劉 哲 孫樂(lè)圣 于 駿 陸 檸 徐 瑩* 郭 淼

1（杭州電子科技大學(xué)自動(dòng)化學(xué)院儀器科學(xué)與工程研究所，杭州 310018）

2（杭州電子科技大學(xué)信息工程學(xué)院，杭州 311305）

引言

多巴胺（dopamine，DA）是一種兒茶酚胺類神經(jīng)遞質(zhì)，在哺乳動(dòng)物的心血管和中樞神經(jīng)系統(tǒng)起著至關(guān)重要的作用，且DA、尿酸（uiric acid，UA）等遞質(zhì)通常是人體生理健康狀況指示劑，其在體液、尿液和血液中的含量反映各種疾病征兆，因此DA 的準(zhǔn)確測(cè)量具有重要的生理及病理意義［1］。目前，DA檢測(cè)的經(jīng)典方法有多種，包括熒光法、高效液相色譜法、以及分光光度法［2］等，但以上方法均具有操作復(fù)雜、靈敏度低及無(wú)法選擇性檢測(cè)等缺點(diǎn)［3］。電化學(xué)法是現(xiàn)場(chǎng)檢測(cè)中常用的應(yīng)用于遞質(zhì)檢測(cè)方法，該方法具有操作簡(jiǎn)單、價(jià)格低廉、靈敏度高和選擇性高等優(yōu)點(diǎn)［4］。循環(huán)伏安法（cyclic voltammetry，CV）是其中應(yīng)用最廣泛的電化學(xué)檢測(cè)方法之一，既能定性分析電化學(xué)反應(yīng)特性，又可以測(cè)定電化學(xué)參數(shù)用于定量檢測(cè)待測(cè)物，在神經(jīng)遞質(zhì)等微量特征物檢測(cè)和分析中取得了尚佳的效果［5，6］。

在電化學(xué)檢測(cè)應(yīng)用過(guò)程中，需要恒電位儀施加高精度電位來(lái)維持傳感器的電化學(xué)穩(wěn)定，以得到較準(zhǔn)確的輸出信號(hào)。本課題組研究了一種基于STM32單片機(jī)的便攜式恒電位儀系統(tǒng)，用于DA 溶液的現(xiàn)場(chǎng)快速CV 檢測(cè)。然而，恒電位儀普遍存在功能模塊靈敏度和穩(wěn)定性較低的問(wèn)題。為提高DA 溶液的檢測(cè)精度，利用納米金屬材料高比表面積的特性，結(jié)合電沉積技術(shù)制備了一種納米修飾層玻碳電極（AuNPs／GCE）以放大前端檢測(cè)信號(hào)，較其他修飾電極，該電極具有制備簡(jiǎn)單、靈敏度高、價(jià)格低廉和重復(fù)性好等優(yōu)點(diǎn)，適合用于大樣本量下的DA 分子的快速重復(fù)性測(cè)定［7，8］。

目前，基于CV 法定量分析DA 濃度的研究中，大多數(shù)是利用峰電流和濃度擬合的方法進(jìn)行未知濃度的測(cè)定，例如，Guan 等［9］求取峰電流與DA 濃度間的線性回歸方程作為估計(jì)未知濃度的參考，傳感器的靈敏度反映為方程斜率。采用擬合法預(yù)測(cè)未知濃度時(shí)，需要嚴(yán)格控制恒定的實(shí)驗(yàn)環(huán)境和實(shí)驗(yàn)參數(shù)。實(shí)際上，在利用恒電位儀系統(tǒng)對(duì)DA 溶液進(jìn)行CV 快速檢測(cè)時(shí)，隨著實(shí)驗(yàn)人員、實(shí)驗(yàn)環(huán)境和實(shí)驗(yàn)要求的不斷變化，無(wú)法保證不產(chǎn)生其他干擾因素，這極大影響了CV 曲線對(duì)DA 濃度的表征。已有眾多文獻(xiàn)報(bào)道了關(guān)于影響DA 在修飾電極上CV 響應(yīng)的重要因素。Ghanbari 等［10］對(duì)pH 值如何影響DA電化學(xué)反應(yīng)進(jìn)行了研究。結(jié)果顯示，DA 的陽(yáng)極峰電位隨pH 的增加發(fā)生負(fù)向線性移動(dòng)，隨著pH 值的增加，陽(yáng)極峰值電流也會(huì)增加，當(dāng)pH 值為7.0 時(shí)，陽(yáng)極峰電流達(dá)到最大，隨后電流信號(hào)逐漸減小。同時(shí)電流響應(yīng)隨掃速的增加呈線性增加，峰值電流與掃描速度的平方根呈線性關(guān)系。Shashikumara等［11］研究發(fā)現(xiàn)掃描速率在20 ～200 mV／s 范圍內(nèi)增加時(shí)，峰值電流增加，峰值電位略有正移；隨著pH值的增加，DA 的陽(yáng)極峰電位向較低的正電位轉(zhuǎn)移?？芍趯?duì)DA 的CV 檢測(cè)中，底液的pH 和掃描速率是重要的干擾因素。在對(duì)DA 溶液進(jìn)行現(xiàn)場(chǎng)快速測(cè)定時(shí)，若pH 和掃速未知，傳統(tǒng)的峰高與濃度擬合分析方法也就沒(méi)有了檢測(cè)意義。Zhao 等［6］在對(duì)胰島素和葡萄糖的多組分檢測(cè)中，胰島素和葡萄糖的CV 響應(yīng)氧化峰發(fā)生重疊，僅依靠傳統(tǒng)電化學(xué)檢測(cè)方法難以解耦氧化電流，實(shí)現(xiàn)各組分準(zhǔn)確測(cè)定，于是引入人工智能算法克服以上問(wèn)題。據(jù)此，本研究利用機(jī)器學(xué)習(xí)算法構(gòu)建pH 和掃速混雜干擾下的DA 濃度預(yù)測(cè)模型，實(shí)現(xiàn)多干擾下DA 濃度的準(zhǔn)確測(cè)定。

