Blog

Nov 05, 2023

Nanoblatt

Wissenschaftliche Berichte Band 12,

Scientific Reports Band 12, Artikelnummer: 13874 (2022) Diesen Artikel zitieren

1983 Zugriffe

8 Altmetrisch

Details zu den Metriken

Die Bewältigung von psychischem Stress hat eine große Bedeutung erlangt, da übermäßiger und anhaltender psychischer Stress die menschliche Gesundheit schädigen kann. In den letzten Jahren wurden verschiedene Biomarker identifiziert, die mit psychischem Stress verbunden sind. Ein solcher Biomarker ist Allylmercaptan. Ein nanoschichtartiges Zinnoxid zeigte eine hohe Gasselektivität für Allylmercaptan; Daher wurde in dieser Studie ein Sensorarray aus Zinnoxid-Gassensoren vom Nanoblatttyp zum Nachweis von Allylmercaptan hergestellt. Überwachte Lernalgorithmen wurden verwendet, um Gasklassifizierungsmodelle basierend auf der Hauptkomponentenanalyse der Sensorsignalantworten des Sensorarrays zu erstellen. Die umfassenden Daten der Klassifizierungsmodelle können zur Vorhersage von Allylmercaptan mit hoher Genauigkeit genutzt werden.

Das Konzept von Stress wurde erstmals 1936 als „die unspezifische Reaktion des Körpers auf jede Anforderung“ eingeführt, eine Definition, die durch spätere Stressexperimente1,2,3 erweitert wurde. Neuere Forschungen definieren Stress als jedes Ereignis, das die Homöostase stört und dazu führt, dass der Körper Hormone freisetzt, um die Homöostase wiederherzustellen. Chronischer Stress ist biologisch mit mehreren Störungen und gesundheitlichen Problemen verbunden. Daher ist Stressbewältigung im Gesundheitswesen unerlässlich, um Krankheiten vorzubeugen und die Lebensqualität zu verbessern.

Psychischer Stress kann quantifiziert werden, indem die Konzentration verschiedener vom Körper ausgeschiedener Biomarker für psychischen Stress gemessen wird. Shiseido Co. Ltd. hat kürzlich wahrnehmbare Geruchsstoffe identifiziert, die bei emotionaler Anspannung von der Haut ausgehen, und einer dieser Stoffe war Allylmercaptan4,5,6. Infolgedessen könnte der Nachweis von Allylmercaptan dazu verwendet werden, zu verhindern, dass chronischer psychischer Stress den Benutzer auf einen Zustand anfänglicher emotionaler Anspannung aufmerksam macht.

Gassensoren sind wirksame Geräte zur Erkennung von Geruchsstoffen. Darüber hinaus wurden Sensorarrays in Kombination mit statistischer Datenanalyse als geeignet angesehen, Gase zu unterscheiden, zu erkennen und zu erkennen7,8,9. Der Schlüssel zu einer guten Leistung von Sensorarrays liegt darin, dass der Gassensor über hervorragende und einzigartige Sensoreigenschaften verfügt. Da der grundlegende Erfassungsmechanismus eines Gassensors die Adsorption und Desorption von Gasmolekülen auf der Oberfläche des Sensormaterials beinhaltet10,11,12,13, kann ein Material mit einer anderen Oberflächenstruktur als kritisches Material bei Gassensoranwendungen dienen.

In früheren Studien wurde ein Gassensor unter Verwendung eines nanoschichtartigen Zinnoxids als Gassensormaterial14,15 entwickelt, das hauptsächlich metastabile Oberflächenstrukturen freilegte. Aufgrund seiner unterschiedlichen Oberflächenstrukturen wies der Sensor außerdem überlegene und einzigartige Sensoreigenschaften auf16,17,18,19.

In dieser Studie untersuchten wir die Eigenschaften von Zinnoxiden vom Nanoblatttyp gegenüber Allylmercaptan. Wir haben ein Gassensor-Array entworfen, das aus Zinnoxid-Gassensoren vom Nanoblatttyp besteht, und eine Gasunterscheidungs- und Prognosestudie mithilfe statistischer Prognosemodelle unter Verwendung der gesammelten Sensorsignale für Biomarker, einschließlich Allylmercaptan, durchgeführt.

Die katalytische Oxidationsaktivität von Allylmercaptan wurde mit nanoschichtigem Zinnoxid untersucht und zum Vergleich wurden kommerzielle Zinnoxid-Nanopartikel verwendet (Abb. 1). Das nanoschichtartige Zinnoxid zeigte eine höhere Aktivität gegenüber Allylmercaptan als die kommerziellen Zinnoxid-Nanopartikel. Bei etwa 100 °C begann eine Umwandlungsreaktion in nanoschichtartigem Zinnoxid, und der Umwandlungsprozentsatz erreichte bei 250 °C etwa 99 %. Im Gegensatz dazu begann die Umwandlungsreaktion bei kommerziellen Zinnoxid-Nanopartikeln bei etwa 150 °C voranzuschreiten, und der Umwandlungsprozentsatz betrug etwa 99 % bei 300 °C. Allylmercaptan reagiert ohne Zusätze bei Temperaturen über 300 °C spontan mit Sauerstoff. Die höhere Aktivität von Zinnoxid vom Nanoblatttyp kann auf seine metastabile Oberflächenstruktur mit hoher Reaktivität zurückgeführt werden.

