异丙醇（IPA）分子作为抗病毒诊断的生物标志物，在与环境安全和医疗保健相关的挥发性有机化合物（VOC）领域发挥着重要作用。然而，传统的气体分子检测存在诸多明显缺陷，例如离子淌度方法的工作条件苛刻，中红外光谱的光物质相互作用微弱，从而导致目标分子的响应受限。为了实现对异丙醇的高选择性、快速响应、高灵敏度检测，研究人员提出了一种基于离子淌度质谱（IMMS）的人工智能（AI）增强化学检测方法，并借助多开关摩擦电纳米发电机来实现。
据麦姆斯咨询报道，近日，东南大学与新加坡国立大学（National University of Singapore）的联合科研团队在Nature Communications期刊发表了以“Triboelectric-induced ion mobility for artificial intelligence-enhanced mid-infrared gas spectroscopy”为主题的论文。该论文第一作者为东南大学机械工程学院朱建雄副教授，通讯作者为朱建雄副教授、东南大学仪器科学与工程学院宋爱国教授和新加坡国立大学Chengkuo Lee教授。
这项研究提出了一种AI增强离子淌度与中红外光谱的协同方法，利用来自不同维度传感信号的互补特征，实现异丙醇识别的高精度。利用摩擦发电机产生的“冷”等离子体放电，增强了异丙醇的中红外光谱响应，并获得良好的回归预测。此外，即使在不同碳基气体的干扰下，该协同方法也能实现准确率99.08%的气体浓度预测。AI增强系统的协同方法为医疗保健应用中的混合物和回归预测提供了准确的气体传感机制。
基于IMMS的AI增强化学传感检测
准确检测异丙醇的种类对于提供安全环境至关重要。准确检测异丙醇最常用的方法是基于离子淌度或中红外光谱。然而，这些检测方法受限于特定条件（低气压和高温）。为了解决这个问题，研究人员提出了利用自供电的摩擦发电机作为额外的高压源，在环境气压下产生冷离子等离子体。基于机械振动的摩擦电纳米发电机所产生的高压显著增强了离子淌度在低气压和环境气压下对异丙醇的精确检测。同时，中红外光谱降低了异丙醇分子随吸收和反射的响应，从而精确地获得波长和响应。IMMS化学传感的协同方法成为利用摩擦电纳米发电机来快速准确检测低浓度气体混合物的解决方案。
因此，离子淌度传感与增强中红外反射的协同机制使化学传感能够实现快速响应时间和准确检测。此外，采用AI增强方法的数据处理将充分发挥离子淌度传感和增强中红外响应的优势，从而实现超高精度和大范围的检测（如图1）。
用于气体检测的离子淌度质谱仪
离子淌度系统由针状板电极结构、高电压元件（摩擦电纳米发电机）和集电器构成，如图2a所示。图2b展示了AI增强离子淌度方法的示意图。通过使用深度学习方法，可以准确地估计异丙醇浓度。
AI增强中红外检测
图3a展示了异丙醇分子在中红外光谱区域的等离子体增强振动光谱，显著提高了其检测灵敏度。图3c介绍了中红外光谱的AI增强方法，说明了异丙醇数据处理过程。数据处理包括：标准校准、合成少数级别的过采样技术（SMOTE）增强方法和t分布-随机邻近嵌入（t-SNE）分类。图3d为异丙醇浓度与中红外响应间的关系曲线。
在进行实际光学测量前，对傅里叶变换红外（FTIR）光谱仪的背景标定至关重要。为了避免这种耗费人力的过程，研究人员采用AI方法来提供准确的浓度测量。图4a展示了未经数据预处理的原始数据。数据预处理可通过标准校准、SMOTE和环境光传感器（ALS）校准来实现；接着，使用t-SNE进行特征提取；最后利用线性判别分析（LDA）和深度神经网络（DNN）进行气体分类和预测。
利用协同方法在混合气体中识别异丙醇
图5阐释了IMMS与红外光谱的协同方法。如图5a所示，两者的信号被送至机器学习工具进行计算。IMMS方法中的异丙醇分子受到超高压的剧烈震动。在浓度估计方面，将两种方法测量相同浓度的数据相连接，然后使用t-SNE进行特征提取，再使用DNN进行浓度估计。气体数据采用并行连接和寻址方式，利用LDA对气体特征进行分类，以识别不同异丙醇浓度或不同种类的气体。最后，采用AI增强的传感器融合机制对异丙醇浓度进行检测。
综上所述，这项研究提出了一种用于AI增强的化学传感的协同IMMS机制，以实现对气体混合物的快速响应和准确检测。研究人员利用摩擦电纳米发电机产生高压等离子体，解决了环境压力对离子淌度的限制以及气体分子的中红外光谱响应和反射探测微弱的问题。该研究结果显示，通过AI增强自动提取特定特征，自供电离子淌度的精度比传统方法提高了近两倍。该研究还表明，摩擦电发电机产生的冷等离子体也增强了异丙醇传感的中红外光谱响应，并通过深度学习得到了良好的线性预测。此外，数据处理可能会消除基于观测的背景标定，从而节省人力成本。针对异丙醇检测中存在的问题，该研究以99.08%的准确率利用AI增强技术从IMMS数据成功提取异丙醇特征。该研究提出的方法可以对采集到的数据进行多模态数据处理，并可与现有方法结合，实现协同机制。
这项研究获得新加坡国立大学反应离子刻蚀（RIE）先进制造和工程（AME）项目（A18A4b0055）、前沿研究和技术创新中心（ARTIC）研究经费（R-261-518-009-720/A-0005947-20-00）、教育部科研经费（A- 0009520-01-00）、前沿研究和技术创新中心HWM-RP1项目（R-261-518-009-720）以及江苏省自然科学基金项目（No. BK20221456）的资助和支持。
论文链接：https://doi.org/10.1038/s41467-023-38200-6
