综述：用于环境监测的人工智能辅助电位传感器：进展、挑战与面向自主物联网赋能平台的未来方向

《Microchemical Journal》：Artificial intelligence-assisted potentiometric sensors for environmental monitoring: Advances, challenges, and future directions toward autonomous IoT-enabled platforms

　　

•整合人工智能、电位传感和物联网技术用于环境分析。
•批判性评述免校准和固态接触离子选择性电极。
•比较用于漂移补偿和校准的机器学习方法。
•讨论用于自主传感器平台的 TinyML 和边缘智能。
•提出通向可扩展、现场部署智能传感器的路线图。

引言
离子选择性电位传感器（ISEs）是用于测定环境、工业和生物样本中离子物种的最广泛使用的电化学工具之一，因其简单、低成本、响应快速和高选择性。它们在环境监测中的应用使得能够检测水、土壤和大气系统中的广泛分析物。尽管有这些优势，ISEs 在真实环境中的实际部署仍受到几个挑战的限制，包括信号漂移、基质干扰、膜老化和需要频繁重新校准。这些限制在复杂的环境基质中尤为明显，其中传感器响应经常偏离理想行为 [1], [2], [3]。

人工智能（AI）、机器学习（ML）和物联网（IoT）技术的最新进展创造了克服这些长期限制的新机遇。人工智能驱动的方法可以从复杂的电化学信号中提取有意义的信息，补偿漂移，并提高校准准确性，而物联网平台能够实现实时数据传输、远程监控和自主操作。同时，离子转电子转换材料的发展显著提高了固态接触 ISEs 的稳定性和可重复性。这些进展共同促进了从传统实验室传感器向智能、现场部署监测系统的转变。图 1 说明了传统离子选择性传感器在环境应用中遇到的主要挑战，包括信号漂移、痕量分析物检测和生物污损引起的基质干扰。这些限制提供了开发人工智能辅助传感策略的主要动力。

本综述批判性地检查了人工智能辅助离子选择性电位传感器的最新进展，特别强调数据驱动校准、漂移预测和修正、先进转换材料以及物联网环境监控平台。该综述还强调了当前的局限性、研究差距和未来机会，用于开发自主传感系统。

人工智能与离子选择性电位传感的整合代表了从传统基于校准的测量向自适应和智能分析系统的重大转变。传统 ISEs 依赖能斯特方程建立电极电位与离子活性之间的关系。然而，真实的环境样本经常因膜过程、离子通量、温度变化和基质效应而表现出非理想行为。人工智能算法提供了建模这些复杂非线性关系的强大工具，并在真实操作条件下提高校准性能 [4], [5], [6]。

人工智能最重要的应用之一是传感器漂移预测和补偿。由膜降解、环境波动和换能器不稳定性引起的信号漂移仍然是长期部署的主要障碍。机器学习模型可以识别漂移模式并执行实时修正，从而减少重新校准的频率并延长操作寿命 [7], [8]。人工智能还通过持续分析传入的数据流来实现传感器输出的动态修正。不同于假设传感器行为固定的传统校准方法，基于人工智能的方法可以适应不断变化的操作条件，这使得它们对于连续环境监测和诊断应用特别有吸引力 [2], [9]。传统和人工智能辅助 ISE 系统之间的主要差异总结在表 1 中。此外，图 2 提供了概念比较，突出了从静态校准和孤立传感平台向自适应、预测性和互联监测系统的转变。

几篇先前的综述分别检查了免校准 ISEs、电位转导材料、非平衡传感、环境离子监测或一般人工智能和物联网应用。因此，本综述的独特贡献不是对这些既定主题的孤立覆盖，而是它们在统一的环境传感器到决策框架中的批判性整合。具体而言，本综述：(i) 区分真正的免校准电极和人工智能辅助漂移补偿系统；(ii) 根据数据集要求、计算成本、可解释性和传感器到传感器的可转移性比较人工智能算法；(iii) 使用传统分析优值标准和人工智能特定验证标准评估代表性平台；以及 (iv) 检查传感、嵌入式智能、通信和电源管理技术是否已在真实环境条件下经过实验集成和验证。这种组合分析确定了有前景的单个组件与完全自主、可分析追溯、现场部署的电位平台之间的差距。