Allylmercaptan-Umwandlungsprozentsatz (Pulver: 0,01 g, Durchfluss: 100 cm3/min, Gaskonzentration: 20 ppm, Rohrdurchmesser: 10 mm).

Die Anordnung der Atome wurde mittels Transmissionselektronenmikroskopie (TEM) beobachtet (Abb. 2). In der im Querschnitt von Nanoschicht-Zinnoxid gezeigten Atomanordnung wurde ein Schichtabstand von d = 0,263 nm beobachtet, was dem d-Raum von SnO2 (101) entspricht. In der atomaren Anordnung der kommerziellen Zinnoxid-Nanopartikel wurde ein Schichtabstand von d = 0,333 nm beobachtet, was dem d-Raum von SnO2 (110) entspricht. Dies weist darauf hin, dass das nanoschichtartige Zinnoxid hauptsächlich die metastabile SnO2 (101)-Kristallfacette auf der Oberfläche freilegt. Im Gegensatz dazu legen die kommerziellen Zinnoxid-Nanopartikel hauptsächlich das stabilste SnO2 (110) auf der Oberfläche frei.

Transmissionselektronenmikroskopische (TEM) Bilder von (a) nanoschichtartigem Zinnoxid und (b) kommerziellem Zinnoxid-Nanopartikel mit entsprechender schneller Fourier-Transformation (FFT) (Einfügung).

Es wurde berichtet, dass die SnO2 (101)-Oberfläche im Vergleich zur SnO2 (110)-Oberfläche eine große Menge an Brückensauerstoff freilegt, was sich als günstig für Redoxreaktionen erweist20. Darüber hinaus wurde angenommen, dass das nanoschichtartige Zinnoxid Kristalldefekte auf der Oberfläche aufweist16,19. Obwohl es schwierig war, die Art der Kristalldefekte zu bestimmen, kann diese auf den metastabilen Zustand der SnO2 (101)-Oberfläche zurückgeführt werden. In Anbetracht der Tatsache, dass Kristalldefekte vor allem die Aktivität beeinflussen, wurde vermutet, dass eine große Menge an Brückensauerstoff und die Kristalldefekte auf den metastabilen Zustand der SnO2 (101)-Facette zurückzuführen sind, was weiter zur hohen Aktivität des nanoschichtartigen Zinnoxids beiträgt.

Nanoschichtartiges Zinnoxid wurde auf einem Sensorchip synthetisiert, um seine Eigenschaften als Gassensor zu bewerten. Zwei kammartige Elektroden mit drei Ziffern wurden gut auf ein Al2O3-Substrat gedruckt (Abb. 3a), und der Abstand zwischen den Elektroden betrug ungefähr 100 μm (Abb. 3b). Das Zinnoxid vom Nanoblatttyp wurde in einem gut dispergierten Zustand auf dem Sensorchip gebildet, in dem die Zinnoxide vom Nanoblatttyp nicht überlappten und auf dem Substrat standen, sondern vielmehr so ​​ausgerichtet waren, dass die Kante eines davon in Kontakt mit dem Substrat war die flache Oberfläche des anderen. Die Größe der flachen Ebene nimmt mit zunehmender Synthesezeit zu (Abb. 3c – f).

Feldemissions-Rasterelektronenmikroskopie-Bilder (FE-SEM) des Sensorchips (blauer Bereich ist Elektrode); (a) Pt-Elektroden auf Al2O3-Substrat, (b) zwischen Pt-Elektroden und nanoschichtartiges Zinnoxid nach Synthese für (c) 0,5 h, (d) 1,0 h, (e) 3,0 h und (f) 6,0 h .

Die Sensoreigenschaften wurden unter Verwendung der so hergestellten Zinnoxidsensoren vom Nanoblatttyp bewertet. Für eine Vergleichsstudie wurde auch ein Sensor hergestellt, der aus kommerziellen Zinnoxid-Nanopartikeln hergestellt wurde. Aufgrund ihres hohen elektrischen Widerstands war es jedoch schwierig, die Sensoreigenschaften zu messen. Im Fall von nanoschichtartigem Zinnoxid wurde der elektrische Widerstand bei verschiedenen Temperaturen aufgezeichnet (Abb. 4). Unter Luftströmung (Abb. 4a) stieg der elektrische Widerstand mit steigender Temperatur von 150 auf 300 °C und nahm ab, wenn die Temperatur 300 °C überstieg.

(a) Änderungen des elektrischen Widerstands unter Luftströmung. (b) Sensorsignalantwort für 54 ppm Allylmercaptangas. (c) Variation des elektrischen Widerstands bei 300 °C für 11 ppm Allylmercaptan. (Die Linie ist der Mittelwert mit einer Änderung im Bereich von weniger als 1 %.)

Das Zinnoxid vom Nanoblatttyp zeigte eine schnelle Reaktion auf Allylmercaptan (Abb. 4c), die schneller war als die der identischen kommerziellen Sensoren (Abb. S1 und Tabelle S1). Die Zeit, die benötigt wurde, um 90 % der Reaktionsänderung des elektrischen Widerstands zu erreichen, betrug 5–10 s für einen 1200-s-Fluss, und die Zeit für die Erholungsänderung des elektrischen Widerstands betrug 800–1100 s für einen 1800-s-Fluss.

