基于太赫兹超材料的AOO优化支持向量回归检测痕量1-萘乙酸残留的方法

《RSC Advances》：A terahertz metamaterial-based approach for detecting trace 1-naphthaleneacetic acid residues via AOO-optimized support vector regression

　　

过量的1-萘乙酸（NAA）残留对人类健康构成潜在威胁。本研究旨在开发一种高灵敏度的NAA残留检测方法。通过将太赫兹超材料传感器与智能优化算法相结合，研究人员期望实现对痕量NAA的快速、准确检测。研究人员介绍了一种基于L型谐振单元复合双峰结构的太赫兹超材料传感器。利用太赫兹时域光谱（THz-TDS）采集不同浓度NAA溶液的频谱数据，并采用动画燕麦优化（AOO）算法优化支持向量回归（SVR）模型的超参数，从而构建了AOO-SVR定量预测模型。此外，通过五种特征提取算法优化频谱数据维度，进一步提升了模型性能。结果表明，RFE-AOO-SVR模型在预测精度方面表现最佳，相关系数（R）为0.9715，检测限（LOD）为0.036 μg mL^?1。本研究验证了太赫兹超材料传感器结合智能优化算法在NAA残留检测中的有效性，为农药残留的快速定量分析提供了一种新方法。

### 论文解读：基于太赫兹超材料与AOO优化支持向量回归的痕量1-萘乙酸残留检测方法

#### 研究背景与问题
1-萘乙酸（NAA）是一种人工合成的植物生长调节剂，广泛应用于农业生产以促进生长、调节生理代谢并提高作物产量。然而，过量或不合理使用会导致NAA在水果和蔬菜表面或组织中残留，长期摄入可能对人体健康产生潜在危害，包括生殖毒性、内分泌干扰及肝肾功能不良影响。因此，各国对农产品中NAA的最大残留限量做出了严格规定，如中国GB 2763-2021标准规定苹果中NAA最大残留为0.1 mg kg^-1。由于NAA通常以低浓度形式存在，传统检测方法在灵敏度和选择性方面面临挑战，亟需开发一种简便、快速、准确且高灵敏度的残留检测技术。

太赫兹波（THz）位于微波与红外之间，具有高灵敏度、非接触和强穿透性等优势，在无损检测和光谱分析中潜力巨大。超材料通过人工周期性微结构可实现特定频段的电磁响应，如负折射率、完美吸收等，能有效增强局域电场，提升与物质的耦合效率。近年来，基于太赫兹超材料的传感器已在农药残留检测中展现出良好可行性。然而，如何结合智能优化算法进一步提升定量分析的准确性，仍是该领域的研究热点。

#### 研究内容与结论
本研究提出一种基于L型谐振结构的太赫兹超材料传感器，并将其与动画燕麦优化（AOO）算法及支持向量回归（SVR）模型相结合，构建了高灵敏度的NAA残留定量检测方法。通过实验采集不同浓度NAA溶液的太赫兹透射光谱，并利用AOO优化SVR的超参数，得到AOO-SVR模型。同时，采用五种特征提取算法（IRIV、VISSA、CARS、MI、RFE）对光谱数据进行降维，进一步优化模型性能。结果表明，RFE-AOO-SVR模型预测精度最高，相关系数（R）达0.9715，检测限（LOD）为0.036 μg mL^-1，优于对比的ACO-SVR、SA-SVR和GA-SVR模型。该研究验证了太赫兹超材料传感器结合智能优化算法在NAA残留检测中的有效性，为农药残留快速定量分析提供了新途径。论文发表在《RSC Advances》。

#### 主要关键技术方法
研究主要采用了以下关键方法：① 基于L型谐振单元的复合双峰结构太赫兹超材料传感器设计，通过有限差分时域（FDTD）仿真优化结构参数并利用标准微纳加工技术制备；② 太赫兹时域光谱（THz-TDS）系统采集不同浓度NAA溶液（15个梯度，0.01–0.15 μg mL^-1）的透射光谱数据，每个浓度采集800条原始光谱；③ 利用动画燕麦优化（AOO）算法优化支持向量回归（SVR）模型的惩罚参数C和核参数γ，构建AOO-SVR定量预测模型；④ 采用五种特征提取算法（IRIV、VISSA、CARS、MI、RFE）对263维光谱数据进行降维，以提升模型泛化能力。