尽管它们有相当大的前景，但人工智能辅助电位传感器在实现广泛实施之前仍面临几个挑战。首先，开发可靠的机器学习模型需要大量且具有代表性的数据集，这在多样的环境条件下生成往往困难且昂贵 [9]。其次，将人工智能传感器集成到物联网基础设施中引入了关于互操作性、数据安全、通信协议和标准化的挑战 [10], [11]。此外，许多报告的系统仍是实验室原型，将它们转化为可扩展的商业产品需要在制造一致性、用户可及性和成本效益方面进行改进 [12], [13]。解决这些挑战需要分析化学家、材料科学家、数据科学家和工程师之间的更紧密合作，以开发稳健、标准化和现场就绪的传感平台。

先进传感材料、人工智能和物联网技术的结合显著扩展了现代电位传感器的能力。一个重要发展是使用结合模式识别算法的传感器阵列来改善多离子分析。包括多输出支持向量回归（M-SVR）在内的机器学习方法已显示出解决复杂多组分系统并减少离子干扰影响的能力，从而增强分析选择性 [9]。另一个重大进展是将人工智能辅助 ISEs 与物联网平台集成，用于实时环境监测。这些系统能够实现连续数据采集、无线通信、基于云的分析以及远程决策，使其对于水质监测、污染评估和环境监视等应用极具吸引力 [12], [13], [14]。同时，结合基于人工智能的信号解释的非平衡电位测量技术扩展了 ISEs 超越传统平衡测量的分析能力。这些方法能够从动态传感器响应中提取额外信息，提高复杂环境系统中的敏感性、选择性和适应性 [2], [7]。图 3 提出了人工智能辅助传感系统的概念架构，说明了物理传感层、边缘人工智能处理层和基于云的物联网基础设施之间的相互作用。这个集成框架展示了材料科学、人工智能和物联网工程的进步如何共同促进自主环境监测平台的开发。

片段
免校准传感和离子转电子转换机制
免校准离子选择性电极（CF-ISEs）的开发代表了电位传感的重大进步，主要由离子转电子转换材料和电极调节策略的创新驱动。传统固态接触 ISEs 的性能通常受电位漂移、水层形成和可重复性差的限制。最近的材料发展解决了许多这些挑战，使该领域更接近长期

文献检索策略和选择标准
本综述关注人工智能辅助离子选择性电位传感器用于环境监测的最新进展，特别强调 2020 年以来报告的进展。必要时也包含了早期研究，以建立电位传感的理论基础，包括能斯特方程、离子传输机制、相界电位和非平衡测量原理。文献调查使用主要科学数据库进行，

对研究结果的批判性分析
离子选择性电极（ISE）技术的最新发展表明明显的转变，从传统基于实验室的测量向智能、自主和现场部署的传感系统转变。如表 4 总结，最重大的进展涉及人工智能的集成、改进的离子转电子转换材料、物联网架构、防污策略和通向商业部署的新兴途径。总的来说，这些

现实意义
先进转换材料、人工智能和物联网（IoT）技术的融合正在将离子选择性电位传感器从实验室分析工具转变为自主环境监测平台。这些发展对环境管理、分析化学和下一代传感系统的商业化具有重要影响。

人工智能辅助传感的局限性
尽管人工智能在电位传感中潜力巨大，但几个限制继续限制其在环境监测应用中的广泛采用（表 5）。最重要的挑战之一是人工智能模型对大量高质量数据集的依赖。可靠的模型开发需要捕获真实环境系统中遇到的变异性的训练数据，包括 pH、温度、离子强度、污损的波动

未来研究方向
基于第 4 节确定的关键差距和第 6 节讨论的实际局限性，人工智能辅助电位传感的未来发展预计将专注于六个相互关联的研究方向。

结论
人工智能可以通过非线性校准、漂移补偿、干扰区分和瞬态响应解释来改进电位传感。然而，现有证据尚未展示广泛自主或普遍可转移的传感。真正的免校准 ISEs 依赖于通过受控材料、制造和调节实现的可重复标准电位，而基于人工智能的漂移补偿仍然依赖于训练和校准

生成式人工智能
在本工作的准备过程中，作者使用 ChatGPT (OpenAI) 辅助语言编辑、文本润色、语法校正和手稿组织的改进。使用该工具后，作者仔细审查、修订和验证了所有生成内容，并对发布工作的准确性、完整性和原创性承担全部责任。

CRediT 作者贡献声明
Ayman H. Kamel：写作 – 回顾与编辑，写作 – 原稿，可视化，验证，监督，资源，项目管理，调查，形式分析，概念化。Sara S. AlShamlan：写作 – 原稿，方法论，调查，数据整理，概念化。

利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系，这些可能影响本文中报告的工作。

Ayman H. Kamel|Sara S. AlShamlan