Zur Gasunterscheidung wurden auch die Sensorsignalreaktionen auf andere Biomarkergase gemessen (Abb. S2 und S3). Die Reaktionswerte des Sensorsignals sind in Tabelle S2 aufgeführt. Unter den gemessenen Biomarkergasen zeigte nanoschichtförmiges Zinnoxid die höchste Sensorsignalreaktion auf Allylmercaptan (Abb. 5). Die Sensorsignalantwort wurde für die Hauptkomponentenanalyse (PCA) verwendet. Abbildung 5b zeigt die PCA-Werte, die mithilfe des Nanoblatt-Zinnoxid-Gassensor-Arrays berechnet wurden. Die kumulative Varianz der ersten und zweiten Hauptkomponente betrug mehr als 95 %; Daher spiegelten sich die meisten Daten auch nach Dimensionsreduzierung in den PCA-Ergebnissen wider. Die aufgetragenen Punkte wurden entsprechend der Art des verwendeten Gases verteilt. Die Daten für Luft befanden sich am unteren Rand des dritten Quadranten, während sich die Daten für Allylmercaptan am unteren Rand des vierten Quadranten befanden, mit einem hohen Trennungsgrad. Beim Gasunterscheidungstest wurden Luft und Allylmercaptangas in die Sensoranordnung eingeströmt. Die Koordinaten für die neu erhaltenen Sensorsignal-Antwortdaten wurden ermittelt und anhand der vorberechneten PCA-Ergebnisse aufgezeichnet (Abb. 5c). Die Ergebnisse zeigten gut differenzierte Luft- und Allylmercaptan-Gase. Die erhaltenen Koordinaten befanden sich zunächst in der Nähe des Luftbereichs (blaue bis grüne Markierungen) und verschoben sich im Laufe der Zeit in den Allylmercaptan-Bereich (grüne bis gelbe Markierungen).

(a) Reaktion des Sensorsignals auf verschiedene Gase. (b) Punktediagramm der Hauptkomponentenanalyse für verschiedene Gase (Eigenvektorwerte sind Tabelle S3). (c) Koordinatendiagramm von Luft und Allylmercaptangas anhand des Ergebnisses der Hauptkomponentenanalyse.

Basierend auf den PCA-Ergebnissen für die Gasklassifizierung wurden die Gasklassifizierungsmodelle unter Verwendung von Gaussian Naive Bayes21,22, linearer Diskriminanzanalyse23,24,25, k-Nearest Neighbor (kNN)26,27,28,29 und Random Forest30,31 erstellt ,32 und Support Vector Machine (SVM)33,34,35,36,37,38,39,40 als überwachte Lernalgorithmen. Zu den SVMs gehören Modelle, die auf linearer Support-Vektor-Klassifizierung (SVC), SVC mit einem Radial-Basis-Funktions-Kernel (RBF), SVC mit einem Polynom-Kernel und linearen SVC-Kernel-Methoden basieren. Die Klassifizierungsmodelle sind in Abb. 6 dargestellt. Die anschließende Überprüfung bestätigte eine Klassifizierungsgenauigkeit von 100 % mit den Klassifizierungsmodellen, mit Ausnahme des SVC mit den polynomialen Kernel-Klassifizierungsmodellen, der 90 % für Allylmercaptan betrug (10 % wurden an der Grenze zwischen den Klassifizierungsmodellen aufgetragen). Aceton- und Allylmercaptan-Bereiche). Umfassende Daten aus den Klassifizierungsergebnissen deuteten stark darauf hin, dass es sich bei den Testgasen um Luft und Allylmercaptan handelte.

Gasklassifizierungsmodelle nach (a) Gaußscher naiver Bayes-Methode, (b) linearer Diskriminanzanalyse, (c) k-nächster Nachbar, (d) Zufallswald, (e) lineare Unterstützungsvektorklassifizierung (SVC), (f) SVC mit linearem Kernel , (g) SVC mit Polynomkernel und (h) SVC mit radialem Basisfunktionskernel.

Zinnoxid vom Nanoblatttyp zeigte eine Gaskonzentrationsabhängigkeit für Allylmercaptan (Abb. S4). Die Sensoren zeigten eine hohe Empfindlichkeit (definiert als \(\Delta\;Sensor\;Signal\;Antwort/\Delta\;Gas\;Konzentration\)) gegenüber Allylmercaptangas. Die höchste Empfindlichkeit wurde für einen 1,0 h lang synthetisierten Zinnoxid-Gassensor vom Nanoblatttyp erzielt. Die Nachweisgrenze (\(LOD=3\times Standard\;Abweichung/Empfindlichkeit\)) betrug etwa 200 ppt und war damit höher als bei kommerziellen Sensoren (Tabelle S4). Die Konzentration von Allylmercaptan auf der Haut wurde im Bereich von 2,5–12,5 ng/L41 angegeben, und das nanoschichtartige Zinnoxid erwies sich als gutes Kandidatenmaterial für die Allylmercaptan-Gaserkennung. Die Gasklassifizierung basierend auf der Gaskonzentration wurde durchgeführt, nachdem die Daten zur Gaskonzentrationsabhängigkeit zu den Trainingsdaten hinzugefügt wurden. Die anschließende Überprüfung bestätigte eine Klassifizierungsgenauigkeit von 100 % mit den Gaußschen naiven Bayes-Klassifizierungsmodellen und eine Klassifizierungsgenauigkeit von über 99 % mit anderen Klassifizierungsmodellen (Abb. S5). Bei der Änderung des Gasflusses wurde aufgrund eines experimentellen Fehlers, der durch den Massenflussregler verursacht wurde, eine Ungenauigkeit von weniger als 1 % festgestellt.

