本发明属于多巴胺浓度检测领域，具体涉及一种电化学发光(ecl)和差分脉冲伏安法(dpv)结合的双模式多巴胺智能检测方法。
背景技术：
1、多巴胺(da)是一种神经递质，在人体中起着关键的调节作用，尤其是在神经和心血管系统中，当其分泌失调时，可能导致严重的健康问题。因此，对da的准确检测至关重要。
2、然而，多巴胺的检测通常受到其他化合物的干扰，尤其是肾上腺素(ep)，它是一种与da结构相似的神经递质，能够在传统的电化学检测中产生类似的响应信号，影响da的测定。目前，已有一些方法被用于实现da在ep干扰下的选择性检测，如高效液相色谱法、比色法、荧光法等。然而，这些方法通常需要复杂的仪器、昂贵的试剂、耗时的操作和样品预处理，不适合快速和现场检测。近年来，双模式传感器逐渐引入到测量过程和数据分析中，电化学发光(ecl)作为一种光信号由电化学反应触发，具有良好的稳定性、高灵敏度、低背景信号和快速响应等优点；差分脉冲伏安法(dpv)具有操作简单、灵敏度高、抗干扰能力强等特点，这两种方法在多巴胺的定量分析中引起了越来越多的关注。然而，即使是双模式传感器，在ep共存的情况下，也无法解决信号耦合的问题。一方面，在k2s2o8-o2反应体系中，da和ep的氧化会消耗共反应剂过硫酸钾(k2s2o8)，对ecl信号的猝灭造成双重效应。另一方面，在dpv检测下，da和ep的酚羟基会失去氢原子，使da和ep的氧化峰电位相近，造成伏安响应的重叠。因此，仅通过线性拟合方法难以预测da的浓度。
技术实现思路
1、针对上述问题，本发明提出了一种基于电化学发光(ecl)和差分脉冲伏安法(dpv)的双模式多巴胺智能检测方法。与单模态传感相比，该双模态传感器可以结合ecl和dpv的优势，提高实验数据的准确性和可靠性。从ecl和dpv响应曲线中提取了与浓度预测相关的九个图形特征，使用pearson算法计算了提取的特征与da浓度的相关系数。基于提取的特征，使用多元线性回归(mlr)和自适应增强算法(adaboost)对da浓度预测模型进行训练，最后基于网格搜索优化方法对adaboost模型进行优化，并用于ecl+dpv双模式多巴胺浓度检测。对该方法和所制备的传感器能够在ep的干扰下，大大提升测量da浓度的准确性。
2、基于ecl+dpv的双模式多巴胺智能检测，包括以下步骤：
3、(1)采用两步电沉积法，在玻碳电极上修饰还原石墨烯和金纳米粒子，制备具有高灵敏度、高选择性和高稳定性的金纳米颗粒/还原氧化石墨烯/玻碳(aunps/rgo/gce)电极。使用玻碳电极作为工作电极，银/氯化银(ag/agcl)电极作为参比电极，铂丝电极作为辅助电极，通过循环伏安法第一步先在玻碳电极上电沉积石墨烯(go)，第二步通过施加恒定的电位修饰纳米金粒子。
4、(2)通过均匀设计法制备了不同浓度的多巴胺(da)和肾上腺素(ep)的混合溶液以及不同浓度的纯多巴胺(da)溶液。使用金纳米颗粒/还原氧化石墨烯/玻碳电极，通过电化学发光(ecl)和差分脉冲伏安法(dpv)对这些溶液进行检测，得到其对应的ecl响应曲线和dpv响应曲线。
5、(3)对ecl和dpv响应曲线的图形进行特征提取，在保证特征参数之间具有相对独立性的同时，尽可能地获取更多的数据信息。
6、(4)将提取的图形特征和对应浓度构建数据集，作为预测算法模型的训练集和测试集。
7、(5)根据数据集，通过自适应提升算法(adaboost)预测da浓度。接着，使用网格搜索方法优化adaboost算法的相关参数，优化后的模型可以实现da浓度的准确预测。
8、本发明的有益效果是：
9、针对传统单一检测模型中数据样本有限、实验结果可信度低的问题，采用ecl+dpv双模检测方式进行多巴胺(da)浓度检测。采用两步电沉积法制备了一种灵敏的aunps/rgo/gce电极用于肾上腺素(ep)干扰下的da检测；对ecl和dpv实验所得的曲线进行了特征提取，并采用皮尔逊相关系数(pcc)分析了各特征的重要性，并基于多特征融合，使用多元线性回归(mlr)、adaboost模型进行训练，结果显示adaboost算法相较于传统的多元线性回归方法具有明显的浓度预测优势，并在此基础上进行优化，使用网格搜索方法优化adaboost模型，实现了ep干扰下的da浓度准确预测。
1.一种基于ecl+dpv的双模式多巴胺智能检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于ecl+dpv的双模式多巴胺智能检测方法，其特征在于，步骤s1所述采用两步电沉积法制备金纳米颗粒/还原氧化石墨烯/玻碳电极具体过程为：使用玻碳电极作为工作电极，银/氯化银电极作为参比电极，铂丝电极作为辅助电极，通过循环伏安法第一步先在玻碳电极上电沉积石墨烯go，第二步通过施加恒定的电位修饰纳米金粒子。
3.根据权利要求2所述的基于ecl+dpv的双模式多巴胺智能检测方法，其特征在于，步骤s3所述ecl响应曲线中提取的特征包括以下四部分：
4.根据权利要求2所述的基于ecl+dpv的双模式多巴胺智能检测方法，其特征在于，步骤s3所述dpv响应曲线中提取的特征包括以下五部分：
5.根据权利要求2所述的基于ecl+dpv的双模式多巴胺智能检测方法，其特征在于，步骤s4还包括计算从ecl和dpv响应曲线获取的特征与da浓度的相关系数，证实获取的特征与da浓度的相关性，具体如下：
6.根据权利要求5所述的基于ecl+dpv的双模式多巴胺智能检测方法，其特征在于，所述步骤s5还包括：使用网格搜索方法优化adaboost算法的参数。
