一种基于机器学习的罗丹明B修饰剑麻纤维碳量子点识别检测不同重金属离子种类和浓度的方法

本发明涉及人工智能领域，特别涉及一种基于机器学习的罗丹明b修饰剑麻纤维碳量子点识别检测不同重金属离子种类和浓度的方法。

背景技术：

1、重金属是指密度大于4.5 g/cm3的金属，具有毒性大、易富集等特点。水体常见的重金属离子主要有铅、汞、铁、铬等，其含量超标会对严重威胁人们的生命安全和生态环境（庄园, 孔德超, 薛楠. 工业废水中重金属离子的处理方法探析[j]. 皮革制作与环保科技, 2024, 5(05): 24-26.）。例如超标的铅离子会影响神经系统、消化系统以及心脏的正常运行，同时通过生物链的传递富集在人体中（胡程程, 黄志伟, 吴亚杰, 等. 重金属废水污染的常用治理方法研究[j]. 皮革制作与环保科技, 2023, 4(06): 21-23.）。过量的三价铁离子会影响人体的正常代谢，甚至患高铁血红蛋白血症，或可能引起其他慢性中毒症状（吴聪影, 薛佳佳, 刘玉慧, 等. 绿萝制备蓝色荧光碳量子点及对fe3+的检测[j]. 化工新型材料, 2024, 52(02): 206-211+217.）。因此有必要寻找一种可以快速、精确识别不同金属离子的方法。

2、基于剑麻纤维的碳量子点（carbon quantum dots, cqds）作为一种新型强光致发光材料，具有制备简单、毒性小和光学稳定性好等优点，其表面基团或经功能修饰后可以与重金属离子进行螯合配位，通过荧光猝灭实现fe3+、cu2+等金属离子的快速检测，成为重金属离子检测的优良候选材料（袁迪, 刘志高. 碳量子点的制备与性能及其应用研究进展[j]. 化工新型材料, 2024, 52(01): 54-60.）。但在实际应用中，复杂的环境条件会极大影响检测效果，因此需要寻找一种新技术进行验证和指导。

3、人工智能在材料化学等领域发挥了越来越重要的作用，机器学习（machinelearning, ml）作为人工智能的核心技术之一，其能够利用计算机或者机器的自主学习，深度挖掘数据中隐含的规律信息（王磊, 郑栋, 李游. 基于ai和ml的供应链网络安全框架研究[j]. 电子质量, 2024, (02): 6-11.）。目前已成为分析庞杂实验数据，并通过模型训练实现条件优化和性质预测的有效方法之一。尽管ml算法在cqds的合成方面和检测已经取得了一定进展，通过无监督学习算法主成分分析（pca）、监督学习分类算法线性判别分析（lda）、监督学习回归算法支持向量机（svm）等方法可以实现检测的数据分析。但如何建立合适的模型和选择最佳的算法，并快速、精确识别出更多的重金属离子种类和浓度，仍存在较大的挑战。因此，结合ml探索一种高效快速、灵敏精确识别多种金属离子的方法，具有十分重要的实际应用价值。

技术实现思路

1、本发明所要解决的技术问题是针对现有技术的不足，提供一种识别度高、精确度优的基于机器学习的罗丹明b修饰剑麻纤维碳量子点识别检测不同重金属离子的种类和浓度的方法，能够实现对复杂环境中重金属离子的类别和浓度进行准确识别和预测。

2、本发明的目的是提供种一种基于机器学习的罗丹明b修饰剑麻纤维碳量子点识别检测不同重金属离子种类和浓度的方法。

3、具体步骤为：

4、（1）将0.6-1.2 g的剑麻纤维剪碎后，转移至聚四氟乙烯为内衬的30 ml反应釜中，在160-190 ℃的烘箱中反应20-25 h，冷却后用孔径为0.22 微米的水相滤膜进行过滤。接着使用超纯水透析纯化24 h，得到基于剑麻纤维的碳量子点（sf-cqds）原液；

5、（2）取10 ml步骤（1）所得cqds原液，加入0.5-1.5 mg的罗丹明b（rb），搅拌30 min，得到rb修饰的剑麻纤维碳量子点（sf-cqds-rb）；

6、（3）取100-200μl步骤（2）所得sf-cqds-rb，用超纯水定容至6 ml。随后加入含重金属离子的待测溶液，摇匀，静置10 min。在激发电压、狭缝和激发波长分别为450-600 v、5-10 nm、350-450 nm的测试条件下加入重金属离子前后在的荧光光谱，以获得数据量为500-1000的数据集，并构建荧光传感器阵列；

7、（4）将所得数据集以8:2划分为训练集和测试集。通过皮尔逊相关系数分析输入数据之间的相关性，找出反应荧光信号变化与金属离子种类和浓度的内在性质和规律，验证数据的真实性、独立性和有效性；

8、（5）使用pycharm软件对荧光数据集进行主成分分析（principal componentanalysis，pca）处理，将其转换为更加精确的低维输入数据。再采用pycharm软件对pca处理后的数据进行k均值（k-means）聚类分析，根据荧光强度变化导致的热点图显示的差异化色块来区分识别检测金属离子种类和浓度；

9、（6）选取随机森林（rf）模型对金属离子的种类和浓度进行训练，椭圆和矩形分别代表决策树的节点和输出结果，每个叶子节点中的数值代表了金属离子种类或浓度的预测值。第一层的节点根据输入荧光信号差值（δ<500），根据种类和浓度分为左右两个分裂节点。

10、第三层和第四层的分裂节点属性包括金属离子价态、热点图差异化色块和阵列通道类型。根据节点中的条件分为左、右分裂节点，当决策树的深度或分裂节点中包含的样本数达到设定的参数值时，停止分裂。然后输入的所有数据样本将分布在每个叶子节点中，每个叶子节点中包含的数据可以作为叶子节点的输出值，即为金属离子的种类和浓度。

11、所使用的机器学习具有以下特征：

12、（1）sf-cqds-rb可以实现对cu2+、fe3+、ni2+、cr3+、mn2+、co2+、zn2+、hg+和pb2+等重金属离子的荧光响应；

13、（2）足够的训练数据量；

14、（3）使用皮尔逊相关系数分析输入数据之间的相关性；

15、（4）选取随机森林（rf）模型进行训练。

16、本发明的机器学习具有识别度高、精确度好等优点，可以有效指导使用sf-cqds-rb检测和识别不同重金属离子的种类和浓度。在低浓度（10 μmol/l）的各类重金属离子中，rf模型预测的结果与实验的结果基本一致，准确率可达93.67 %。选择fe3+、cu2+作为代表性的金属离子进行浓度预测和分析时，在含有9种重金属离子（cu2+、fe3+、ni2+、cr3+、mn2+、co2+、zn2+、hg2+和pb2+）的溶液中，fe3+、cu2+的浓度预测准确率分别为91.44%和92.56 %。

17、所述待测溶液，包括但不限于用实验室超纯水配置的溶液、医院处理后排出的医疗废水和经过处理厂净化、消毒后生产出来的自来水。所述重金属离子包含但不限于cu2+、fe3+、ni2+、cr3+、mn2+、co2+、zn2+、hg2+和pb2+等9种。

18、本发明的有益效果是：

19、通过机器学习策略，罗丹明b修饰剑麻纤维碳量子点不仅可以高效识别水体中重金属离子的种类，还可以高灵敏度预测重金属离子的浓度。具有识别度高、精确度好的特点，极大程度节省了时间和精力，可以在传感检测、生物医学等领域迅速推广。