Die Variation des elektrischen Widerstands des nanoschichtartigen Zinnoxids nahm unter feuchten Bedingungen ab (Abb. S6), was auf eine Abnahme der Sensorsignalreaktion hinweist. Obwohl die Reaktion des Sensorsignals abnahm, zeigte das nanoschichtartige Zinnoxid unter feuchten Bedingungen eine Abhängigkeit von der Gaskonzentration. Darüber hinaus zeigte nanoschichtartiges Zinnoxid unter feuchten Bedingungen bessere Sensoreigenschaften als kommerzielle Gassensoren (Tabelle S5). Die Gasklassifizierung wurde unter feuchten Bedingungen durchgeführt. Die Analyse mit den Gaußschen naiven Bayes-Klassifizierungsmodellen war schwierig, da innerhalb des Datenbereichs keine Konturniveaus gefunden wurden. Für andere Klassifizierungsmodelle wurde eine Klassifizierungsgenauigkeit von > 99 % erreicht (Abb. S7).

Zinnoxid vom Nanoblatttyp zeigt eine hohe katalytische Aktivität gegenüber Allylmercaptan, einem bekannten Biomarker für psychischen Stress. Nanoschichtartiges Zinnoxid wurde auf dem Sensorchip mithilfe eines einfachen wässrigen Lösungsprozesses synthetisiert und als Gassensormaterial zur Detektion von Allylmercaptan verwendet. Unter Luftströmung stieg der elektrische Widerstand mit zunehmender Temperatur von 150 auf 300 °C und verringerte sich, wenn die Temperatur 300 °C überstieg. Im Allgemeinen kann Sauerstoff auf der Oberfläche in verschiedenen chemischen Zuständen vorliegen und bei Temperaturänderungen Elektronen von Zinnoxid auf Sauerstoff auf der Oberfläche übertragen, gemäß dem folgenden Prozess:11

Der Anstieg des elektrischen Widerstands bis 300 °C hing mit der Umwandlung der Sauerstoffspezies aufgrund einer Zunahme der Menge an adsorbiertem Sauerstoff und dem Einfangen von Trägern durch adsorbierten Sauerstoff zusammen, wie oben in Gleichung (1) beschrieben. (1). Es ist bekannt, dass Sauerstoff von \({\text{O}}_{{2\left( {{\text{ad}}} \right)}}^{\prime }\) nach \({\text{ O}}_{{\left( {{\text{ad}}} \right)}}^{\prime }\) bei etwa 150 °C und stabilisiert sich hauptsächlich auf \({\text{O}}_{ {\left( {{\text{ad}}} \right)}}^{\prime \prime }\) bei etwa 300 °C11,42. Der Abfall über 300 °C hängt mit der Sauerstoffdesorption an der Oberfläche zusammen, die durch die Freisetzung gefangener Elektronen aus dem Sauerstoff während der Desorption erklärt werden kann. In dieser Studie wurde der elektrische Widerstand unter einem Allylmercaptan-Gasstrom mit einer identischen Methode gemessen und die Sensorsignalreaktion (definiert als Ra/Rg, wobei Ra und Rg die elektrischen Widerstände unter Luft- bzw. Zielgasstrom sind) gemessen berechnet (Abb. 4b). Die höchste Sensorsignalreaktion auf das Allylmercaptangas wurde im Temperaturbereich von 250–300 °C erhalten. Dieser Temperaturbereich stimmte gut mit dem Temperaturbereich überein, der die höchste katalytische Aktivität zeigte.

Für den höchsten Temperaturbereich der Sensorsignalreaktion gibt es zwei Reaktionen: Die Adsorptionsmenge des Allylmercaptanmoleküls kann bei 250 °C maximal sein, und der Erfassungsmechanismus. In ähnlicher Weise können drei Arten von Erfassungsmechanismen in Betracht gezogen werden:20,43,44,45 (i) Ersatz des adsorbierten Sauerstoffs durch das Zielgasmolekül, (ii) Reaktion zwischen dem adsorbierten Sauerstoff auf der Oberfläche und einem Gasmolekül und ( iii) Reaktion zwischen dem freiliegenden Gittersauerstoff und einem Gasmolekül. Die Fälle (i) und (ii) sind bekannte Erfassungsmechanismen für Zinnoxid-Gassensoren. Wenn Sauerstoff an der Oberfläche adsorbiert wird, fängt er Elektronen aus Zinnoxid ein, wie in Gleichung (1) erwähnt. (1). Dieser elektronengefangene Zustand stellt den anfänglichen stabilisierten Zustand des Zinnoxid-Gassensors dar. Wenn der Sensor dem Zielgas ausgesetzt wurde, ersetzten die Sauerstoffspezies die Gasmoleküle und/oder reagierten mit ihnen, was zu einer Verringerung des elektrischen Widerstands durch die Freisetzung von Elektronen aus Sauerstoff führte (Gleichung 2). Der elektrische Widerstand kehrte auf seinen Ausgangswert zurück, als sich das Zielgas in Luft verwandelte. Mithilfe der Änderung des elektrischen Widerstands als Signal kann eine Sensorantwort ermittelt werden.

