一种基于制造技术

本发明专利技术实施例公开了一种基于

【技术实现步骤摘要】
一种基于SERS强度分布的分析物量化方法


[0001]本专利技术涉及表面增强拉曼光谱定量分析技术及深度学习算法领域，特别是涉及一种基于
SERS(Surface
‑
Enhanced Raman Scattering
，表面增强拉曼散射
)
强度分布的分析物量化方法
。

技术介绍

[0002]表面增强拉曼光谱由于其在单分子水平超灵敏检测方面的巨大潜力而受到了广泛关注
。
当分子附着在一些金属纳米结构附近时，其拉曼信号可以大大增强，这种现象就称为
SERS。
已知的
SERS
机制包括电磁增强和化学增强
。
目前在对
SERS
的分析应用往往是定性分析，而不是定量分析
。SERS
基底的重复性差
、
分析物对基底的吸附变化
、
以及热点的高度局域性等因素往往会影响
SERS
的定量测量
。
而在实验中，想要控制这些因素来制备热点分布均匀
、
重复性高的
SERS
基底往往造价很高，无法将其推广至生产生活中
。
基于此，人们开发了许多基于强度的校准方法
。
如内标法
、
外标法和标准添加法
。
这些方法为
SERS
定量检测提供了有效的解决方案
。
然而，这种以强度或相对强度作为测量目标的方法，在超低浓度下缺乏良好的线性和通用性
。
其定量测量的准确性和鲁棒性并不完全优秀
。
因此亟待开发一种准确率及灵敏度高，通用性广的
SERS
定量检测方法
。
[0003]另一方面，人工分析已不再是主流，费时费力，容易受疲劳的影响
。
深度学习
(DL)
作为一种实现人工智能的新技术受到了广泛的关注，它可以通过建立一个特定的函数来关联输入和输出响应，从而揭示非线性数据集之间良好的潜在关系
。
它在分析光谱信号，包括复杂样品和生物样品的拉曼光谱方面表现出了优越的性能
。
同时，深度学习算法具有独特的准确性
、
易复制性和便利性等特点
。
因此，将深度学习算法与
SERS
相结合可以有效提取定量信息，有望为超灵敏定量
SERS
检测提供一种新的解决方案
。

技术实现思路

[0004]本专利技术实施例的目的在于提供一种基于
SERS
强度分布的分析物量化方法，以解决上述至少一个技术问题
。
[0005]为实现上述目的，本专利技术提供一种基于
SERS
强度分布的分析物量化方法，包括：
[0006]步骤1，通过柠檬酸钠还原法制备胶体银颗粒，利用
Langmuir
‑
Blodgett
技术将银纳米颗粒组装在硅片上，形成自组装单层银膜，作为
SERS
基底；
[0007]步骤2，在
SERS
基底上检测不同浓度样品分子水溶液的
SERS
光谱，对每个浓度样品分子的水溶液，分别使用单独的
SERS
基底，并分别采集相同数量的
SERS
光谱，对
SERS
光谱中样品分子的
SERS
强度分布进行统计，得到样品分子水溶液的浓度与
SERS
强度分布之间的对应关系；
[0008]步骤3，使用步骤1制备的
SERS
基底检测待测溶液的
SERS
光谱，根据检测到的
SERS
光谱的
SERS
强度分布和步骤2得到的样品分子水溶液的浓度与
SERS
强度分布之间的对应关系，得到待测溶液中样品分子的浓度
。
[0009]优选的，步骤3包括：
[0010]步骤
31
，使用步骤2获取的样品分子水溶液的浓度与
SERS
强度分布之间的对应关系训练模型
TC
‑
SKnet
，通过模型
TC
‑
SKnet
建立样品分子水溶液的浓度与
SERS
强度分布之间的关联；其中，模型
TC
‑
SKnet
的输入为
SERS
强度分布数据，输出为样品分子的浓度；
[0011]步骤
32
，使用步骤1制备的
SERS
基底检测待测溶液的
SERS
光谱，获取待测溶液的
SERS
强度分布数据，将待测溶液的
SERS
强度分布数据输入训练好的模型
TC
‑
SKnet
，输出待测溶液中样品分子的浓度
。
[0012]优选的，样品分子包括
R6G
分子
。
[0013]优选的，步骤2包括：检测浓度为
10
‑7mol/L、10
‑8mol/L、10
‑9mol/L、10
‑
10
mol/L
和
10
‑
11
mol/L
的
R6G
分子水溶液的
SERS
光谱，对每个浓度分别执行下述操作：在
SERS
基底上采集
300
条
SERS
光谱；从
300
条
SERS
光谱中随机抽取
100
条
SERS
光谱，重复随机抽取
100
次获得
100
组
SERS
光谱，对每组
SERS
光谱的
SERS
强度分布进行统计；
[0014]步骤3包括：以五种浓度得到的
500
组
SERS
强度分布数据的一部分数据为训练集，用于训练模型
TC
‑
SKnet
；使用
500
组
SERS
强度分布数据的另一部分数据为检测数据，将另一部分数据输入训练后的模型
TC
‑
SKnet
，若输出的样品分子的浓度与另一部分数据对应的样品分子的浓度误差在预设范围内，则判断模型
TC
‑
SKnet
训练完毕
。
[0015]优选的，对于浓度为
10
‑
11
M
～
10
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
SERS
强度分布的分析物量化方法，其特征在于，包括：步骤1，通过柠檬酸钠还原法制备胶体银颗粒，利用
Langmuir
‑
Blodgett
技术将银纳米颗粒组装在硅片上，形成自组装单层银膜，作为
SERS
基底；步骤2，在
SERS
基底上检测不同浓度样品分子水溶液的
SERS
光谱，对每个浓度样品分子的水溶液，分别使用单独的
SERS
基底，并分别采集相同数量的
SERS
光谱，对
SERS
光谱中样品分子的
SERS
强度分布进行统计，得到样品分子水溶液的浓度与
SERS
强度分布之间的对应关系；步骤3，使用步骤1制备的
SERS
基底检测待测溶液的
SERS
光谱，根据检测到的
SERS
光谱的
SERS
强度分布和步骤2得到的样品分子水溶液的浓度与
SERS
强度分布之间的对应关系，得到待测溶液中样品分子的浓度
。2.
根据权利要求1所述的方法，其特征在于，步骤3包括：使用步骤2获取的样品分子水溶液的浓度与
SERS
强度分布之间的对应关系训练模型
TC
‑
SKnet
，通过模型
TC
‑
SKnet
建立样品分子水溶液的浓度与
SERS
强度分布之间的关联；其中，模型
TC
‑
SKnet
的输入为
SERS
强度分布数据，输出为样品分子的浓度；使用步骤1制备的
SERS
基底检测待测溶液的
SERS
光谱，获取待测溶液的
SERS
强度分布数据，将待测溶液的
SERS
强度分布数据输入训练好的模型
TC
‑
SKnet
，输出待测溶液中样品分子的浓度
。3.
根据权利要求2所述的方法，其特征在于，样品分子包括
R6G
分子
。4.
根据权利要求3所述的方法，其特征在于，步骤2包括：检测浓度为...

【专利技术属性】
技术研发人员：李志鹏，张萌，杨龙坤，
申请(专利权)人：首都师范大学，
类型：发明
国别省市：