#### 研究结果

**3.1 太赫兹透射特性分析**
通过将L型谐振超材料与太赫兹光谱检测结合，实现了痕量NAA溶液残留的检测。选取1–3 THz频段内的263个采样点进行分析。结果显示，随NAA浓度增加，透射峰振幅降低且逐渐红移，表明超材料的场约束效应使光谱表现出明显的幅度响应模式。

**3.2 性能比较与结果分析**
构建了基于AOO-SVR的定量预测模型，并与ACO-SVR、SA-SVR、GA-SVR模型对比。采用相关系数（R）、均方根误差（RMSE）和平均绝对误差（MAE）评估。AOO-SVR模型在训练集和测试集上均表现出最优性能：训练集R=0.9995，测试集R=0.9578；测试集RMSE=1.3663×10^-2，MAE=7.3403×10^-3。AOO算法通过结构化种群学习策略平衡全局探索与局部开发，避免了传统优化算法易陷入局部最优或收敛慢的问题，为太赫兹光谱建模提供了更稳健的优化框架。

**3.3 特征提取**
对原始263维光谱数据采用五种算法降维：IRIV保留36个变量，VISSA保留160个，CARS保留55个，MI保留8个，RFE保留182个。各方法均基于不同策略筛选关键特征，旨在降低冗余和噪声干扰。

**3.4 AOO增强SVR模型性能评估**

*3.4.1 特征降维建模结果分析*
基于不同特征集构建的AOO-SVR模型性能对比显示：IRIV、CARS和RFE特征提取后模型各指标均有所优化，而VISSA和MI略有下降。其中，RFE-AOO-SVR模型表现最佳，测试集R从0.9578提升至0.9715，RMSE降至1.1274×10^-2，MAE降至5.5496×10^-3。RFE通过迭代消除低贡献变量并利用SVR权重优先保留关键波段，有效减少冗余并抑制过拟合。

*3.4.2 最小可检测浓度计算*
采用三西格玛准则计算检测限（LOD），基于RFE-AOO-SVR模型预测值与真实值的拟合曲线，LOD为0.036 μg mL^-1。与文献中传统方法（GC-MS/MS、HPLC、FTIR、SERS）相比，该太赫兹超材料方法检测限处于可比较水平，展现出对痕量NAA的良好灵敏度。

#### 讨论与结论
研究提出的L型谐振超材料传感器与RFE-AOO-SVR智能建模方法相结合，不仅实现了痕量NAA残留的高灵敏度定量分析，还验证了AOO优化算法在光谱检测领域的可行性与优越性。该方法旨在经标准化预处理后用于农产品中农药残留分析，未来需在实际样品（如加标水果或蔬菜提取物）中验证系统抗基质干扰能力，以进一步证明其实用性。

**研究结论翻译**：本研究提出了一种基于L型谐振结构的太赫兹超材料传感器，并将其应用于NAA残留的无损检测。通过集成AOO优化算法与SVR，构建了高性能定量建模方法。与PSO-SVR、SA-SVR、GA-SVR等传统智能优化算法相比，AOO-SVR在相关系数、均方根误差和平均绝对误差方面表现出更优的预测性能。进一步结合五种特征提取算法，有效提升了模型的预测精度和泛化能力。其中，RFE-AOO-SVR模型在所有指标上达到最佳性能，且检测限最低，显示出更强的特征选择能力和建模适应性。总之，融合L型谐振超材料传感器与RFE-AOO-SVR智能建模方法的检测框架，不仅实现了痕量NAA残留的高灵敏度定量分析，还验证了AOO优化算法在光谱检测领域的可行性与优越性，为太赫兹光谱技术在农药残留快速检测方面提供了一条实用且可扩展的研究路径。