In dieser Studie war die vorherrschende Sauerstoffspezies auf den (110)-Kristallflächen der Zinnoxid-Nanopartikel chemisorbierter Sauerstoff (ungefähr 91 %), wohingegen die Sauerstoffspezies auf den (101)-Kristallflächen des nanoschichtartigen Zinnoxids chemisorbierter Sauerstoff waren sein Sn-gebundener Sauerstoff im Gitter (ungefähr 48 %), Sauerstoff, der auf Kristalldefekte zurückzuführen ist (ungefähr 30 %), und chemisorbierter Sauerstoff (ungefähr 22 %). Dies weist darauf hin, dass Fall (iii) die vorherrschende Reaktion auf nanoschichtartigem Zinnoxid werden kann. Im Fall von nanoschichtartigem Zinnoxid reagieren die Gasmoleküle mit dem Gittersauerstoff, wodurch Elektronen freigesetzt werden und Sauerstofffehlstellen entstehen (Gleichung 3). Gittersauerstoff dient als Brückensauerstoff15,46

Die hergestellten Gassensoren zeigten eine hohe Gasselektivität für Allylmercaptan; Daher wurde ein Sensorarray aus nanoschichtartigem Zinnoxid hergestellt. Als Sensorarray wurden nanoschichtartige Zinnoxide verwendet, die für 0,5, 1,0, 3,0 und 6,0 ​​Stunden synthetisiert wurden. Daten vom Sensorarray wurden unter Verwendung von Biomarkergasen wie Allylmercaptan, Aceton, Acetaldehyd, Ethanol, Wasserstoff, Isopren, Toluol und p-Xylol gesammelt. Die PCA wurde unter Verwendung der Sensorsignalantwort des Sensorarrays durchgeführt, und die Allylmercaptandaten befanden sich mit einem hohen Trennungsgrad am unteren Rand des vierten Quadranten. Gasklassifizierungsmodelle wurden mithilfe eines überwachten Lernalgorithmus basierend auf PCA-Ergebnissen unter Verwendung der Sensorsignalantwort des Sensorarrays erstellt. Obwohl die sensorischen Eigenschaften unter feuchten Bedingungen leicht abnahmen, wurden die umfassenden Daten der Klassifizierungsmodelle mit hoher Genauigkeit als Allylmercaptan vorhergesagt. Das Nanoschicht-Zinnoxid ist ein Schlüsselmaterial zur Verbesserung der Prognosegenauigkeit bei der Überwachung psychischer Belastungen.

Zinnoxid vom Nanoblatttyp wurde unter Verwendung von SnF2 (90,0 % rein, FUJIFILM Wako Pure Chemical Corp.) über eine wässrige Lösung synthetisiert. Eine wässrige Lösung von SnF2 (0,028 M) wurde hergestellt und 6 Stunden lang bei 90 °C gehalten. Der Niederschlag wurde gesammelt und bei Raumtemperatur getrocknet. Zum Vergleich wurden handelsübliche Zinnoxide (Nanopulver, durchschnittliche Teilegröße ≤ 100 nm; Sigma-Aldrich Co., LLC) verwendet. Das Allylmercaptan-Gas wurde unter Verwendung von Allylmercaptan (> 70 %, Tokyo Chemical Industry Co., Ltd.) über einen Gasgenerator (PD-1B, GASTEC Co.) erzeugt. Die Allylmercaptan-Oxidationsaktivität wurde in einem Festbett-Durchflussreaktor bestehend aus: eines Quarzglasrohrs (Durchmesser: 10 mm) unter einem 100 cm3/min-Strom von 54 ppm Allylmercaptangas über 0,01 g Zinnpulver. Mit einem ähnlichen Verfahren wurde ein Zinnoxid-Gassensor vom Nanoblatttyp hergestellt. Der mit einer Platinelektrode bedruckte Aluminiumoxid-Sensorchip wurde 20 Minuten lang durch Bestrahlung mit UV-Licht (PL16-10-Niederdruck-Quecksilberlampe, Luftstrom, 100 V, 200 W, SEN Lights Co.) gereinigt. um eine effektive Keimbildung und ein effektives Wachstum von nanoschichtartigem Zinnoxid sicherzustellen. Anschließend wurde der gereinigte Sensorchip 0,5, 1, 3 oder 6 Stunden lang in eine wässrige Lösung von SnF2 bei 90 °C getaucht. Die Probe wurde unter fließendem Wasser gewaschen und anschließend bei Raumtemperatur geföhnt. Die Morphologie und Struktur wurden mittels TEM (Tecnai Osiris, FEI) und FE-SEM (JSM-6335FM, JEOL Ltd.) beobachtet. Die Gassensoreigenschaften wurden mithilfe eines Gassensor-Bewertungsmoduls bewertet. Als Luftgas wurde ein Mischgas (99,99995 % Stickstoff:99,99995 % Sauerstoff = 80:20) verwendet. Die Konzentration von Allylmercaptan wurde durch Mischen mit Luftgas kontrolliert, wobei der Gasfluss auf 100, 150, 200, 300, 400 und 500 cm3/min für 54, 36, 27, 18, 14 und 11 ppm eingestellt wurde , jeweils. Die Konzentrationen von Acetaldehyd, Aceton, Ethanol, Wasserstoff, Isopren, Toluol und p-Xylol wurden durch Mischen von N2-ausgeglichenem 25-ppm-Gas mit 99,9995 % N2-Gas auf 20 ppm und 100 cm3/min eingestellt. Der Feuchtigkeitseffekt wurde mit einem typischen Stickstoff-Sauerstoff-ausgeglichenen Gasblasensystem untersucht. Zum Vergleich wurden gleichzeitig kommerzielle Gassensoren (TGS2600, TGS2602, TGS2603, TGS2610C0, TGS2610D0, TGS2611C0, TGS2611E0, TGS2612D0; FIGARO) verwendet. Die Hyperparameter für die Tiefe und den Zufallszustand im Random-Forest-Modell waren 2 bzw. 9. Der k-Wert im kNN-Modell wurde auf 9 gesetzt. Der Gamma-Wert im SVC mit RBF-Kernel betrug 0,7. Der Gradwert im SVC mit Polynom-SVC war 9. Die anderen Hyperparameter wurden automatisch festgelegt.

