[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

说明书

本发明公开一种结合机器学习模型和微生物电化学系统，实现多种毒物浓度同步监测的方法。针对传统微生物电化学传感器难以识别不同类型毒物的问题，本系统由检测水体中不同种类的综合毒物的微生物电化学传感器和数据采集系统构成，数据分析基于机器学习回归模型进行，构建了用于微生物电解池构型的阳极电活性生物膜传感元件，并通过数据采集系统成功实现反应器运行与数据采集，通过针对性使用不同的算法和特征值组合，实现对重金属、亚硝酸盐和抗生素不同种类毒物浓度的同时定量。本发明为微生物电化学传感器的在水质监测中的广泛应用提供了一种方案。

技术领域

本发明属于环境检测技术领域，特别涉及一种基于机器学习进行数据分析的复杂毒物检测方法和实现所述方法微生物电化学传感器及使用方法。

背景技术

随着城市化和工业化进程的加快，水体污染问题变得日益严重。为了应对种类复杂的污染物，发展高精度的快速水质检测手段成为需要亟待解决的问题。现有的包括物理、化学方法在内的水质检测手段存在成本高、检测时间长、需要在实验室进行非原位分析等问题。因此，在实现高精度、高准确性的综合毒物水质检测的基础上，发展可在线的低成本、原位的实时检测技术显得尤为重要。近些年来，以微生物电化学系统(Microbialelectrochemical system，MES)为核心的微生物电化学毒性传感器由于其可实现低成本的广谱毒物实时监测而受到广泛研究。MES传感器一般以阳极电活性生物膜作为传感单元，当受到毒物冲击时，电活性微生物代谢收到影响，电子传递速率降低，系统产生的电信号相应地发生变化。然而，由于电活性生物膜会将所有的毒物冲击全部响应为电信号的变化，在应对污染物复杂的实际水体时，研究人员很难通过分析单一的电信号直接得到各个毒物的信息，这阻碍了MES传感器对于实际水体的毒性早期预警和水质监测的进一步应用。

机器学习是一个通过数据挖掘深层次规律的过程，近年来已经广泛应用于水处理和环境监测中。在机器学习的框架中，通过选择合适的算法和参数，一部分数据集作为样本数据(训练集)构建出合理的统计学模型，另一部分数据集作为验证集检验模型的准确性，最终可实现对新输入的数据做出准确的预测和决策。通过回归建模，机器学习可以实现对不同种类毒物和响应电信号关系的深入分析，最终实现MES传感器对多种毒物的定量。

发明内容

本发明的目的是在于克服现有技术的不足，提供一种基于机器学习进行数据分析的微生物电化学传感器的综合毒物监测系统的方法，以阳极电活性生物膜为传感元件构建微生物电解池(MEC)传感器，结合不同的机器学习算法和电信号特征数据，在同一批次MEC中实现对于多种毒物的快速、准确的监测。

本发明的技术方案是一种基于机器学习进行数据分析的微生物电化学传感器的综合毒物监测系统的方法，具体包括以下步骤：

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，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.可选地，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)。