XGBoost 算法是一種新興機(jī)器學(xué)習(xí)方法，基于梯度提升樹模型構(gòu)建集成學(xué)習(xí)模型，以回歸決策樹作為基模型，計(jì)算效率高且適用于小樣本數(shù)據(jù)分析。Cheng 等［12］利用XGBoost 算法可以實(shí)現(xiàn)特征重要性排序的特點(diǎn)，對(duì)多金屬離子的實(shí)驗(yàn)數(shù)據(jù)特征選擇最佳特征子集，以提高預(yù)測(cè)性能。由于不同的干擾因素會(huì)對(duì)CV 檢測(cè)曲線的不同相應(yīng)特征產(chǎn)生影響，因此，為降低干擾因素對(duì)CV 檢測(cè)曲線的相應(yīng)特征產(chǎn)生的影響，本研究在預(yù)測(cè)濃度前，通過(guò)XGBoost對(duì)特征參數(shù)進(jìn)行篩選，以降低實(shí)驗(yàn)數(shù)據(jù)的冗余度，改善預(yù)測(cè)性能。首先提取CV 曲線中具有代表性的特征值，以濃度為標(biāo)簽，實(shí)現(xiàn)對(duì)CV 檢測(cè)數(shù)據(jù)信息的充分挖掘。然后，基于極端梯度提升樹（extreme gradient boosting， XGBoost） 和隨機(jī)森林（random forest，RF） 構(gòu)建了兩階段 DA 濃度預(yù)測(cè)模型XGBoost-RF；第一階段基于XGBoost 模型計(jì)算特征重要性得分，篩選其中得分較高的特征生成新的數(shù)據(jù)集；第二階段將新特征集輸入到RF 模型中進(jìn)行訓(xùn)練和濃度預(yù)測(cè)。

本研究利用納米修飾電極和兩階段預(yù)測(cè)模型XGBoost-RF 相結(jié)合的方法，提出一種用于多干擾因素下DA 濃度快速測(cè)定的方法，不僅彌補(bǔ)了恒電位儀直接檢測(cè)靈敏度較低的缺陷，而且可實(shí)現(xiàn)遠(yuǎn)程監(jiān)測(cè)、便攜檢測(cè)等不同實(shí)驗(yàn)場(chǎng)景下對(duì)DA 濃度的定量分析，在底液pH 和掃描速率的干擾下，仍可實(shí)現(xiàn)對(duì)DA 的高精度預(yù)測(cè)，降低檢測(cè)成本。

1 材料與方法

1.1 試劑與儀器

實(shí)驗(yàn)基于自主研發(fā)的便攜式恒電位儀系統(tǒng)完成，其中三電極系統(tǒng)組成為：納米材料修飾電極為工作電極，參比電極為Ag／AgCl 電極，鉑絲為對(duì)電極［13］。磷酸鹽緩沖溶液（PBS）濃度為0.1 mol／L，DA、氯金酸（HAuCl4）為分析純，實(shí)驗(yàn)用水為去離子水［14］。場(chǎng)發(fā)射掃描電子顯微鏡（SU8010，日本Hitachi 公司）。

便攜式恒電位儀系統(tǒng)由三電極檢測(cè)系統(tǒng)、下位機(jī)和PC 上位機(jī)軟件組成，其中下位機(jī)是整個(gè)系統(tǒng)的核心，作用是將三電極系統(tǒng)中目標(biāo)分析物的濃度信息利用電化學(xué)原理轉(zhuǎn)化為電信號(hào)并傳遞給PC 上位機(jī)，進(jìn)行并行測(cè)量。如圖1（a）所示，三電極系統(tǒng)包括恒電位儀、三電極測(cè)試電路和電解質(zhì)溶液，三電極測(cè)試電路由工作電極（WE）、參比電極（RE）和輔助電極（CE）組成，其中工作電極作為測(cè)試電極，參比電極為測(cè)試提供基準(zhǔn)電位，輔助電極提供電流輸出，電化學(xué)檢測(cè)主要是研究工作電極上發(fā)生的電極反應(yīng)［15］，如圖1（b）為該系統(tǒng)整體連接實(shí)物圖，該系統(tǒng)可進(jìn)行并行電化學(xué)檢測(cè)實(shí)驗(yàn)。便攜式恒電位儀下位機(jī)選用STM32 單片機(jī)作為控制核心，再配合D／A 轉(zhuǎn)換模塊、AFE 模塊（傳感器模擬前端）、A／D轉(zhuǎn)換模塊、藍(lán)牙通信模塊和電源模塊組成整個(gè)下位機(jī)系統(tǒng)，如圖1（c）所示。上位機(jī)軟件采用模塊化的設(shè)計(jì)思想，基于QT Creator4.5.0 集成開發(fā)環(huán)境采用QT C ＋＋框架開發(fā)完成，可以運(yùn)行于平板等便攜終端［16］。