Alle während dieser Studie generierten oder analysierten Daten sind in diesem veröffentlichten Artikel und seinen ergänzenden Informationsdateien enthalten.

Selye, H. Ein Syndrom, das durch verschiedene Schadstoffe hervorgerufen wird. Natur 138, 32–32. https://doi.org/10.1038/138032a0 (1936).

Artikel ADS Google Scholar

Rochette, L. & Vergely, C. Hans Selye und die Stressreaktion: 80 Jahre nach seinem „Brief“ an den Herausgeber von Nature. Ann. Cardiol. Angeiol. (Paris). 66, 181–183. https://doi.org/10.1016/j.ancard.2017.04.017 (2017).

Artikel CAS PubMed Google Scholar

Samson, C. & Koh, A. Stressüberwachung und jüngste Fortschritte bei tragbaren Biosensoren. Vorderseite. Bioeng. Biotechnologie. https://doi.org/10.3389/fbioe.2020.01037 (2020).

Artikel PubMed PubMed Central Google Scholar

Masako, K. et al. Charakteristischer Geruch, der bei emotionaler Anspannung von der Haut ausgeht. Res. Quadrat. https://doi.org/10.21203/rs.3.rs-571392/v1 (2021).

Artikel Google Scholar

Shiseido-Experiment ergab, dass Menschen einen ähnlichen „Stressgeruch“ wie Zwiebeln produzieren. https://www.japantimes.co.jp/news/2018/10/15/national/shiseido-experiment-finds-bodies-produce-stress-smell-similar-onions/. Zugriff im Oktober 2018 (2018).

https://corp.shiseido.com/jp/newsimg/2513_i3p50_jp.pdf. Zugriff im Oktober 2018 (2018).

Persaud, K. & Dodd, G. Analyse von Diskriminierungsmechanismen im Riechsystem von Säugetieren anhand einer Modellnase. Natur 299, 352–355. https://doi.org/10.1038/299352a0 (1982).

Artikel ADS CAS PubMed Google Scholar

Wang, T. et al. Typunterscheidung und Konzentrationsvorhersage für Ethanol mithilfe eines durch maschinelles Lernen verbesserten Gassensor-Arrays mit unterschiedlichen Morphologie-Abstimmungseigenschaften. Physik. Chem. Chem. Physik. 23, 23933–23944. https://doi.org/10.1039/D1CP02394B (2021).

Artikel CAS PubMed Google Scholar

Ma, D., Gao, J., Zhang, Z. & Zhao, H. Gaserkennungsmethode basierend auf dem Deep-Learning-Modell der Sensor-Array-Reaktionskarte. Sens. Aktoren. B. 330, 129349. https://doi.org/10.1016/j.snb.2020.129349 (2021).

Artikel CAS Google Scholar

Wang, C., Yin, L., Zhang, L., Xiang, D. & Gao, R. Metalloxid-Gassensoren: Empfindlichkeit und Einflussfaktoren. Sensoren 10, 2088–2106 (2010).

Artikel ADS CAS Google Scholar

Batzill, M. Oberflächenwissenschaftliche Studien von Gassensormaterialien: SnO2. Sensoren 6, 1345–1366 (2006).

Artikel ADS CAS Google Scholar

Shahabuddin, M., Umar, A., Tomar, M. & Gupta, V. Kundenspezifischer metallverankerter SnO2-Sensor zur H2-Erkennung. Int. J. Hydrogen Energy 42, 4597–4609. https://doi.org/10.1016/j.ijhydene.2016.12.054 (2017).

