新加坡国立大学陈瑞深、吉林大学孙鹏教授InfoMat：机器学习辅助的可穿戴传感器阵列，用于在宽湿度范...

主要观点总结

吉林大学孙鹏教授研究小组与新加坡国立大学Tan Swee Ching（陈瑞深）教授合作，提出了一种将传感器阵列与机器学习算法相结合的集成策略，实现了在较宽的相对湿度范围内超过99%的理论浓度预测精度，能精确检测NH3和NO2混合气体，用于矿工的实时健康监测。

关键观点总结

关键观点1: 研究背景

矿井下的作业通常会产生NH3和NO2有毒混合气体，对矿工的身体健康造成严重影响。缺乏个人健康监测导致在中国煤矿中产生的职业病数量较高。

关键观点2: 研究目的

为了解决传统金属氧化物气体传感器无法实时检测矿工周围的有毒混合气体以及与可穿戴技术不兼容的问题，以及真实矿业环境内湿度干扰的问题，提出一种聚苯胺基与还原氧化石墨烯基传感器阵列和机器学习算法的协同策略。

关键观点3: 研究方法

通过水热反应和原位聚合制备PANI/Sb掺杂SnO2和RGO/WO3复合材料，提高传感器阵列对目标混气的选择性和灵敏度。通过机器学习算法辅助在宽湿度范围内对目标混气进行定性及定量分析。通过传感器阵列与低功耗柔性电路模块集成，制造了一款可穿戴智能手环。

关键观点4: 研究结果

气体识别准确率达到100%，浓度的理论预测水平超过99%。通过湿度分区策略和反向神经网络算法（BPNN）与最小二乘回归分析（PLS），实现了在各种湿度条件下对煤矿中有害气体的早期和远程警报。

关键观点5: 研究影响

该研究为矿井安全领域中高精确度的识别和检测有害混气提供了一种简便有效的方法，具有潜在的实际应用价值。