圖1 便攜式恒電位儀系統(tǒng)示意圖。（a）三電極體系原理圖；（b）便攜式恒電位儀并行檢測(cè)；（c）系統(tǒng)框架圖Fig.1 Diagram of portable potentiostat system. （a）Schematic of the three-electrode system； （b） Parallel detection diagram of portable potentiostat； （ c）System frame diagram（a）

1.2 電極制備

分別用1.00、0.30、0.05 μm 氧化鋁粉末拋光玻碳電極，并在蒸餾水中超聲清洗。電極在氮?dú)獯捣飨赂稍铮缓蠼?.1 M H2SO4電解質(zhì)的0.1%HAuCl4溶液中，在-200 mV（參比電極為Ag／AgCl）單電位模式下進(jìn)行電化學(xué)沉積，時(shí)間為30 s。取出后用水沖洗，晾干備用，即得AuNPs 修飾電極（AuNPs／GCE）。

1.3 DA 檢測(cè)實(shí)驗(yàn)

以不同pH 的PBS 緩沖液為支持電解質(zhì)，在不同掃速下對(duì)不同濃度的DA 溶液進(jìn)行重復(fù)性交叉CV 檢測(cè)，其中底液pH 分別為5.7、6.3、6.7、7.0、7.4、8.0，掃速參數(shù)設(shè)置為20、50、70、100、120 mV／s，DA 濃度為0.05、0.07、0.10、0.15、0.30、0.40、0.50 mM，共得到1 620組檢測(cè)數(shù)據(jù)。所有實(shí)驗(yàn)均在室溫下完成。

1.4 濃度預(yù)測(cè)模型

1.4.1 CV 曲線特征參數(shù)

對(duì)于實(shí)驗(yàn)得到的DA 溶液CV 檢測(cè)曲線，不同濃度和檢測(cè)條件下的結(jié)果曲線具有較大的差異性。其中，隨著目標(biāo)分析物濃度的提高，檢測(cè)曲線的峰電流和峰面積會(huì)增大；隨著掃速的增加，氧化峰電流會(huì)發(fā)生正移，還原峰電流發(fā)生負(fù)移，峰面積和基線斜率逐漸增大；由于有質(zhì)子參與DA 的氧化還原反應(yīng)，所以隨著pH 值的增加，DA 的峰電位和起始氧化還原電位均負(fù)移［17］。綜上所述，為了全面體現(xiàn)實(shí)驗(yàn)結(jié)果的信息差異性，選擇峰電流、峰電位、基線斜率、峰面積、起始氧化電位和起始還原電位作為模型的特征變量，各個(gè)特征參數(shù)的詳細(xì)描述見表1。

表1 CV 曲線特征參數(shù)Tab.1 Characteristic parameters of CV curve

1.4.2 XGBoost-RF 兩階段預(yù)測(cè)模型

針對(duì)獲取的實(shí)驗(yàn)數(shù)據(jù)集，某些特征參數(shù)會(huì)成為預(yù)測(cè)過(guò)程的冗余信息，這些特征不僅會(huì)降低訓(xùn)練效率，還增加了預(yù)測(cè)誤差。XGBoost 充分考慮了數(shù)據(jù)的稀疏狀況，減小數(shù)據(jù)集不均衡對(duì)模型泛化性能的影響，而RF 方差和偏差都較低，泛化性能優(yōu)越，為此建立XGBoost-RF 兩階段模型對(duì)CV 檢測(cè)數(shù)據(jù)集進(jìn)行濃度預(yù)測(cè)。第一階段利用XGBoost 模型選取重要度得分較高的特征，降低特征集的冗余程度；第二階段將新的特征集輸入到RF 模型中進(jìn)行濃度準(zhǔn)確預(yù)測(cè)。系統(tǒng)流程圖如圖2 所示，結(jié)合便攜式恒電位儀系統(tǒng)和XGBoost-RF 實(shí)現(xiàn)不同干擾因素下DA溶液的濃度預(yù)測(cè)共包含5 個(gè)部分：不同濃度DA 溶液的配置、基于便攜式恒電位儀系統(tǒng)的CV 檢測(cè)實(shí)驗(yàn)、檢測(cè)曲線的特征提取、兩階段預(yù)測(cè)模型和不同濃度DA 溶液的預(yù)測(cè)結(jié)果。

圖2 主要測(cè)試系統(tǒng)分析流程Fig.2 Frame diagram of the measuring system

對(duì)于單個(gè)決策樹計(jì)算特征重要性的依據(jù)是該特征分割使模型性能提升的程度，而對(duì)于整個(gè)XGBoost 模型而言，特征的重要性是該特征在每一棵樹中的表現(xiàn)的綜合評(píng)估。每一棵回歸樹的目標(biāo)函數(shù)為