Artikel CAS Google Scholar

Abokifa, AA, Haddad, K., Fortner, J., Lo, CS & Biswas, P. Erfassungsmechanismus von Ethanol und Aceton bei Raumtemperatur durch SnO2-Nanosäulen, die über Aerosolrouten synthetisiert wurden: Theoretische Berechnungen im Vergleich zu experimentellen Ergebnissen. J. Mater. Chem. A 6, 2053–2066. https://doi.org/10.1039/C7TA09535J (2018).

Artikel CAS Google Scholar

Choi, PG, Izu, N., Shirahata, N. & Masuda, Y. Herstellung und H2-Sensoreigenschaften von SnO2-Nanoblatt-Gassensoren. ACS Omega 3, 14592–14596. https://doi.org/10.1021/acsomega.8b01635 (2018).

Artikel CAS PubMed PubMed Central Google Scholar

Choi, PG, Izu, N., Shirahata, N. & Masuda, Y. Verbesserung der Sensoreigenschaften für SnO2-Gassensoren durch Abstimmung der freiliegenden Kristallfläche. Sens. Aktoren. B. 296, 126655. https://doi.org/10.1016/j.snb.2019.126655 (2019).

Artikel CAS Google Scholar

Choi, PG, Izu, N., Shirahata, N. & Masuda, Y. SnO2-Nanoblätter für die selektive Alkengaserkennung. ACS-Appl. Nano Mater. 2, 1820–1827. https://doi.org/10.1021/acsanm.8b01945 (2019).

Artikel CAS Google Scholar

Kim, K., Choi, PG, Itoh, T. & Masuda, Y. Katalysatorfreie hochempfindliche SnO2-Nanoblatt-Gassensoren für die Erkennung von Aceton im Teile-pro-Milliarden-Bereich. ACS-Appl. Mater. Schnittstellen. 12, 51637–51644. https://doi.org/10.1021/acsami.0c15273 (2020).

Artikel CAS PubMed Google Scholar

Kim, K., Pornaroontham, P., Choi, PG, Itoh, T. & Masuda, Y. Selbstanpassendes Gassensorsystem basierend auf Betriebsbedingungen unter Verwendung von Datenvorhersage. ACS Sens. 7, 142–150. https://doi.org/10.1021/acssensors.1c01864 (2022).

Artikel CAS PubMed Google Scholar

Choi, PG, Kim, K., Itoh, T. & Masuda, Y. Zinnoxid-Nanoblätter auf mikroelektromechanischen Systemgeräten für eine verbesserte Gasunterscheidung. ACS-Appl. Nano Mater. 4, 14285–14291. https://doi.org/10.1021/acsanm.1c03778 (2021).

Artikel CAS Google Scholar

Das, S. & Jayaraman, V. SnO2: Eine umfassende Übersicht über Strukturen und Gassensoren. Prog. Mater. Wissenschaft. 66, 112–255. https://doi.org/10.1016/j.pmatsci.2014.06.003 (2014).

Artikel CAS Google Scholar

Harry, Z. in Proceedings of the Seventeenth International Florida Artificial Intelligence Research Society Conference (FLAIRS 2004) (American Association for Artificial Intelligence Menlo Park, CA, 2004).

Chan, TF, Golub, GH & LeVeque, RJ in COMPSTAT 1982 5. Symposium in Toulouse 1982 30–41 (Physica Verlag Heidelberg, Toulouse, 1982).

Duda, RO, Hart, PE & Stork, DG Pattern Classification 2. Aufl. (Wiley, 2001).

MATH Google Scholar

Ledoit, O. & Wolf, M. Honey, ich habe die Kovarianzmatrix der Stichprobe verkleinert. J. Portfoliomanager 30, 110–119. https://doi.org/10.3905/jpm.2004.110 (2004).

Artikel Google Scholar

Trevor, H., Robert, T. & Jerome, F. 106–119 (Springer, 2008).

Goldberger, J., Roweis, S., Hinton, G. & Salakhutdinov, R. Nachbarschaftskomponentenanalyse. Neuronale Inf. Verfahren. Syst. 17, 513–520 (2004).

Google Scholar

Altman, NS Eine Einführung in den Kernel und die nichtparametrische Regression des nächsten Nachbarn. Bin. Stat. 46, 175–185. https://doi.org/10.1080/00031305.1992.10475879 (1992).

Artikel MathSciNet Google Scholar

Bentley, JL Mehrdimensionale binäre Suchbäume für die assoziative Suche. Komm. ACM 18, 509–517. https://doi.org/10.1145/361002.361007 (1975).

Artikel MATH Google Scholar

Arthur, D. & Vassilvitskii, S. k-means++: Die Vorteile einer sorgfältigen Aussaat (Stanford InfoLab, 2006).

MATH Google Scholar

Breiman, L. Zufällige Wälder. Mach. Lernen. 45, 5–32. https://doi.org/10.1023/A:1010933404324 (2001).

Artikel MATH Google Scholar

Breiman, L. Gegenerwiderung: Arcing Classifiers. Ann. Stat. 26, 841–849 (1998).

