近日，吉林大学孙鹏教授研究小组与新加坡国立大学Tan Swee Ching （陈瑞深）教授合作，提出了一种将传感器阵列与机器学习算法相结合的集成策略。可穿戴传感器阵列在较宽的相对湿度范围内实现了超过99%的理论浓度预测精度，能够在真实的采矿条件下精确检测NH3和NO2混合气体，从而实现矿工的实时健康监测。

近年来，伴随5G通讯、大数据和可穿戴电子技术的迅猛发展，智能矿业（intelligent mining）和矿业健康监护（mining healthcare）等概念逐渐得到国家和社会的重视。然而，传统的金属氧化物气体传感器存在选择性差以及与可穿戴技术不兼容的缺陷，使其无法实时检测矿工周围的有毒混合气体（H2、CO、NH3、NO2等）。另一个难以克服的障碍是真实矿业环境内随时变化的湿度，这会严重干扰氧化物气体传感器的传感信号，湿度干扰仍然是实现矿井健康监护的瓶颈。

为了解决这些限制，该团队提出了一种聚苯胺基与还原氧化石墨烯基传感器阵列和机器学习算法的协同策略，以在真实矿井环境下实现对NH3和NO2气体的全面和精确检测。复合材料提高了传感器阵列对目标混气的选择性和灵敏度，

机器学习算法则用于辅助在宽湿度范围内对目标混气进行定性及定量分析，其气体浓度预测水平超过99%，相比之前的可穿戴传感设备有了显著改进。通过将传感阵列与低功耗柔性电路模块集成，制造了一款可穿戴智能手环。算法被编程到智能显示终端的应用界面中，实现了在各种湿度条件下对煤矿中有害气体的早期和远程警报。可穿戴传感阵列与机器学习算法相协同的策略为矿井安全领域中高精确度的识别和检测有害混气提供了一种简便有效的方法。