较长，每个样品需要数小时[14]。分析性能还可能受到颜料或无机颗粒的影响，而仪器本身成本高昂且通常依赖熟练的操作人员[15]、[16]。

这一局限性非常重要，因为环境样品很少仅包含微塑料。环境颗粒物由多种成分组成，包括无机离子、有机碳（OC）、元素碳（EC）、金属和矿物粉尘[17]、[18]、[19]。其中许多颗粒的尺寸与微塑料相近，可能干扰分析测量，使得区分塑料与非塑料颗粒变得困难。这种成分复杂性表明，面向环境应用的分析方法不仅需要根据化学身份来区分微塑料，还需要能够区分与其共存且物理化学性质不同的颗粒。传统光谱方法通常还需要大量的样品前处理，不适合快速筛查、高通量分析或实时应用[20]。

电化学阻抗谱（EIS）因其探测频率依赖的电学响应，反映了导电性、介电行为和界面相互作用而备受关注[21]、[22]、[23]。这些响应可提供依赖于材料的电学特征，可用于颗粒区分。与此同时，阻抗数据本质上是多维的且频率依赖的，当多种响应特征同时存在时，直接解释较为困难。机器学习（ML）提供了一种应对这一复杂性的实用手段，可从高维阻抗数据中提取信息模式并提高分类性能[24]、[25]。已有若干研究单独或结合机器学习应用EIS进行微塑料分析（表S1）。Colson和Michel [26]开发了一种流通式阻抗系统用于聚乙烯检测，报告了高回收率和低假阳性率。Du、Chen [27]将EIS传感平台与主成分分析（PCA）和奇异值分解（SVD）分析相结合，证明了对聚苯乙烯微塑料存在较强的线性关系。这些研究表明，基于EIS的方法通过系统设计、电极配置和依赖聚合物的电化学反应可实现优异的分析性能。然而，大多数既往研究集中于有限的目标聚合物或简化的颗粒体系，其在环境相关异质颗粒体系中的性能仍未得到充分验证。

本研究提出了一项概念验证性研究，利用机器学习集成EIS框架，在异质颗粒参考集中实现微塑料的材料特异性识别和浓度预测。采用镀铜镍泡沫电极，在受控单一材料条件下，对两种微塑料和五种代表性环境颗粒在不同浓度水平下采集了阻抗谱。本研究旨在评估频率依赖的阻抗响应是否包含足够的信息用于颗粒分类和材料特异性浓度预测，并为进一步开发面向混合颗粒和环境相关应用奠定基础。

章节摘要

材料与试剂

选取了七种颗粒材料，以代表与微塑料和环境颗粒相关的多种物理化学性质。材料组包含聚合性和非聚合性组分，以评估材料特异性阻抗响应。微塑料包括聚乙烯（PE）颗粒（Bioza Biological Supply，韩国，≤1 mm）和聚苯乙烯（PS）微球（Sigma-Aldrich，250 μm）。非塑料参考材料包括木炭（EC；SAMCUIN，韩国，研磨至≤1 mm）、沙子（SiO?；

不同颗粒类型的浓度依赖性阻抗响应

首先使用聚苯乙烯微球作为代表性微塑料考察了浓度依赖性阻抗响应。图1展示了聚苯乙烯在1至15 mg/L范围内的奈奎斯特图，其中绘制了阻抗的实部（Z'）和虚部（?Z"）分量。随着聚苯乙烯浓度的增加，阻抗轨迹系统地向更高的Z'值方向偏移。这种位移在奈奎斯特图右侧分支上最为明显，而最小点的位置保持不变

结论

本研究评估了在受控单一材料条件下，将电化学阻抗谱（EIS）与机器学习结合进行材料特异性颗粒分类和浓度预测的可行性。针对两种微塑料类型和五种代表性环境颗粒获得的阻抗响应显示，其随颗粒类型和浓度呈系统性变化，表明频率依赖的阻抗特征包含与两者相关的信息

CRediT作者贡献声明

Kang Bogyeong：撰写——初稿、可视化、方法论、调查研究、形式分析、数据整理、概念构思。Park Junhee：方法论、调查研究。Kim Daekeun：撰写——审阅与编辑、监督、资源支持、项目管理、经费获取、概念构思。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

致谢

本研究由韩国科学与信息通信技术部（MSIT）在数字领域全球研究支持计划资助（RS-2024-00428227），由IITP（信息与通信技术规划与评估院）监督，同时由首尔绿色环境支援中心2026年度研究计划支持。

Kang Bogyeong|Park Junhee|Kim Daekeun