Artikel Google Scholar

Geurts, P., Ernst, D. & Wehenkel, L. Extrem randomisierte Bäume. Mach. Lernen. 63, 3–42. https://doi.org/10.1007/s10994-006-6226-1 (2006).

Artikel MATH Google Scholar

Cortes, C. & Vapnik, V. Support-Vektor-Netzwerke. Mach. Lernen. 20, 273–297. https://doi.org/10.1007/BF00994018 (1995).

Artikel MATH Google Scholar

Smola, AJ & Schölkopf, B. Ein Tutorial zur Support-Vektor-Regression. Stat. Berechnen. 14, 199–222. https://doi.org/10.1023/B:STCO.0000035301.49549.88 (2004).

Artikel MathSciNet Google Scholar

Platt, JC Probabilistische Ausgaben für Support-Vektor-Maschinen und Vergleiche mit Regularized-Likelihood-Methoden (The MIT Press, 1999).

Google Scholar

Wu, T.-F., Lin, C.-J. & Weng, R. Wahrscheinlichkeitsschätzungen für die Klassifizierung mehrerer Klassen durch paarweise Kopplung. J. Mach. Lernen. Res. 5, 975–1005 (2004).

MathSciNet MATH Google Scholar

Chang, C.-C. & Lin, C.-J. LIBSVM: Eine Bibliothek für Support-Vektor-Maschinen. ACM Trans. Intel. Syst. Technol. 2, Artikel 27. https://doi.org/10.1145/1961189.1961199 (2011).

Artikel Google Scholar

Rong-En, F., Kai-Wei, C., Cho-Jui, H., Xiang-Rui, W. & Lin, C.-J. LIBLINEAR: Eine Bibliothek für große lineare Klassifizierung. J. Mach. Lernen. Res. 9, 1871–1874 (2008).

MATH Google Scholar

Schölkopf, B., Smola, AJ, Williamson, RC & Bartlett, PL Neue Support-Vektor-Algorithmen. Neuronale Berechnung. 12, 1207–1245. https://doi.org/10.1162/089976600300015565 (2000).

Artikel Google Scholar

Koby, C. & Yoram, S. Zur algorithmischen Implementierung von Mehrklassen-Kernel-basierten Vektormaschinen. J. Mach. Lernen. Res. 2, 265–292 (2001).

MATH Google Scholar

Katsuyama, M. et al. Wie sich emotionale Veränderungen auf den Hautgeruch auswirken und welche Auswirkungen er auf andere hat. PLoS ONE 17, e0270457. https://doi.org/10.1371/journal.pone.0270457 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Inyawilert, K., Wisitsoraat, A., Tuantranont, A., Phanichphant, S. & Liewhiran, C. Ultraempfindliche und hochselektive H2-Sensoren basierend auf FSP-hergestellten Rh-substituierten SnO2-Sensorfilmen. Sens. Aktoren. B. 240, 1141–1152. https://doi.org/10.1016/j.snb.2016.09.094 (2017).

Artikel CAS Google Scholar

Sopiha, KV, Malyi, OI, Persson, C. & Wu, P. Chemie der Sauerstoffionosorption auf SnO2-Oberflächen. ACS-Appl. Mater. Schnittstellen 13, 33664–33676. https://doi.org/10.1021/acsami.1c08236 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Du, J. Phys. Chem. A 112, 9211–9219. https://doi.org/10.1021/jp800518v (2008).

Artikel CAS PubMed Google Scholar

Kucharski, S. & Blackman, C. Atomistische Beschreibungen von Gas-Oberflächen-Wechselwirkungen auf Zinndioxid. Chemosensoren 9, 270 (2021).

Artikel CAS Google Scholar

Barsan, N., Rebholz, J. & Weimar, U. Leitungsmechanismusschalter für SnO2-basierte Sensoren während des Betriebs unter anwendungsrelevanten Bedingungen; Implikationen für die Modellierung der Wahrnehmung. Sens. Aktoren. B. 207, 455–459. https://doi.org/10.1016/j.snb.2014.10.016 (2015).

Artikel CAS Google Scholar

Referenzen herunterladen

National Institute of Advanced Industrial Science and Technology (AIST), 2266-98 Anagahora, Shimoshidami, Moriyama, Nagoya, 463-8560, Japan

Pil Gyu Choi & Yoshitake Masuda

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

PGC: Konzeptualisierung, Untersuchung, Ressourcen, Validierung, Visualisierung, Schreiben – Originalentwurf, Schreiben – Überprüfung und Bearbeitung. YM: Konzeptualisierung, Finanzierungsakquise, Projektverwaltung, Ressourcen, Überwachung, Schreiben – Überprüfung und Bearbeitung.

Korrespondenz mit Pil Gyu Choi.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Choi, PG, Masuda, Y. Zinnoxid-Gassensor-Array vom Nanoblatt-Typ zur Überwachung von psychischem Stress. Sci Rep 12, 13874 (2022). https://doi.org/10.1038/s41598-022-18117-8

Zitat herunterladen

Eingegangen: 17. Mai 2022

Angenommen: 05. August 2022

Veröffentlicht: 25. August 2022

DOI: https://doi.org/10.1038/s41598-022-18117-8

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.