用于资源受限设备的基于电阻抗谱的生物传感器的人工神经网络数据分析

《Journal of Low Power Electronics and Applications》：Data Analysis of Electrical Impedance Spectroscopy-Based Biosensors Using Artificial Neural Networks for Resource Constrained Devices

　　

便携式和可穿戴传感器近年来在多种应用中受到关注。基于电阻抗谱（EIS）的传感器尤其有前景，因为它们能够以最小扰动对被测样品进行精确测量。电化学生物传感器是利用电化学技术测量目标分析物的设备。在基于EIS的电化学生物传感器中，测得的阻抗谱被拟合到等效电路模型，其元件值随后用于估计目标分析物的浓度。EIS数据拟合通常由运行在个人计算机上的复杂算法执行。在本文中，研究人员评估了使用简单人工神经网络（ANNs）在资源受限微控制器（通常用于便携式和可穿戴传感器）上进行EIS数据拟合的可行性。研究人员考虑了一个典型情况，即阻抗谱范围为0.1 Hz–10 kHz，使用简化Randles等效电路建模。分析表明，简单ANN可以作为一种低功耗替代方案，在低成本微控制器上执行EIS数据拟合，内存占用为千字节量级，测量精度在1%到3%之间。

便携式和可穿戴传感器系统近年来在环境监测、食品质量分析、结构健康监测、远程医疗和微生物检测等领域得到广泛应用。基于电阻抗谱（EIS）的传感器由于能够通过施加低幅度测试信号在宽频率范围内准确估计电参数，从而最小化对被测样品的扰动，因此特别具有吸引力。电化学生物传感器利用电化学技术（如EIS）测量目标分析物，其阻抗谱通常被拟合到等效电路模型，电路参数用于估计分析物浓度。然而，EIS数据拟合通常由运行在个人计算机（PC）上的复杂算法完成，而便携式和可穿戴传感器系统通常使用资源受限的低功耗微控制器，其计算能力和内存大小有限，难以实现传统拟合算法。因此，研究人员评估了使用简单人工神经网络（ANN）在资源受限微控制器上进行EIS数据拟合的可行性。

研究人员以简化Randles等效电路（由Rs、R_ct、Q和α四个参数定义）为例，考虑阻抗谱范围0.1 Hz–10 kHz。通过软件生成三个数据集（分别使用5、15、25个测试频率），每个数据集1000个样本，并加入0.1%随机噪声模拟测量不确定性。此外，使用来自文献的真实数据集进行验证，该数据集由Oliveira等（2023）提出，基于金微电极固定伴刀豆球蛋白A的EIS生物传感器检测人类血清中登革病毒，共18个样本（6个登革热阳性DF、6个登革出血热阳性DHF、6个阴性DN）。研究人员设计了11种全连接ANN结构，包括单隐藏层（8-64个神经元）和双隐藏层（如16,8；64,32等），使用ReLU激活函数和线性输出层，采用Adam优化器和均方误差损失函数训练200个epoch。评估指标包括相对误差（ΔE）和归一化均方误差（NMSE），以及内存占用（MU）以字节为单位。通过比较，得出简单ANN可实现低功耗EIS数据拟合的结论。研究表明，简单ANN可以在低成本微控制器上实现，内存占用千字节量级，测量精度在1%到3%之间，为便携式和可穿戴EIS生物传感器提供了可行的低功耗替代方案。该论文发表在《Journal of Low Power Electronics and Applications》。

关键技术方法方面，研究人员采用简化Randles电路模型生成阻抗谱数据，并利用真实数据集（来自Oliveira等，检测登革病毒，18例血清样本）进行验证。使用三种软件生成数据集（频率点分别为5、15、25）和11种ANN结构（单隐藏层8-64神经元，双隐藏层16,8至64,32），以阻抗实部和虚部为输入，输出R_ct和Q。训练使用Adam优化器、均方误差损失函数，200个epoch，批次大小32。评估采用相对误差和归一化均方误差，并计算内存占用（每个参数4字节）。通过比较不同结构和数据集下的误差与内存，确定最佳配置。

研究结果如下：

4.1 软件生成数据集的性能指标：通过表格和散点图显示，对于电荷转移电阻R_ct的估计，简单ANN结构（如单隐藏层8神经元，数据集A）可实现约1.82%的相对误差，内存占用仅424字节；更复杂结构（如单隐藏层48神经元，数据集B）可实现0.77%的相对误差，内存占用6344字节。对于电容Q的估计，需要更复杂结构，相对误差约2%-3%，内存占用10-15 kB。与PC软件（误差<0.05%）相比，ANN精度较低，但可接受。

4.2 所需SRAM大小的讨论：计算了实现完整系统所需的SRAM，包括信号采样、阻抗分量存储、ANN参数和代码执行。总需求范围从3.3 kB到24.7 kB。通过文献调研，大多数便携式传感器微控制器SRAM大于32 kB，因此可行，仅个别2 kB SRAM的微控制器无法实现。

4.3 真实EIS数据集验证：使用三种ANN结构（ANN_A_5、ANN_J_5、ANN_K_15）对18个真实样本进行R_ct和Q估计。结果显示，所有结构均能准确区分登革病毒阳性（DF和DHF）和阴性（DN）样本。但区分DF和DHF时，仅更复杂的结构（ANN_J_5和ANN_K_15）能实现，与文献中名义值一致。

讨论部分总结：研究人员讨论了ANN精度与内存之间的权衡，指出频率点数越多，精度越高，但内存占用也更大。对于R_ct估计，简单结构即可满足要求；对于Q估计，需要更复杂结构。在真实数据集上，ANN结构能有效区分不同感染状态，验证了方法的实用性。

研究结论翻译：本研究探讨了使用简单结构的人工神经网络（ANN）在生物传感器数据分析中用于资源受限微控制器的可行性。研究人员考虑了基于电阻抗谱（EIS）的生物传感器案例，这些传感器使用简化Randles电路建模。研究人员研究了最多两个隐藏层的不同ANN结构，使用三个软件生成数据集以及一个来自文献的真实数据集，阻抗谱采样范围为0.1 Hz至10 kHz，分别采用5、15和25个测试频率。结果表明，等效电路参数估计的精度低于使用PC软件进行EIS数据拟合的精度，但对于电荷转移电阻（R_ct）的估计，可以实现约1%的相对误差，内存占用（用于存储ANN可训练参数）约为3 kB。该值与具有有限SRAM大小的低成本微控制器兼容。对于生物传感器等效电容（Q）的估计，最小相对误差较高（约3%），内存占用约为10-15 kB。