可穿戴电子设备的快速发展为智能气体检测提供了巨大的机会，改善了矿工的健康状况，各种气体传感器也同步开发出来。然而，这些传感系统总是局限于单一的气体检测，并且极易受到普遍存在的水分的影响，导致在实际开采条件下分析气体成分的准确性较低。
据麦姆斯咨询报道，近日，吉林大学和新加坡国立大学的研究团队提出了一种基于传感器集成和机器学习算法的协同策略，以实现真实开采条件下NH₃和NO₂气体的精确检测。研究人员开发了一种基于石墨烯和聚苯胺复合物的可穿戴传感阵列，可大大提高混合气体条件下的灵敏度和选择性。相关研究成果以“Machine learning-assisted wearable sensor array for comprehensive ammonia and nitrogen dioxide detection in wide relative humidity range”为题发表在InfoMat期刊上。
研究人员基于聚苯胺（PANI）和还原石墨烯氧化物（RGO）制备了可穿戴传感阵列，其中PANI对NH₃更敏感，而RGO对NO₂更敏感。为了进一步扩大工作浓度范围并提高选择性，采用原位合成方法合成了锑掺杂二氧化锡（Sb@SnO₂）纳米球与PANI的复合物，采用一步水热法合成了三氧化钨（WO₃）与RGO的复合物。值得注意的是，导电聚合物和金属氧化物半导体的复合物可以有效地利用其独特的优势，同时通过形成p-n结来减少其固有的局限性，从而表现出良好的传感性能。相关测试结果表明，在RGO/WO₃和PANI/Sb@SnO₂中成功形成了异质结。
柔性传感阵列的设计与表征
研究人员还开发了基于机器学习的反向传播神经网络（BP-NN）和偏最小二乘法（PLS）算法，并将其与传感阵列集成在一起，以提高气体识别精度，并成功解决气体检测过程中的湿度推断问题，从而在较宽的相对湿度范围内实现了99%以上NH₃和NO₂浓度理论预测水平，与以前的可穿戴传感贴片相比，这是一个显著的改进。
柔性传感阵列和BP-NN网络在不同相对湿度下单一气体检测的响应
作为概念验证，研究人员开发了一种集成传感阵列和机器学习算法的无线可穿戴手环，用于在不同湿度条件下对矿井中的有害气体进行无线实时预警。
用于实时智能采矿医疗的无线可穿戴手环
总而言之，研究人员提出了一种基于PANI/Sb@SnO₂和RGO/WO₃不同复合比例的可穿戴传感器阵列。在此基础上，引入基于机器学习的BP-NN算法和PLS算法，用于对矿井环境中由NH₃和NO₂组成的有害混合气体进行定性和定量分析，更重要的是，减小湿度对传感性能的影响。值得注意的是，在较宽的相对湿度范围内，NH₃和NO₂浓度的理论预测水平超过99%，与以往的可穿戴传感设备相比有了显著提高。通过将传感阵列与低功耗柔性电路模块进一步集成，开发出可进行信号采集、处理和无线传输的可穿戴智能手环，实现实时智能矿情探测。将气体浓度与不同湿度水平相关联的回归方程编程到智能显示终端的应用程序界面中，从而能够在各种湿度条件下对矿井中的有害气体进行早期和远程预警。研究人员相信，基于算法和可穿戴传感阵列的结合，可以为智能采矿和采矿医疗提供一种简单有效的方法来选择性地检测真实的矿井气体。
论文信息：
https://doi.org/10.1002/inf2.12544
