[发明专利]一种基于机器学习模型的微生物电化学传感器的综合毒物监测方法

权利要求书

1.一种基于机器学习模型的微生物电化学传感器的综合毒物监测方法，其特征在于，通过以下步骤实现：

1)对采集得到的微生物电化学传感器收到毒性冲击前后的电信号数据进行数据处理，最终得到每一个微生物电化学传感器按照时间顺序排布的电信号数据；

2)对于每一个反应器，通过对实验数据和采集的电信号数据的处理，得到描述性电信号的特征值和响应毒物冲击的特征值；

3)训练机器学习模型，根据毒物的类型选取特定的算法，选取特定的描述性电信号特征值和响应毒物冲击特征值作为输入，以毒物的浓度作为输出进行回归模型训练，将处理完成的电信号数据集的一部分作为训练集，另一部分作为验证集，通过模型对验证集样本的毒物浓度进行预测；

4)机器学习模型评估

对机器学习模型精度进行评估，在模型足够精确后，预测值可以作为其实际的毒物浓度，从而实现对综合毒物浓度的检测。

2.根据权利1所述的一种基于机器学习模型的微生物电化学传感器的综合毒物监测方法，其特征在于，所述描述性电信号的特征值，主要是MEC反应器运行期间产生的最大电流(I_max)、反应器中生物膜驯化成熟，系统达到稳定状态的稳态电流(I_stable)以及达到稳态所需的时间(t_stable)、注射毒物的时间点(t_inject)。

3.根据权利1所述的一种基于机器学习模型的微生物电化学传感器的综合毒物监测方法，其特征在于，所述响应毒物冲击特征值，主要是受到毒物冲击后每6个小时的电流及电流下降率，即6个小时的电流(I_6h)以及电流下降率(DropRatio_6h)、12个小时的电流(I_12h)以及电流下降率(DropRatio_12h)、18个小时的电流(I_18h)以及电流下降率(DropRatio_18h)、24个小时的电流(I_24h)以及电流下降率(DropRatio_24h)。

4.根据权利1所述的一种基于机器学习模型的微生物电化学传感器的综合毒物监测方法，其特征在于，反应器运行期间产生的最大电流(I_max)为该反应器电信号数据中第三高的电流值，以排除运行期间可能的测量偏差和意外断连导致的离群值；反应器电流达到I_max的90％为进入稳定状态，这个时间点为达到稳态所需的时间(t_stable)，进入稳态后到受到毒物冲击的平均电流为稳态电流(I_stable)；从注射毒物的时间开始算起，反应器受到毒物冲击；电流下降率(DropRatio)公式为：

其中，DropRatio为DropRatio_6h、DropRatio_12h、DropRatio_18h、DropRatio_24h，相应地，I_drop为Drop_6h、Drop_12h、Drop_18h、Drop_24h。

5.根据权利1所述的一种基于机器学习模型的微生物电化学传感器的综合毒物监测方法，其特征在于，用于训练氯化锰定量模型的特征组为I_max、I_stable、t_stable、DropRatio_12h；用于训练亚硝酸钠定量模型的特征组为I_max、I_stable、t_stable、DropRatio_24h；用于训练盐酸四环素定量模型的特征组为I_max、I_stable、t_stable、DropRatio_6h、DropRatio_12h。

6.根据权利1所述的一种基于机器学习模型的微生物电化学传感器的综合毒物监测方法，其特征在于，90％的数据用于训练集，20％的数据用于验证集。

7.根据权利1所述的一种基于机器学习模型的微生物电化学传感器的综合毒物监测方法，其特征在于，所述用于训练氯化锰、亚硝酸钠、盐酸四环素的机器学习模型分别为偏最小二乘算法(Partial Least Squares，PLS)、K最近邻算法(K-Nearest Neighbor，KNN)、神经网络算法(Neural Network，NNET)。