式中，loss（） 為損失函數(shù)，Ω為復(fù)雜度，yi、分別為訓(xùn)練集標(biāo)簽和預(yù)測(cè)標(biāo)簽，xi為特征參數(shù)。

利用貪心算法求取目標(biāo)函數(shù)最小的增益，增益函數(shù)為

式中，Gi和Hi分別為第i棵樹的一階和二階導(dǎo)常數(shù)，λ為常數(shù)系數(shù)，γ為模型的復(fù)雜度代價(jià)。增益值越大，葉節(jié)點(diǎn)分裂的損失越小，所以在分割節(jié)點(diǎn)時(shí)，選擇增益最大的特征［18］?？傻茫卣鱥在第t棵回歸樹的重要度公式為

式中，j為節(jié)點(diǎn)，L為節(jié)點(diǎn)總數(shù)，vj為與j的關(guān)聯(lián)特征。

綜上，特征i在所有樹的重要度得分計(jì)算公式為

式中，n為決策樹的個(gè)數(shù)，t為決策樹的編號(hào)。

將1.4.1 小節(jié)提取的10 個(gè)特征輸入XGBoost模型中，計(jì)算特征重要度得分，進(jìn)而篩選出對(duì)結(jié)果影響程度較大的特征用于后續(xù)的濃度預(yù)測(cè)。為使不同特征參數(shù)間具有可比性，消除不同量綱對(duì)模型預(yù)測(cè)結(jié)果的影響，在第一階段XGBoost 模型特征選取前對(duì)數(shù)據(jù)集進(jìn)行歸一化處理。

RF 是一種集成學(xué)習(xí)算法，具有運(yùn)算速度快，抗噪聲能力強(qiáng)，調(diào)整參數(shù)少，對(duì)數(shù)據(jù)量的要求低等優(yōu)點(diǎn)，對(duì)小樣本數(shù)據(jù)集具有適用性。其基本單元是二叉決策樹，每棵樹之間獨(dú)立同分布，n棵樹可集成為一個(gè)森林形成強(qiáng)回歸器。

隨機(jī)森林回歸模型的構(gòu)建過(guò)程

步驟1：從樣本集中有放回地隨機(jī)抽取部分?jǐn)?shù)據(jù)樣本作為決策樹根節(jié)點(diǎn)的樣本集；

步驟2：在決策樹的每個(gè)分裂節(jié)點(diǎn)處，遍歷每個(gè)特征，按照最小均方差原則選擇分裂閾值與最優(yōu)特征；

步驟3：根據(jù)節(jié)點(diǎn)的分裂屬性進(jìn)行分裂直至葉節(jié)點(diǎn)，葉節(jié)點(diǎn)存儲(chǔ)的是決策樹的輸出結(jié)果Ot，t為第t棵樹。

步驟4：重復(fù)以上步驟m次即形成擁有m棵數(shù)的森林。隨機(jī)森林模型的輸出值為每棵樹的輸出平均值O，表示為

具體的XGBoost-RF 預(yù)測(cè)模型算法流程圖如圖3 所示。特別地，為適應(yīng)數(shù)據(jù)集維度較低，且特征參數(shù)為連續(xù)型的特點(diǎn)，步驟2 中RF 模型中在節(jié)點(diǎn)分裂時(shí)參與判斷的最大特征數(shù)選取所有特征數(shù)的開方，提高每個(gè)樹模型的擬合能力，決策樹的數(shù)目選擇為1 000，使模型的泛化誤差收斂于一個(gè)極限值，結(jié)合以上參數(shù)優(yōu)化提高模型對(duì)本實(shí)驗(yàn)電化學(xué)檢測(cè)數(shù)據(jù)的預(yù)測(cè)能力。為驗(yàn)證所建立的XGBoost-RF兩階段模型對(duì)電化學(xué)檢測(cè)數(shù)據(jù)的特征提取和訓(xùn)練等方面的優(yōu)異性，建立SVR 預(yù)測(cè)模型作為對(duì)比。

圖3 XGBoost-RF 算法流程Fig.3 Flowchart of XGBoost-RF model

2 結(jié)果

2.1 AuNPs／GCE 表征結(jié)果

利用不同放大功率下的場(chǎng)發(fā)射掃描電鏡圖（FESEM）觀察AuNPs／GCE 表面的微觀形貌，結(jié)果如圖4（a）所示。GCE 表面相對(duì)光滑，在AuNPs／GCE 表面附著有離散的球狀金納米顆粒，顆粒分布較為均勻，且大小接近，直徑范圍主要在50 nm 左右。這些金納米顆粒均勻排布在電極表面，增大了與DA 的接觸面積，提高了對(duì)DA 催化氧化的能力。如圖4（b）所示為裸玻碳電極（A）和納米金修飾電極（B）分別在含有0.1 mM DA 的0.1 mol／L PBS（pH＝7.3）溶液中的CV 響應(yīng)結(jié)果（參比電極為Ag／AgCl）。可知，和GCE 相比，DA 在AuNPs／GCE 上的氧化還原峰峰形比較尖銳，尤其是還原峰的響應(yīng)明顯增大，而兩者的兩個(gè)峰電位基本相同。利用裸玻碳電極、AuNPs／GCE（滴涂法）和AuNPs／GCE（電沉積法）分別對(duì)同一DA 溶液（0.1 mM，pH＝7.3）進(jìn)行重復(fù)性CV 檢測(cè)（n＝10）。結(jié)果顯示，3 種電極下的氧化峰電流均值分別為（4.10±0.39）μA、（4.12±0.39）μA、（6.69±0.36）μA，相對(duì)標(biāo)準(zhǔn)偏差分別為9.60%、9.50%、6.69%，其中DA 在電沉積法制備的AuNPs／GCE 下的氧化峰電流最大，且該修飾電極的重復(fù)性最優(yōu)。

