智能气体传感平台，实现隐藏霉菌的非侵入预警

室内霉菌污染是威胁室内空气质量和人体健康的重大生物性危害因素。近年来，微型化气体传感器的发展使得实时VOC检测系统成为可能，但在复杂的室内环境中，区分特定的VOCs仍然存在挑战。金属有机框架材料因其可调的孔隙度和功能化潜力，在VOC吸附和传感方面显示出巨大前景。然而，由于其本征导电性差，MOFs需要与多壁碳纳米管等导电支撑材料复合，才能应用于电化学或电阻式传感平台。这种MOF/MWCNT复合材料结合了MOF的化学选择性和MWCNT的导电性，能产生丰富的多维传感器信号。与此同时，机器学习已成为提高传感器选择性和预测准确性的有力工具。

本研究旨在通过合成ZIF-8、Cu-BTC和UiO-66三种MOF/MWCNT复合材料，并将其集成到石英晶体微天平、电阻传感器和电化学阻抗谱三种传感平台，构建一个多模态传感器阵列，并利用随机森林、CatBoost等机器学习算法对传感器信号进行分析，最终实现对真菌排放VOCs的实时监测和识别，为高风险室内环境（如医院、日托中心）的早期霉菌污染预警提供智能传感方案。

研究内容

图1.MOF/MWCNT复合材料的特性与传感器性能

X射线衍射分析证实了ZIF-8/MWCNT、Cu-BTC/MWCNT和UiO-66/MWCNT三种复合材料结晶性良好，与模拟图谱及文献一致。Tauc图分析显示复合材料的带隙能介于纯MOF与MWCNT之间，表明复合后导电性得到改善。扫描电镜图像显示MOF颗粒均匀分散在棒状MWCNT网络中，未改变各自的特征形貌。薄膜厚度测量表明空气喷涂法制备的传感层具有合理的均匀性和可重复性。将三种复合材料分别涂覆于QCM、RS和EIS基底上，构建传感器阵列。当暴露于乙醇、2-丁酮和苯等单一气体时，所有传感器均表现出浓度依赖的响应，其中RS传感器对苯的灵敏度最低。QCM传感器对乙醇和2-丁酮的响应较高，这归因于VOC与MOF孔道中金属位点的氢键或偶极-偶极相互作用。

图2.机器学习增强的单气体与混合气体分析

鉴于传统方法难以实现固有选择性，研究采用随机森林模型对三种单一VOC进行分类，该模型实现了0.95的准确度和0.9225的Kappa值，表明模型能有效区分乙醇、2-丁酮和苯。特征重要性分析显示，归一化响应、响应时间和恢复时间等特征对分类均有贡献。为了评估系统在复杂环境中的分辨能力，采用CatBoost回归模型对混合气体中各成分的浓度进行预测。模型对2-丁酮的预测表现最佳，R²为0.93，MAE为18.2；对苯的预测R²为0.79，RMSE最低；对乙醇的预测R²为0.59。变量重要性排名显示，不同化合物的预测模型所依赖的关键传感器特征各不相同，证明了机器学习模型能有效利用多维传感器数据来解析和量化复杂气体基质中的单个VOC。

图3.传感器阵列对真菌VOCs的识别与分类

通过气相色谱-质谱联用技术监测了曲霉、枝孢霉和青霉培养物随时间变化的VOC排放谱，发现总离子计数和VOC多样性通常在培养第2天达到峰值。这为基于传感器的早期检测提供了参考依据。主成分分析显示，前两个主成分（PC1和PC2）共解释了总方差的70.1%。PC1与传感器的响应时间和恢复时间负相关，PC2与传感器信号强度正相关。利用经主成分分析降维后的传感器特征，CatBoost分类模型在区分真菌排放气体与对照气体样本时表现出色，准确率达到0.963，Kappa值为0.924。值得注意的是，整个检测过程是在高湿度（RH100%）的模拟真实真菌生长环境下进行的，传感器阵列在整个实验中未出现显著的信号漂移或故障，证明了其在苛刻条件下的稳健性。这种间接传感策略为霉菌污染的实时、低成本监测提供了可扩展的解决方案。

 本研究成功开发了一种集成了MOF/MWCNT复合材料、多模态传感技术和机器学习算法的智能平台，用于实时、非侵入式地检测与室内霉菌污染相关的微生物挥发性有机化合物。通过合成ZIF-8/MWCNT、Cu-BTC/MWCNT和UiO-66/MWCNT三种复合材料，并将其功能化于石英晶体微天平、电阻传感器和电化学阻抗谱三种传感基底，构建了一个能够产生多维响应信号的传感器阵列。随机森林模型在单一VOC分类中表现出高准确度，CatBoost模型则成功实现了对混合气体中2-丁酮、苯和乙醇浓度的预测，以及对高湿度环境下真菌排放气体与对照气体的精准分类。该平台能够克服传统霉菌检测方法耗时长、侵入性强的缺点，通过监测霉菌代谢释放的特征性VOCs（如乙醇、2-丁酮、苯），实现对隐藏霉菌活动的早期预警。

原文链接：https://doi.org/10.1016/j.jhazmat.2026.141493