酸化還元感受性の比色紙センサーによるpHおよびグルコース検出のための回帰ベースの機械学習アプローチ

比較紙センサーは、便利さと直感的な方法でさまざまな分野で使用されます。ただし、これらのセンサーは、肉眼で1分間の分析物に対して色の変化を区別することが困難であるため、実際の使用において低い精度を示します。ここでは、機械学習（ML）ベースのペーパーセンサープラットフォームが色の変化を正確に決定することを示します。周囲のpHが低下すると、ポリアニリンナノ粒子（PANI-NPS）を吸着することにより、比色科用紙センサーを製造しました。紙センサーにグルコースオキシダーゼ（GOX）を追加すると、比色グルコース検出が可能になります。ターゲット分析物（10μL）を紙のセンサーにアリコートし、それらの画像は暗室で同じ条件下でスマートフォンで撮影されました。画像からの赤緑色の青（RGB）データを抽出し、3つの回帰モデルのトレーニングとテストに使用しました：サポートベクター回帰（SVR）、決定ツリー回帰（DTR）、およびランダムフォレスト回帰（RFR）。3つの回帰モデルのうち、RFRは、pH 2から10の範囲のpHレベル（R2 = 0.957）、および0〜10 mg ml-1の範囲のグルコース濃度（R2 = 0.922）の推定で最高のパフォーマンスを発揮しました。

Colorimetric paper sensors are used in various fields due to their convenience and intuitive manner. However, these sensors present low accuracy in practical use because it is difficult to distinguish color changes for a minute amount of analyte with the naked eye. Herein, we demonstrate that a machine learning (ML)-based paper sensor platform accurately determines the color changes. We fabricated a colorimetric paper sensor by adsorbing polyaniline nanoparticles (PAni-NPs), whose color changes from blue to green when the ambient pH decreases. Adding glucose oxidase (GOx) to the paper sensor enables colorimetric glucose detection. Target analytes (10 μL) were aliquoted onto the paper sensors, and their images were taken with a smartphone under the same conditions in a darkroom. The red-green-blue (RGB) data from the images were extracted and used to train and test three regression models: support vector regression (SVR), decision tree regression (DTR), and random forest regression (RFR). Of the three regression models, RFR performed the best at estimating pH levels (R2 = 0.957) ranging from pH 2 to 10 and glucose concentrations (R2 = 0.922) ranging from 0 to 10 mg mL-1.