圖4 AuNPs／GCE 表征結(jié)果。（a）AuNPs／GCE 的FESEM 圖；（b）不同修飾電極對(duì)含有0.1 mM DA的CV 測(cè)試曲線Fig.4 Characterization results of AuNPs／GCE.（a） FESEM images of AuNPs／GCE； （b） CV curves of different modified electrodes containing 0.1mm DA

以上結(jié)果表明，電沉積法制備的AuNPs／GCE修飾電極對(duì)DA 的氧化還原反應(yīng)具有良好的電催化活性，可實(shí)現(xiàn)DA 的高靈敏度、高重復(fù)性和快速檢測(cè)，便于后期針對(duì)較多實(shí)驗(yàn)數(shù)據(jù)，進(jìn)行干擾環(huán)境下的機(jī)器學(xué)習(xí)預(yù)測(cè)分析。

2.2 底液pH 和掃速對(duì)DA 檢測(cè)的影響

以AuNPs／GCE 為工作電極，在不同掃速（20、50、70、100、120 mV／s）下檢測(cè)含有0.1 mM DA 的0.1 mol／L PBS（pH ＝7.3）溶液，其他條件不變，共測(cè)得300 組CV 數(shù)據(jù)。其中一組數(shù)據(jù)結(jié)果如圖5（a）所示，隨著掃速的增加，氧化峰電流發(fā)生正移，還原峰電流發(fā)生負(fù)移，峰面積和基線斜率逐漸增大，且峰電流與掃速平方根呈良好線性相關(guān)，R-square 為0.87 和0.89。保持其他條件不變，研究底液pH 對(duì)DA 檢測(cè)的影響，在AuNPs／GCE 電極上對(duì)含有0.1 mM DA 的不同pH 值（5.7、6.3、6.7、7.0、7.4、8.0）0.1 mol／L PBS 溶液進(jìn)行CV 檢測(cè)，掃速為50 mV／s，共測(cè)得300 組CV 數(shù)據(jù)。其中1 組數(shù)據(jù)結(jié)果如圖5（b）所示，隨著pH 值的增加，DA 的峰電位和起始氧化還原電位均發(fā)生負(fù)移，且峰電位分別與PBS 的pH 呈良好線性相關(guān)，R-square 均為0.99。同時(shí)，在底液pH 從5.3 增加到7.4 時(shí)，氧化峰電流逐漸增大，之后隨pH 增大逐漸降低。綜上所述，底液pH 值和掃速是影響DA 在AuNPs／GCE 電極上CV 響應(yīng)的重要因素，在測(cè)定不同濃度DA 時(shí)需要嚴(yán)格保證底液pH 和掃速不變，否則DA 的直接檢測(cè)結(jié)果具有較大的誤差。

圖5 AuNPs／GCE 在不同底液pH 和掃速下對(duì)DA 的CV 響應(yīng)。（a）在不同掃速下對(duì)DA 的CV響應(yīng)（插圖為峰電流與掃速平方根關(guān)系圖）；（b）在不同pH 下對(duì)DA 的CV 響應(yīng)（插圖為峰電位與pH 線性關(guān)系圖）Fig.5 CV responses of DA on AuNPs／GCE at different pH and scan rates. （a） CV response of DA at different scan rates （ The internal illustration shows the relationship between peak current and square root of sweep speed）；（b） CV response of DA at different pH （The internal illustration shows the linear relationship between peak potential and pH）

2.3 不同濃度DA 在AuNPs／GCE 上的電化學(xué)行為

以AuNPs／GCE 為工作電極，保持其他檢測(cè)條件不變，對(duì)不同濃度DA 溶液（0.05、0.07、0.15、0.30 和0.50 mM）進(jìn)行CV 檢測(cè)，共測(cè)得1 500 組CV 數(shù)據(jù)。其中一組實(shí)驗(yàn)結(jié)果（PBS 溶液pH 為7.5，掃速為50 mV／s）如圖6（a）所示，隨著濃度的增大，CV 曲線的氧化峰電流正移，還原峰電流負(fù)移，峰面積和基線斜率均逐漸增大。在0.05～0.50 mM 濃度范圍內(nèi)，峰電流與濃度呈線性相關(guān)，R-square 分別為0.99 和0.97。然而，由于測(cè)試的便攜化、遠(yuǎn)程化及測(cè)試人員的影響，利用恒電位儀對(duì)低濃度DA 進(jìn)行快速測(cè)定時(shí)，不可避免地使多誤差輸入源測(cè)量結(jié)果混入，如底液pH 和掃速干擾問(wèn)題。如圖6（b）為不同底液pH 和掃速下對(duì)0.15 和0.30 mM DA 溶液的CV 檢測(cè)結(jié)果?？芍?，在不同pH 和掃速的影響下，DA 檢測(cè)曲線的特征參數(shù)發(fā)生很大改變，其中變化較大的為峰電流、峰電位和峰面積，也就無(wú)法利用CV 曲線相關(guān)特征與濃度之間的線性關(guān)系分析不同濃度DA 檢測(cè)曲線并準(zhǔn)確測(cè)定DA 濃度。對(duì)此，基于機(jī)器學(xué)習(xí)算法構(gòu)建兩階段DA 濃度預(yù)測(cè)模型，在底液pH 和掃速對(duì)DA 測(cè)定的干擾下，提升了對(duì)DA濃度的預(yù)測(cè)準(zhǔn)確性。

圖6 有無(wú)干擾因素對(duì)不同濃度DA 的CV 響應(yīng)。（a）無(wú)干擾源（插圖為峰電流與DA 濃度線性關(guān)系圖）；（b）有干擾源Fig.6 CV response under different concentrations of DA with and without interference factors.（a） Without interference（The internal illustration is the linear relationship between peak current and DA concentration）； （b） With interference of pH and sweep speed

2.4 pH 值和掃速干擾下的DA 濃度預(yù)測(cè)

為驗(yàn)證XGBoost-RF 兩階段模型在不同干擾因素下對(duì)DA 濃度預(yù)測(cè)的優(yōu)異性，選用經(jīng)典模型SVR與XGBoost-RF 進(jìn)行對(duì)比。對(duì)混有底液pH 和掃速干擾下的1 620組實(shí)驗(yàn)數(shù)據(jù)提取特征整理成數(shù)據(jù)集，并進(jìn)行歸一化處理。分別輸入80%處理后的數(shù)據(jù)集到SVR 和XGBoost-RF 進(jìn)行訓(xùn)練。XGBoost-RF 第一階段基于XGBoost 的特征重要度得分如圖7（a）所示，氧化峰面積、還原峰基線斜率、還原峰電流、氧化峰電流、氧化峰基線斜率和還原峰電位6 個(gè)特征占總特征分值的74%，保留以上特征對(duì)RF 訓(xùn)練，但保留全部特征訓(xùn)練SVR。

圖7 預(yù)測(cè)結(jié)果（箭頭所指為未經(jīng)訓(xùn)練的盲濃度）。（a）特征重要度得分；（b）SVR 預(yù)測(cè)結(jié)果；（c）XGBoost-RF 預(yù)測(cè)結(jié)果Fig.7 Prediction results（The arrows indicate the untrained blind concentrations）. （a） Feature importance score； （b） Prediction result of SVR；（c） Prediction result of XGBoost-RF

圖7（b）、（c）分別SVR 對(duì)全部特征測(cè)試集的預(yù)測(cè)結(jié)果和XGBoost-RF 第二階段基于RF 對(duì)特征篩選后的測(cè)試集具體預(yù)測(cè)結(jié)果。其中，為了驗(yàn)證預(yù)測(cè)模型對(duì)未經(jīng)訓(xùn)練的DA 盲濃度具有有效預(yù)測(cè)性，在不同干擾因素下（不同pH 值和掃速）采集了兩組不同濃度（0.10 和0.40 mM）DA 溶液的CV 數(shù)據(jù)，每組各60 個(gè)數(shù)據(jù)樣本，預(yù)測(cè)結(jié)果如圖7（b）、（c）箭頭標(biāo)示。從圖中整體預(yù)測(cè)結(jié)果來(lái)看，對(duì)于多濃度下的未經(jīng)訓(xùn)練的DA 濃度，SVR 和XGBoost-RF 預(yù)測(cè)得到的濃度值與實(shí)際濃度值間都達(dá)到一定擬合度，但RSquare 分別為0.875、0.943，可知XGBoost-RF 較SVR 的預(yù)測(cè)效果更佳。兩模型的誤差指標(biāo)結(jié)果如表2 所示，相較于SVR 模型，XGBoost-RF 濃度預(yù)測(cè)模型的MAE、RMSE 和MAPE%分別降低了53.9%、39.7%和2.7%?；赬GBoost 對(duì)重要特征進(jìn)行篩選后，RF 預(yù)測(cè)模型的訓(xùn)練時(shí)間降低23%，預(yù)測(cè)準(zhǔn)確度提升7%?？芍?，對(duì)多干擾因素下的DA 濃度預(yù)測(cè)，XGBoost-RF 兩階段模型具有更為理想的效果。

表2 預(yù)測(cè)模型誤差指標(biāo)對(duì)比Tab.2 Comparison of error indicators for prediction models

綜上所述，對(duì)于多干擾因素下的DA 溶液CV 檢測(cè)數(shù)據(jù)，XGBoost-RF 濃度預(yù)測(cè)模型實(shí)現(xiàn)了高準(zhǔn)確度的預(yù)測(cè)，未來(lái)隨著不同濃度DA 溶液檢測(cè)數(shù)據(jù)對(duì)模型的訓(xùn)練，該模型的泛化性能和預(yù)測(cè)準(zhǔn)確度會(huì)進(jìn)一步提高。

3 討論

目前，國(guó)內(nèi)外基于DA 等神經(jīng)遞質(zhì)溶液的電化學(xué)檢測(cè)主要采用循環(huán)伏安法、計(jì)時(shí)電流法等，并圍繞檢測(cè)下限展開，這對(duì)于實(shí)驗(yàn)人員、實(shí)驗(yàn)條件具有較嚴(yán)格的要求［5，19］。隨著生物醫(yī)療等行業(yè)對(duì)DA 等檢測(cè)物的現(xiàn)場(chǎng)檢測(cè)、遠(yuǎn)程檢測(cè)、便攜檢測(cè)多種需求逐漸提升，造成實(shí)驗(yàn)人員和實(shí)驗(yàn)場(chǎng)景的不斷變化，從而無(wú)法確?，F(xiàn)場(chǎng)快速檢測(cè)的實(shí)驗(yàn)條件保持一致，導(dǎo)致實(shí)驗(yàn)結(jié)果中混雜入不同程度的干擾，對(duì)目標(biāo)物濃度的測(cè)定產(chǎn)生重要影響。已有許多研究顯示，對(duì)于DA 的CV 響應(yīng)中，其陽(yáng)極峰電位隨pH 值的增加發(fā)生負(fù)向線性移動(dòng)，陽(yáng)極峰值電流也會(huì)隨著pH 的增加而增加，當(dāng)pH 值到達(dá)一定值時(shí)，陽(yáng)極峰電流達(dá)到最大，隨后電流信號(hào)會(huì)隨著pH 的增加而減?。煌瑫r(shí)，掃速在一定范圍內(nèi)增加時(shí)，峰值電流會(huì)逐漸增大［10-11］?？芍?，掃速和底液pH 是對(duì)于DA 的CV 快速測(cè)定影響較為突出的兩個(gè)干擾因素。

為此，針對(duì)在多干擾存在的情況下實(shí)現(xiàn)DA 的現(xiàn)場(chǎng)快速測(cè)定，本研究提出納米修飾電極和機(jī)器學(xué)習(xí)相結(jié)合的方法。目前，已有較多文獻(xiàn)報(bào)道了關(guān)于提高DA 檢測(cè)靈敏度的方法。Liu 等［7］曾通過(guò)還原HAuCl4合成一款納米金修飾電極，結(jié)果顯示其對(duì)DA 表現(xiàn)出良好的電流響應(yīng)，證明了金納米顆粒對(duì)DA 分子具有良好的催化效應(yīng)。Mahalakshmi 等［8］使用LSV 在聚苯胺修飾電極上原位電沉積AuNPs，研究證明沉積金納米顆粒的修飾電極對(duì)DA 具有高效的電催化作用。雖然納米金修飾電極在DA 檢測(cè)中的靈敏度和有效性已經(jīng)得到相關(guān)研究人員的認(rèn)可，但是以上納米金修飾電極的制備過(guò)程繁瑣且制備成本高，無(wú)法適用于DA 的現(xiàn)場(chǎng)快速測(cè)定。本研究利用電沉積技術(shù)制備了一種簡(jiǎn)易的納米金修飾電極（AuNPs／GCE），用于實(shí)現(xiàn)DA 溶液的快速檢測(cè)。通過(guò)SEM 圖像［見圖4（ a）］觀察到該修飾電極表面較均勻附著約50 nm 的納米金顆粒，可實(shí)現(xiàn)對(duì)DA 分子的有效電催化。另外，該修飾電極的制備操作比較簡(jiǎn)便，這會(huì)有效提高DA 溶液的測(cè)定效率，在上千組DA 快速檢測(cè)應(yīng)用中具有較大優(yōu)勢(shì)。

當(dāng)前，許多研究開始將機(jī)器學(xué)習(xí)算法引入到電化學(xué)檢測(cè)領(lǐng)域中，以得到更加優(yōu)異的檢測(cè)效果。例如，Schaumloffel 等［20］為分別量化生物柴油樣品中四種抗氧化劑的濃度，采用電化學(xué)微分脈沖伏安法和人工神經(jīng)網(wǎng)絡(luò)（ANN）進(jìn)行結(jié)合，有效克服抗氧化劑混合物之間對(duì)檢測(cè)結(jié)果的相互干擾，4 種抗氧化劑的實(shí)際濃度與測(cè)定濃度間呈現(xiàn)高度相關(guān)性。這表明，引入機(jī)器學(xué)習(xí)算法可有效克服不同實(shí)驗(yàn)條件對(duì)電化學(xué)測(cè)定結(jié)果的干擾。根據(jù)電化學(xué)檢測(cè)領(lǐng)域的主要干擾源，本研究首先進(jìn)行了不同底液pH、掃速和不同低濃度DA 溶液的重復(fù)性交叉CV 檢測(cè)實(shí)驗(yàn)，以探究多干擾因素下的濃度有效測(cè)定。然后對(duì)實(shí)驗(yàn)曲線提取具有代表性的特征，其中包括峰電流、峰電位、基線斜率、峰面積、起始氧化電位和起始還原電位等，并整理成特征集。根據(jù)實(shí)驗(yàn)數(shù)據(jù)特征參數(shù)呈離散化特點(diǎn)，本研究基于XGBoost 和RF構(gòu)建兩階段DA 濃度預(yù)測(cè)模型。第一階段基于XGBoost 模型根據(jù)特征參數(shù)的重要性得分選取得分較高的特征以降低特征冗余度，并提升模型訓(xùn)練效率。第二階段將選取的特征輸入到RF 模型中進(jìn)行訓(xùn)練和濃度預(yù)測(cè)。結(jié)果顯示，相較于傳統(tǒng)SVR 模型，XGBoost-RF 濃度預(yù)測(cè)模型的MAE、RMSE 和MAPE%分別降低53.9%、39.7%和2.7%，預(yù)測(cè)準(zhǔn)確度提升7%，預(yù)測(cè)濃度（其中包括未經(jīng)訓(xùn)練的盲濃度）與實(shí)際濃度間均具有良好擬合度，R-Square 為0.943，這說(shuō)明該模型具備較高的預(yù)測(cè)準(zhǔn)確度，且通過(guò)特征篩選后，模型的訓(xùn)練時(shí)間降低23%，這一點(diǎn)在快速檢測(cè)相關(guān)領(lǐng)域具有重要意義。從整體結(jié)果來(lái)看，在對(duì)存在多干擾因素下的DA 濃度預(yù)測(cè)中，XGBoost-RF 兩階段模型表現(xiàn)出優(yōu)良的泛化性能和測(cè)定效率，說(shuō)明基于納米修飾電極和機(jī)器學(xué)習(xí)相結(jié)合的方法具有良好應(yīng)用前景。

本研究主要工作機(jī)制可概況為：首先，采用本領(lǐng)域的主要經(jīng)典檢測(cè)技術(shù)——電化學(xué)CV 法進(jìn)行DA 溶液檢測(cè)。其次，為進(jìn)一步提高檢測(cè)靈敏度，選取高導(dǎo)電性和催化性能的納米金粒子作為電極修飾材料，放大由DA 氧化反應(yīng)所引起電流響應(yīng)，增強(qiáng)DA 定量檢測(cè)精確度。為保證修飾電極的信號(hào)穩(wěn)定性和再現(xiàn)性，采取電沉積技術(shù)制備表面均勻、具活性位點(diǎn)的納米粒子。第三，對(duì)于檢測(cè)結(jié)果中由于現(xiàn)場(chǎng)檢測(cè)中底液pH 和掃速不同等所造成的干擾，對(duì)CV 曲線提取重要特征，并構(gòu)建XGBoost-RF 兩階段濃度預(yù)測(cè)模型?；跇涞腦GBoost 模型和RF 模型屬于機(jī)器學(xué)習(xí)領(lǐng)域的經(jīng)典模型，其中XGBoost 通過(guò)正則化以及多階導(dǎo)數(shù)精確訓(xùn)練，其內(nèi)置的稀疏感知算法，適用于本研究中含有多因素以及多特征的小樣本數(shù)據(jù)。RF 模型通過(guò)多個(gè)子樹的集成學(xué)習(xí)并進(jìn)行隨機(jī)采樣，具備更強(qiáng)的抗干擾能力和泛化能力，易于尋找有效特征并挖掘不同因素間的微小差異，實(shí)現(xiàn)高精度預(yù)測(cè)［21］。下一階段將進(jìn)一步加強(qiáng)多種電化學(xué)方法，如CV 法、計(jì)時(shí)電流法、差分伏安法等與機(jī)器學(xué)習(xí)相結(jié)合的分析［20］，［22］。CV 法可提取的特征參量雖較多，但由于CV 法除了分析樣品的定量測(cè)試，也主要用于電極動(dòng)力學(xué)分析。因此，在后續(xù)的研究中，課題將進(jìn)一步綜合脈沖伏安法、方波伏安法和計(jì)時(shí)電流法等其它檢測(cè)方法并協(xié)同分析，擴(kuò)充代表性特征參數(shù)維度，增強(qiáng)實(shí)驗(yàn)數(shù)據(jù)的多元化及分析準(zhǔn)確度，優(yōu)化機(jī)器學(xué)習(xí)模型，從提高靈敏度和檢測(cè)精度的角度實(shí)現(xiàn)對(duì)低濃度目標(biāo)溶液在多干擾因素下的定量分析，促進(jìn)便攜儀器的工程化及商用化。

4 結(jié)論

本研究基于納米金修飾電極、便攜式恒電位儀系統(tǒng)和XGBoost-RF 兩階段預(yù)測(cè)模型在提高DA 現(xiàn)場(chǎng)檢測(cè)準(zhǔn)確性的同時(shí)，進(jìn)一步有效降低了主要干擾因素-底液pH 和掃速對(duì)DA 現(xiàn)場(chǎng)檢測(cè)結(jié)果帶來(lái)的誤差，為在不同實(shí)驗(yàn)環(huán)境下實(shí)現(xiàn)DA 的現(xiàn)場(chǎng)快速高精度測(cè)定提供了新的思路和方法。未來(lái)可針對(duì)差分脈沖伏安法和計(jì)時(shí)電流法等共同進(jìn)行特征提取以提高實(shí)驗(yàn)數(shù)據(jù)特征參數(shù)，進(jìn)一步提升預(yù)測(cè)準(zhǔn)確度。